9.3.2 信息理解
即便承认计算机现在拥有了接近人类水平的声音、图像“识别”能力，但“理解”能力，如解决图片中不同对象的常识关联这类问题，毫无疑问依然是人类的优势项目。人类对图像的感知远不止“图片上的物体是什么”，而是对图片上各种对象、行为、逻辑关系等的综合认知，这里面有大量信息并不是蕴含在图像中的，而是源于日常生活中建立的常识概念。譬如图 9-4 所示的两张图片，人类看到后可以很轻易地建立“棒球手在准备挥动球棒”和“巴士在一栋很高的建筑物旁边”这样的认知，这里棒球手有挥棒击球的能力，建筑物相对于汽车算高而相对于高山算矮，都不是在图片中能获得的信息。在多模态大模型成熟以前，机器要给这样的图片生成文字描述，就必须有大量与图片对应的常识库支持，再配合上下文相关的学习技巧才能够实现，非常依赖人力资源。
2017 年 7 月，计算机视觉领域的顶级会议“计算机视觉与模式识别大会”（Computer Vision and Pattern Recognition，CVPR）以“超越 ILSVRC”（BeyondILSVRC）为主题举行研讨会，公布了 2017 年 ILSVRC 的比赛结果。同时，李飞飞宣布由于计算机在图像分类识别上已达到了预期的目标，ILSVRC 的历史使命已经完成，继续举办不会带来更多实质性的新贡献，计算机视觉乃至整个人工智能发展史上的里程碑—历时七年的 ImageNet 大规模视觉识别挑战赛将在 2017 年正式结束。这个完结宣言同时也是新征程的起点，此后，计算机图像识别更专注于目前尚未解决的、偏重于图像理解方面的问题。接替ILSVRC 的候选之一是苏黎世理工大学和谷歌等联合提出的 WebVision 大赛，该比赛的目标也从图像分类逐步过渡到图像理解上。
第 9 章 与机器共生
361