近日， 在第二屆視覺對話競賽Visual Dialogue Challenge中，阿里AI擊敗了微軟、首爾大學(xué)等十支參賽隊伍，獲得冠軍。

(阿里AI在視覺對話競賽中得冠)

據(jù)了解，視覺對話競賽由美國佐治亞理工大學(xué)、Facebook人工智能實驗室(FAIR)等機構(gòu)聯(lián)合全球視覺技術(shù)領(lǐng)域頂級學(xué)術(shù)會議CVPR發(fā)起，是目前視覺對話領(lǐng)域最權(quán)威的競賽之一。

該競賽要求參賽的AI在看完近萬張圖片后，回答出人類對于任一圖片任一內(nèi)容的提問。競賽結(jié)果顯示，阿里AI以74.57%的準確率獲得冠軍，將上一屆比賽的紀錄提高了16.82%。在相同的數(shù)據(jù)集中，人類的準確率僅為64.27%。

傳統(tǒng)的視覺AI主要針對目標的檢測和識別，例如識別出圖片是否是一只貓，但對復(fù)雜場景中目標之間的邏輯關(guān)系理解、推理能力較弱，無法回答“這只貓旁邊的男生穿了什么顏色的衣服”等復(fù)雜問題，也難以將圖片信息轉(zhuǎn)化為人類理解的語言輸出。

阿里AI的突破在于提出了“遞歸探索對話模型”，綜合集成了圖像識別、關(guān)系推理與自然語言理解三大能力，它通過高效利用標注信息學(xué)習(xí)出模仿人類認知復(fù)雜場景的思維方式，能夠有效識別圖片里的實體以及它們之間的關(guān)系，推理出圖片所描述的事件內(nèi)容，并通過對上下文進行有效建模，理解人類提出的問題及真實意圖，給出自然準確的回復(fù)。

視覺對話是近年來快速崛起的AI研究方向，目的在于教會機器用自然語言與人類討論視覺內(nèi)容。如果說視覺識別技術(shù)，讓機器具備了視覺能力;那么視覺對話技術(shù)，則使得機器擁有了對真實視覺世界的理解與推斷能力，意味著AI的認知能力將邁上新的臺階。

據(jù)了解，這項技術(shù)未來將被應(yīng)用在人機交互諸多場景：地震后在廢墟中尋找幸存者的救援機器人，能夠更加及時、高效地綜合指揮指令和場景信息作出行動;視障人士可以通過提問阿里AI，理解網(wǎng)絡(luò)照片中的內(nèi)容，了解自身所處的周圍環(huán)境;無人駕駛車輛對影響因子的意圖理解會更為準確，乘客的乘坐體驗更好。