要想真正的解決機器視覺的問題，必須要做硬件。

本期嘉賓介紹：

趙京雷，閱面科技創(chuàng)始人 & CEO，上交大人工智能博士，前 Wise nut 算法總監(jiān)，前阿里北京算法研究中心負責人、高級算法專家。2015 年成立閱面科技(ReadSense)。

關(guān)于閱面科技(ReadSense)：

閱面科技（ReadSense）是一家人工智能企業(yè)，專注于深度學習和嵌入式視覺，為智能機器提供視覺識別技術(shù)，包括面部識別（Readface）、手勢識別（Readhand）、人體識別（Readbody）以及環(huán)境感知（Readway）。另外在硬件層面上，主要針對需要深入建模，對計算等方面有非常高的性能要求的情況，給出的一個優(yōu)化好的軟硬件一體化解決方案。

目前，閱面科技總部在上海，并在北京、南京以及美國的明尼蘇達設(shè)有研發(fā)分布。 團隊來自阿里巴巴、百度以及卡內(nèi)基梅隆等國內(nèi)外知名大型企業(yè)。

以下是趙京雷在「連線灣星人」活動中與小伙伴們的對話實錄，經(jīng)深圳灣（公眾號 ID：shenzhenware）編輯整理：

深圳灣：感謝趙總來深圳灣交流！能否再對你們「自主研發(fā)的創(chuàng)新性視覺算法，硬件模組及芯片，提供一體化解決方案」做進一步的介紹？

趙京雷：謝謝各位，現(xiàn)在的視覺算法早已舍棄了底層的傳統(tǒng)方法，全都必須采用深度學習。在深度學習框架上，我們主要解決了檢測、追蹤和識別三塊，基于自主算法的不斷優(yōu)化，可以構(gòu)建一系列諸如人臉識別、手勢識別、人體識別以及場景感知算法。

視覺算法前端運算的最終形式是視覺芯片，我們基于算法會提供軟硬件一體的解決方案，幫助行業(yè)解決視覺問題。

深圳灣：趙總能介紹一下閱面現(xiàn)在的合作案例嗎？

趙京雷：我們目前在機器人、掃地機器人、車載設(shè)備和 loT 等行業(yè)有很多的合作伙伴，具體可以找個機會做進一步交流。

深圳灣：有人說人工智能就是機器人，趙總同意這個觀點嗎？

趙京雷: （人工智能與機器人）這兩個概念是很不同的，但在某種意義上，也可以這樣說。 機器人在英文中叫做 Robotics，不一定是指人形的機器，其典型特點是，具備了部分人類或者生物認知能力的機器。 另外，機器人不一定要有硬件載體，人工智能算法本身接入虛擬形象也可以成為某種意義上的機器人。

深圳灣：從做算法層產(chǎn)品，到自己做硬件，碰到哪些過坑？ 又是怎么解決這些坑的？

趙京雷： 硬件和算法產(chǎn)品的做法差別非常大，但在目前，要想真正的解決機器視覺的問題，必須要做硬件。另外，做硬件要考慮性能、功耗、價格和供應(yīng)鏈以及與軟件算法的整合優(yōu)化等。幸虧團隊里有硬件產(chǎn)品經(jīng)驗比較豐富的同事，解決起來相對沒那么費勁。我們也一直在加強硬件方面人才的積累。

深圳灣：本地化算法嵌入硬件模塊，沒連接云端能實現(xiàn)大數(shù)據(jù)分析和深度學習嗎？

趙京雷 : 在機器學習中，目前主流的算法分為從大數(shù)據(jù)中去學習的訓練階段，和對新數(shù)據(jù)處理的預測階段。不管算法是運行在云端還是本地，都要先從大數(shù)據(jù)中去習得能力。所以預測端代碼跑在前端還是云端和離線的數(shù)據(jù)處理是沒關(guān)系的，云端的預測模型也需要部署上去，兩者都是基于訓練階段結(jié)合大數(shù)據(jù)訓練出來的。

深圳灣 : 明白，這樣的話，離線的優(yōu)勢確實就比較明顯了。我們現(xiàn)在會接觸到一些機器人并發(fā)現(xiàn)，在語音方面，它們會時常因為鏈接云端而出現(xiàn)聯(lián)網(wǎng)狀態(tài)下反應(yīng)慢的情況，但離線就解決了網(wǎng)絡(luò)延遲時間的問題。

深圳灣：薩曼莎是靠什么？系統(tǒng)算法？未來所謂的機器人是不是都可以如精靈般虛擬的存在著。

趙京雷: 薩曼莎某種意義上是一個「人工智能程序」或算法，也可以稱之為一個機器人，只不過這個機器人沒有傳統(tǒng)意義上的機器人軀干。 她具備了機器人必備的人工智能認知系統(tǒng)，比如語音識別，語言閱讀和理解能力，以及視覺能力（通過連接到互聯(lián)網(wǎng)的各個攝像頭的視頻數(shù)據(jù)進行處理）。未來的機器人可以有硬件載體，也可以是存在于 AR、VR 等場景的虛擬影像。

深圳灣：對于手勢動作的識別（ReadHand），你是怎么解決多角度的識別？ 目前手勢識別的應(yīng)用場景停留在簡單交互的控制上，比如體感游戲、非觸屏幕，這類場景由于限制了用戶與攝像頭之間的距離、角度，因此識別率非常之高，當然算法模型也就可以僅根據(jù)這類場景的樣本進行訓練。但如果打破這個限制，當手勢與攝像頭的環(huán)境變得無法控制時，同個一個定義手勢，就會出現(xiàn)無數(shù)個視覺樣本，這個時候還有可能建立起有效的訓練模型嗎？

趙京雷：關(guān)于手勢識別，主流有 2D 和 3D 的方案，除了 VR 和 AR 中一些需要精確捕捉手部關(guān)節(jié)運動的應(yīng)用，其他手勢都可以使用 2D 來做。2D 的數(shù)據(jù)量比較大，對深度學習尤其適用。影響手勢識別角度的最關(guān)鍵的是手部檢測，也就是把手從圖片中檢測出來。在樣本量夠的情況下，目前深度學習是有能力構(gòu)建非常精確的多角度手部檢測模型。以前，3D 的方法在手部檢測方面比 2D 有明顯優(yōu)勢，但在深度學習和大樣本的情況下，這種優(yōu)勢正在消失。

深圳灣：對于面部表情或手勢等，不同的人，不同的地區(qū)和國家。他們的表現(xiàn)出來的表情和手勢都是不同的，這該如何更有效的識別呢？

趙京雷 : 人類是有共同的認知的，形體和表情的差異基本不大。 另外，人機交互算法提供的是對頭部、手部以及人體的基本檢測、追蹤和基本動作辨識能力?；谥先?gòu)建語義是應(yīng)用層和產(chǎn)品層的事情。完全可以在應(yīng)用層定義不同的含義。

深圳灣：最近有一些消息稱，市面上絕大多數(shù)監(jiān)控攝像頭雖說是高清攝像頭，但實際上，在 10 米之外，攝像頭捕捉到的面孔信息，已經(jīng)非常模糊了。閱面會有這方面的技術(shù)突破嗎？

趙京雷：我們一直在加強對遠距離和模糊信息的處理手段。未來的視覺識別都是「無感」的，也就是不能要求被識別的目標擺 pose，由于運動、角度等影響，真實的圖像質(zhì)量普遍偏低，實際的產(chǎn)品必須要考慮到這些問題。表情識別只是我們解決方案中很小的一部分。

深圳灣：之前有聽說過「計算機做人臉識別會比人更準」這樣類似的話，但是實際上所見到的機器人中并不是這樣，想必這話也不是沒有由來。趙總在人工算法上有深度的研究，想請問什么情況下，會如同所說的比人識別的還要準呢？

趙京雷： 計算機做人臉識別在大部分的情況下遠遠不如人類準，而且在某些特定場景下相差甚遠，因為機器受燈光、角度、模糊影響很大。 在人臉識別領(lǐng)域，有個基本的測試數(shù)據(jù)集叫做 LFW，不同家的算法都會在上面比較一下在這個數(shù)據(jù)集上的精度，這個數(shù)據(jù)集雖然和實用場景還相差甚遠，但為算法研究建立了一個基本的標準。

在 LFW 上，人可以在上面做到 97.5% 的人臉識別準確率，而機器可以做到 99.5% 以上，我們所說的機器比人準，很大程度上來源于此。

深圳灣：在人工智能的憧憬上，我比較向往電影『Her』中的 OS 系統(tǒng)，即能處理程序化的事務(wù)，也能讀懂人類的心理情緒。在識別情緒上，閱面有臉部識別(ReadFace)，可以通過攝像頭實時的識別人臉的情緒變化。但計算機讀懂的只是一個情緒模型的置信值，計算機并不能懂人心情的緣由，因此無法精準的給出正確的反饋。我覺得這是人工智能目前遇到最大的瓶頸，不知道您對此有什么好的想法？

趙京雷：在目前，之所以表情識別是人臉識別中最難的問題，一方面主要是因為數(shù)據(jù)的不一致，人類在某種情感上較難建立標準的定義；另一方面就像你所說的，機器不太能理解面部表情潛在的心情緣由。通過多模態(tài)的輸入，比如結(jié)合體征特征，聲音特征等對情緒進行建模，目前也有人在嘗試，總體進展和實用性不大。

人工智能目前的最大瓶頸其實是在模型本身，現(xiàn)在深度學習模型也只是對人腦的認知機制刻畫了一個皮毛。而對大腦認知結(jié)構(gòu)進一步的認知（比如心理學和生物學），將會對 AI 帶來本質(zhì)性的突破。

深圳灣：機器視覺可以識別捕捉到人臉上微妙的肌肉的變化，包括識別表情，是否考慮和心理學家合作，或者是結(jié)合表情的大數(shù)據(jù)，做出測謊機器人？

趙京雷: 微表情的研究僅僅停留在學術(shù)上，目前工業(yè)實現(xiàn)基本沒有可能。

預告：

這是個能語音編程的未來機器人，和 NXROBO 聯(lián)合創(chuàng)始人聊聊機器人產(chǎn)品的定義｜連線灣星人