10月12日，中國科學院深圳先進技術研究院副院長、香港中文大學教授湯曉鷗教授表示，阿里講“讓天下沒有難做的生意”，做人工智能是講“讓天下沒有難吹的牛”。

今天我講的題目是《人工智能的云中漫步》。人工智能其實我也聽了很多人講，我自己也講了很多，我覺得總結起來做人工智能的跟阿里的理念其實非常相似。阿里是講“讓天下沒有難做的生意”，做人工智能的是講“讓天下沒有難吹的?！保海?。

這兩天大會聽大家講了半天人工智能，講了半天的云，一直到今天為止，一直到現(xiàn)在為止，我們其實一直沒有看到真正的云，現(xiàn)在我給大家看一下。

這是高分一號衛(wèi)星拍的云圖。其實我們發(fā)射衛(wèi)星拍攝這些圖像，是為了分析地面上的情況。高分一號拍出來的圖，有云有雪，遮蓋了地貌，如何分辨云和雪和地面的物體，我們用人工智能、圖像識別技術，可以做的比人更精準。大家可以看到褐色的是雪，白色的云，綠色的是物體。我們識別的這些云以后，還能用算法把這些云去掉了，這樣衛(wèi)星就可以識別云下面的東西。

如果這么一直講下去，阿里的人可能急了，我們是阿里云，不是阿里氣象局。當然，我們講的是虛擬云，云計算，我們其實在不知不覺間已經(jīng)生活在云中間了，我們生活在物理云下面，實際上我們也生活在虛擬云上面。今天就給大家講你是如何在云上生活一天的，大概要講8個小時。

一開始，早上起來要化妝。就是拿著手機可以當鏡子，可以做美顏，換衣服，用各種特效效果看一整天該穿什么。這個化妝下來大概的時間從8點開始的，最后結束了以后，就到9點了，一般女孩的話大概也確實需要一個小時化妝，最后通過美顏、增強現(xiàn)實（AR）這些特效，不知道為什么最后這張圖成兔女郎了。

然后接著這些AR技術還可以應用在其它的場景上，比如社交場景應用，你們現(xiàn)在看到的這些拍照APP，直播APP，有很多AR特效，其實絕大部分都是基于我們提供的人工智能技術，比如人臉的106點和最新的240點的追蹤分析，是我們定義的行業(yè)標準。

我們不但做人臉、手勢識別，現(xiàn)在已經(jīng)做到三維的SLAM特效了，大家可能看過這種特效，游戲里面可以把虛擬物體加到這個現(xiàn)實世界里面，但是以前看的都是在一臺很強的計算機上算出來的，現(xiàn)在我們這個是在手機端，手機上實時算出來，這是非常難的事情。

還有你剛才為什么花了一個小時換衣服呢？要一件一件換，不合適換另一件，很麻煩。我們實際上可以用計算機幫你換衣服，計算機生成衣服。這個用什么做的呢？用基于自然語言處理的圖像圖像生成技術，比如說我要一只小鳥，有白色的胸脯，灰色的頭部，就生成這樣的小鳥；再要一只紅色的小鳥，黑色的翅膀，就再對應生成出來圖像。這都是計算機自動的根據(jù)你的語言描述生成的，或者是花也一樣，可以生成一些不同的花。

今天講了很多關于城市大腦的問題。

我們要解決這些問題還是需要核心技術，來一樣一樣完成這些任務。首先我們?nèi)四樧R別，已經(jīng)可以做到?jīng)]有任何人工配合的情況下實時地識別人物、抓捕犯人，在廣州、深圳、重慶等幾十個城市都已經(jīng)開始幫助公安解決了大量的案件，抓了很多犯人。

人群，我們可以在上海外灘這樣的公共場合，實時判斷每一個點的人群的密度、人數(shù)，進來多少人，出去多少人，還有人流有沒有逆行等特殊情況，這樣可以防止踩踏事件。

再就是視頻結構化，可以把視頻里面所有的人、車、非機動車、自行車檢測、追蹤，識別出來屬性，比如這個人穿什么衣服，男的女的，多大年齡，車什么牌子，哪年生產(chǎn)的，這些東西都從視頻處理成文本文件，你可以進行對應物體的快速搜索。

所以其實你在走在路上的時候，所有的這些信息都是可以記錄下來的。所以以后如果做壞事會越來越難。大家如果現(xiàn)在還有什么事沒做趕緊做，以后再做相對會困難很多了。

12點鐘大家可能出去跟朋友玩了。拍一些自拍照，其實拍的時候，就是用了我們的一些視頻處理的技術，比如把一個手機拍照拍成單反的效果，這也是我們做的技術，先拍照后聚焦，拍完點什么地方就聚焦到什么地方。另外在拍之前，我就想看看單反預覽效果是什么樣子的，所以這時候你在動的時候，效果就要顯示出來，這就是要實時視頻級的處理。視頻上能夠?qū)崟r把深度信息算出來，預覽做出來。這些技術已經(jīng)在OPPO R9S和R11用了很長時間了，包括里面的人臉技術都是使用我們的技術支持。

還有手機上可以做一些智能相冊的特效、處理。計算機識別你的照片內(nèi)容，然后根據(jù)內(nèi)容打標簽、分類管理。

這些特效，大家現(xiàn)在手機上可能節(jié)日期間也會用到一些這些應用，比如把卡通圖片里的臉換成自己小孩的臉。但是我給你演示這些是我們十年前做的，我們十年前已經(jīng)做到這個效果了，當然那個時候是在計算機上做出來的，現(xiàn)在把這些技術可以做到手機上了。

我們跟小米合作做了小米智能相冊，跟華為合作做了華為智能相冊，跟微博合作，把大V的照片管理做起來。兩點多鐘，你照完相了，吃完飯回來，對照片想處理，做一些新的藝術化的濾鏡。

處理出來這些特效，這是在圖像上做成的特效，其實這是我們兩年前做的工作，現(xiàn)在滿大街都是。我們現(xiàn)在又做了新的工作，是視頻上實時也可以做出特效，而且可以做出各種特效。

4點鐘，大家可以出去玩一玩，可以做一些體育運動了，大家可以想像一下，我們公司4點鐘就下班了，開始去玩了。

這個就是我們在實時的把人體的整個結構都能跟蹤出來，大家可能覺得這個不是什么新鮮事，因為幾年前Kinect體感攝像頭就能做的，但是原來是一個昂貴的特殊設備做的，設備有兩個攝像頭還有激光投影，我們是用一個幾塊錢的單個webcam，可以實時做這件事情，所以這個應用可以在各種的智能家居、自動駕駛，各種地方做到實用。

再往下用這些技術還可以做體育運動的分析。昨天講到奧委會跟阿里合作，我們也在跟國家體育總局做合作。這個大家可以看到我們用智能分析的方法跟蹤運動員的動作。然后也可以幫助運動員做康復的訓練。所以昨天奧委會朋友講，奧運會要做到更高、更快、更強、更聰明，那其實我現(xiàn)在給你講的，就是如何做到更聰明。

同時我們可以用跟蹤的算法，然后把整個畫面分析清楚，用自然語言描述視頻里運動員到底在干什么。

然后大家下班的時候要坐車回家了。這時候可以乘坐由我們自動駕駛技術支持的汽車。自動駕駛里面我們做了六個大的方向，三十幾項技術，目前跟全球前五大車企其中一個頂級的廠商進行合作。

下面看一下刷臉支付場景，因為你下班了，總是要買東西的?？梢杂盟⒛樦Ц?，阿里無人店可以用這些技術。還有一些門禁系統(tǒng)，酒店，機場等等應用，所有這些地方其實現(xiàn)都在用我們做的人臉識別技術，現(xiàn)在的準確率從當年第一次超過人眼睛極限的時候，從97.5%，到99.15%，到99.55%，一直做到萬分之一，十萬分之一，百萬分之一，今天我們早就做到億分之一，實際上已經(jīng)達到了八位數(shù)密碼的精度，可以做各種應用了。

到了晚上，這個視頻里，我們分析人的運動方向。這些對整個分析視頻的結構也是非常重要的技術。

我們綜合前面這些技術，可以把整個這個視頻場景分析全部做出來?？梢钥吹阶笙陆菚v你在什么地方，什么樣的活動，每個人是哪一個人，哪一個演員，穿的什么衣服，后面有什么物體，騎的什么摩托車，所有這些結構化都可以做出來，大家網(wǎng)上看到很多公司用這兩段視頻結果演示做宣傳，這個原創(chuàng)是我們做的，視頻分析演示也是我們做的。這是《歡樂頌》，本來想做一個更新的，想用《我的前半生》，后來一想我的前半生也快過去了，還是做《歡樂頌》了。

剛才很多是我們已經(jīng)落地的產(chǎn)品，是由我們的400多家合作廠商真正落地來用了的。下面還有一些新的技術突破，明天就可以馬上用出去，就是因為這些新的技術突破，才繼續(xù)推動做出來新的應用。

首先講運動監(jiān)測。還是回到奧運會這個應用，實際上我們可以在體育的視頻里面把這些射門的鏡頭提取出來，兩個小時的比賽可以很快縮到幾分鐘，可以完全自動做的。

或者田徑比賽，真的很漫長的，但是精彩的鏡頭，百米、跳高那幾個鏡頭，就是那幾塊，我們可以自動的識別提取出來，同時你也可以進行描述，要求怎么樣提取出來，你感興趣的部分。

然后還可以進行搜索。比如你要搜索音樂表演的視頻，戰(zhàn)爭場面的視頻，都可以自動搜索出來。

或者你要想做電影自動理解。比如可以明白這個鏡頭到底是災難的鏡頭還是浪漫的鏡頭，用我們前面說的技術來分析整個場景到底是什么樣的，紅線代表浪漫的，藍色是災難的，實時分析鏡頭?；蛘哒f他們在吵架還是浪漫的鏡頭。都可以實時分析出來。

可以用自然語言來描述來搜索電影的場景。就是你可以說一段話，它就把那一段鏡頭的場景把它給搜出來，同時把所有人，物體和各種東西都檢測出來。

還有對體育場景進行分析，就是說可以直接對運動視頻進行描述，自動用自然語言描述到底發(fā)生了什么事情，這個時候其實我們就不需要播音員了，機器自動分析運動場景做什么，直接給大家講解，就像一個專業(yè)播音員一樣。

還有圖像的分割，以前大家講圖像分割都是前景和背景分開，現(xiàn)在做的分割是不但把前景和背景分開，而且還可以像素級地把前景的每一個物體分開，前面有很多跳舞的，每一個人都標注出來，每一個物體，和背景都分割開來，就可以做很多很多各種各樣的特效。

還有就是判斷兩個人的關系，如果你在網(wǎng)上放了照片，我們根據(jù)你這兩個人的姿勢和兩個人的表情，分析出來你們兩個人的關系。這個有什么用呢？比如說你跟一個很有錢的人照相，分析的結果是很友好，說明你認識有錢人這樣可能你的可信度就增高了，我就可以把錢借給你了，可以做征信的一個維度。

還有我小孩的照片，他女朋友比較多，想知道哪個是他真正的女朋友，可以分析識別一下，后來發(fā)現(xiàn)每一個都是，他跟我一樣對每一個都很專一。

我給學生發(fā)了一些比較難處理的關系的照片，比如銘銘6個月的時候跟他第一個女朋友的照片，第一個關系分析的還可以，第二個也分析出來了。后面兩張照片就難多了，最后基本上搞不清楚他在干什么了，當然最后這張的這種探索精神還是值得敬佩的。

最后我用一個我們研究的例子來講一下原創(chuàng)的難度，我剛才講的每一個技術其實都不是那么簡單的，都不是說一拍腦袋一下就做出來的，有非常多的事情要做的，這個例子是圖像超分辨率增強，就是我們怎么把一張圖放的很大，能夠恢復的很清晰。這是美國的一個電影，F(xiàn)BI在抓人。最后他抓到一張很模糊的圖像圖像放大做成清晰的圖像，當時覺得FBI很厲害，非常棒。我們用傳統(tǒng)的技術也試圖把這個圖像恢復一下。當時希望把小圖恢復成這樣，用傳統(tǒng)算法做了最大的努力，最后的結果是這樣，所以我們很不滿意。

這個應用有什么用處呢？實際上是把可以進行圖像、視頻放大，可以把普通的電視信號變成4K的高清信號，8K的高清信號，這是我們最新做出來的結果，可以看到如果直接放大是很模糊的，現(xiàn)在用新的結果基本上達到高清的效果，已經(jīng)達到實用的階段。

在日本有個工作叫WAIFU2X，他們用我們的技術做了演示，就是把太太（二次元妹子）放大兩倍，然后用這個圖，最后的效果非常清晰。

超分辨率這個工作是很重要的，因為有很多場合有應用。所以谷歌、推特也對這個非常重視，他們在2016年連著發(fā)四篇文章做這個工作。按照以往，大家可能都是跟著谷歌后面做，而我們不是，我們發(fā)表了全球第一篇用深度學習超分辨率文章，那是2014年，早于谷歌兩年，2015年又發(fā)了一篇，2016年兩篇，2017發(fā)了三篇，我們不但是做的最早的，第一個做的，而且也是目前做的最好的。所以是谷歌在跟著我們做！

做這一項工作要想做成功，牽扯的工作是非常多的，有各種各樣的技術，涉及到十幾篇幾十篇的文章才能做到現(xiàn)在的效果。

所以現(xiàn)在我們已經(jīng)可以做到實用，在街頭上拍的照片，模糊照片可以真正看到罪犯的樣子。

而且已經(jīng)給深圳的公安用了，公安用手機可以拍人的照片，很模糊的圖像可以在庫里搜索，實時抓捕罪犯。

經(jīng)過我們的努力，所有這些加一起，從原來這個效果現(xiàn)在可以做到這個效果了。

所以每一項工作后面都有大量的工作需要做的，都有大量的頂級文章。我們不是剛剛這幾年人工智能熱了才開始做的，而是十五六年的積累，04年到08年我們統(tǒng)計了一下在兩個頂級的會議上，我們一個實驗室發(fā)了57篇論文，而MIT全校是51篇，伯克利大學是33篇，牛津大學是45篇；我們十幾年在頂級會議文章數(shù)量上一直是在全球領先的。在過去兩年，三個頂級會議上我們統(tǒng)計了數(shù)據(jù)，微軟最多是發(fā)了124篇，CMU是86篇，我們排第三是76篇，是亞洲唯一的進入前十名的。所以我們是有這種強大的人才和經(jīng)驗的積累，才做出剛才這些真正落地的產(chǎn)品。

在2011年到2013年深度學習剛剛開始的時候，這兩個頂級會議上，29篇文章我們占了14篇，全球的一半，這里面16項技術，都是我們第一個真正成功的把深度學習應用到這些技術領域。

所以我們是深度學習的原創(chuàng)技術公司，是真正做平臺的，和臉書的Torch、谷歌的TensorFlow一樣，我們做了自己的原創(chuàng)平臺Parrots，來在這上面開發(fā)我們深度學習相關的技術。

最后，大家看一下這一頁上的這些圖像的一個共同的點是什么？米開朗基羅、貝多芬、梵高、喬布斯、蘭博基尼的設計首席設計師，這些人有一個共同特點，其實就是兩個字：原創(chuàng)。中國最缺的就是原創(chuàng)，我們現(xiàn)在做的就是原創(chuàng)，做原創(chuàng)是非常難的一件事情，但是不做原創(chuàng)一個國家是永遠也發(fā)展不起來的。

本文來源于網(wǎng)絡，由 燙商標機 鞋墊印刷機 騰宇龍整理發(fā)布