向善而生的AI助盲 ,让AI多一点,障碍少一点******
有人说 ,盲人与世界之间,相差的只 是一个黎明 。在浪潮信息研发人员 的心中,失去视力 的盲人不会陷入永夜,科技 的进步正在力图给每一个人以光明未来。
AI助盲在人工智能赛道上一直 是最热门 的话题之一。以前 ,让失明者重见光明依靠的是医学的进步或“奇迹” 。而随着以“机器视觉+自然语言理解”为代表的多模态智能技术的爆发式突破,更多的失明者正在借助AI提供 的感知 、理解与交互能力,以另一种方式重新“看见世界”。
新契机 :多模态算法或将造福数以亿计失明者
科学实验表明,在人类获取 的外界信息中,来自视觉的占比高达70%~80%,因此基于AI构建机器视觉系统,帮助视障患者拥有对外界环境 的视觉感知与视觉理解能力 ,无疑 是最直接有效的解决方案 。
一个优秀的AI助盲技术,需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展,才能构建信息无障碍的交互界面。仅仅依靠“一枝独秀”超越人类水平的单模态人工智能比如计算机视觉技术还远远不够 ,以“机器视觉+自然语言理解”为代表 的多模态算法 的突破才是正确的新方向和新契机 。
多个模态 的交互可以提升AI 的感知 、理解与交互能力 ,也为AI理解并帮助残障人士带来了更多可能 。浪潮信息研发人员介绍说 ,多模态算法在AI助盲领域 的应用一旦成熟 ,将能够造福数以亿计的失明者。据世卫组织统计,全球至少22亿人视力受损或失明,而我国 是世界上盲人最多 的国家 ,占世界盲人总数 的18%-20% ,每年新增的盲人数量甚至高达45万。
大挑战:如何看到盲人“眼中” 的千人千面
AI助盲看似简单,但多模态算法依然面临重大挑战。
多模态智能算法,营造 的 是沉浸式人机交互体验。在该领域,盲人视觉问答任务成为学术界研究AI助盲的起点和核心研究方向之一,这项研究已经吸引了全球数以万计的视障患者参与,这些患者们上传自己拍摄 的图像数据和相匹配 的文本问题 ,形成了最真实的模型训练数据集。
但 是在现有技术条件下,盲人视觉问答任务 的精度提升面临巨大挑战:一方面 是盲人上传 的问题类型很复杂 ,比如说分辨冰箱里 的肉类、咨询药品的服用说明 、挑选独特颜色 的衬衣 、介绍书籍内容等等。
另一方面 ,由于盲人的特殊性 ,很难提取面前物体 的有效特征 。比如盲人在拍照时,经常会产生虚焦的情况,可能上传 的照片是模糊的或者没有拍全 ,或者没拍到关键信息 ,这就给AI推理增加了难度。
为推动相关研究 ,来自卡内基梅隆大学等机构 的学者们共同构建了一个盲人视觉数据库“VizWiz” ,并发起全球多模态视觉问答挑战赛。挑战赛 是给定一张盲人拍摄的图片和问题 ,然后要求给出相应的答案 ,解决盲人的求助 。
另外 ,盲人的视觉问答还会遭遇到噪声干扰 的衍生问题 。比如说,盲人逛超市 ,由于商品外观触感相似,很容易犯错,他可能会拿起一瓶醋却询问酱油 的成分表,拿起酸奶却询问牛奶 的保质期等等 。这种噪声干扰往往会导致现有AI模型失效 ,没法给出有效信息。
最后 ,针对不同盲人患者 的个性化交互服务以及算法自有 的反馈闭环机制,同样也是现阶段的研发难点。
多解法 :浪潮信息AI助盲靶向消灭痛点
AI助盲哪怕形式百变,无一例外都 是消灭痛点,逐光而行 。浪潮信息多模态算法研发团队正在推动多个领域 的AI助盲研究,只为帮助盲人“看”到愈发精彩的世界。
在VizWiz官网上公布的2万份求助中,盲人最多的提问就 是想知道他们面前的 是什么东西,很多情况下这些物品没法靠触觉或嗅觉来做出判断,例如 “这本书书名 是什么 ?”为此研发团队在双流多模态锚点对齐模型 的基础上,提出了自监督旋转多模态模型,通过自动修正图像角度及字符语义增强,结合光学字符检测识别技术解决“ 是什么” 的问题。
盲人所拍摄图片模糊 、有效信息少?研发团队提出了答案驱动视觉定位与大模型图文匹配结合的算法 ,并提出多阶段交叉训练策略,具备更充分 的常识能力,低质量图像、残缺 的信息,依然能够精准的解答用户 的求助 。
目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点,在AI助盲领域斩获世界冠军两项、亚军两项 。
真实场景中的盲人在口述时往往会有口误 、歧义、修辞等噪声。为此,研发团队首次提出视觉定位文本去噪推理任务FREC ,FREC提供3万图片和超过25万 的文本标注,囊括了口误、歧义、主观偏差等多种噪声 ,还提供噪声纠错 、含噪证据等可解释标签 。同时 ,该团队还构建了首个可解释去噪视觉定位模型FCTR,噪声文本描述条件下精度较传统模型提升11个百分点 。上述研究成果已发表于ACM Multimedia 2022会议 ,该会议为国际多媒体领域最顶级会议 、也是该领域唯一CCF推荐A类国际会议 。
在智能交互研究方面上 ,浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA ,同时给出首个智能体交互行为理解算法模型ARE。该研究成果已发表于ACM Multimedia 2022会议 。该研究项目 的底层技术未来可广泛应用于AI医疗诊断、故事续写、剧情推理、危情告警 、智能政务等多模态交互推理场景 。
眼球虽然对温度并不敏感 ,但浪潮信息的研发团队,却在努力让盲人能“看”到科技的温度,也希望吸引更多人一起推动人工智能技术在AI助盲 、AI反诈、AI诊疗 、AI灾情预警等更多场景中的落地。有AI无碍 ,跨越山海。科技的伟大之处不仅仅在于改变世界,更重要 的 是如何造福人类,让更多的不可能变成可能。当科技成为人的延伸,当AI充满人性光辉 ,我们终将在瞬息万变 的科技浪潮中感受到更加细腻温柔的善意,见证着更加光明宏大 的远方。
(文图:赵筱尘 巫邓炎)