前不久，在中文語言理解權(quán)威評測基準(zhǔn)CLUE中，阿里巴巴的AI模型在新聞文本上超越了人類識別精確度。現(xiàn)在“讀圖會意”上，阿里巴巴達(dá)摩院在VQA上也超越了人類，這是榜單設(shè)立6年來的首次。

　　8月12日，國際權(quán)威機器視覺問答榜單VQA Leaderboard出現(xiàn)關(guān)鍵突破：阿里巴巴達(dá)摩院以81.26%的準(zhǔn)確率創(chuàng)造了新紀(jì)錄，讓AI在“讀圖會意”上超越人類基準(zhǔn)。

　　繼2015年、2018年AI分別在視覺識別及文本理解領(lǐng)域超越人類分?jǐn)?shù)后，人工智能在多模態(tài)技術(shù)領(lǐng)域也迎來一大進(jìn)展。

　　“詩是無形畫，畫是有形詩。”宋代詩人張舜民曾描繪語言與視覺的相通之處?！白x圖會意”，即通過視覺理解信息，是人類的一項基礎(chǔ)能力，但對AI來說卻是要求極高的認(rèn)知任務(wù)。

　　解決該挑戰(zhàn)，對研發(fā)通用人工智能有重要意義。近10年來，AI在下棋、視覺、文本理解等單模態(tài)技能上突飛猛進(jìn)，但在涉及視覺-文本跨模態(tài)理解的高階認(rèn)知任務(wù)上，AI過去始終未達(dá)到人類水平。

　　為攻克這一難題而設(shè)立的挑戰(zhàn)賽VQA Challenge，自2015年起先后于全球計算機視覺頂會ICCV及CVPR舉辦，吸引了包括微軟、Facebook、斯坦福大學(xué)、阿里巴巴、百度等眾多頂尖機構(gòu)踴躍參與，并形成了國際上規(guī)模最大、認(rèn)可度最高的VQA(Visual Question Answering)數(shù)據(jù)集，其包含超20萬張真實照片、110萬道考題。

　　VQA是AI領(lǐng)域難度最高的挑戰(zhàn)之一。在測試中，AI需根據(jù)給定圖片及自然語言問題生成正確的自然語言回答。

　　這意味著單個AI模型需融合復(fù)雜的計算機視覺及自然語言技術(shù)：首先對所有圖像信息進(jìn)行掃描，再結(jié)合對文本問題的理解，利用多模態(tài)技術(shù)學(xué)習(xí)圖文的關(guān)聯(lián)性、精準(zhǔn)定位相關(guān)圖像信息，最后根據(jù)常識及推理回答問題。

　　今年6月，阿里達(dá)摩院在VQA 2021 Challenge的55支提交隊伍中奪冠，成績領(lǐng)先第二名約1個百分點、去年冠軍3.4個百分點。兩個月后，達(dá)摩院再次以81.26%的準(zhǔn)確率創(chuàng)造VQA Leaderboard全球紀(jì)錄，首次超越人類基準(zhǔn)線80.83%。

　　VQA的核心難點在于對多模態(tài)信息進(jìn)行聯(lián)合推理認(rèn)知，即在統(tǒng)一模型里做不同模態(tài)的語義映射和對齊。

　　據(jù)了解，達(dá)摩院NLP及視覺團隊對AI視覺-文本推理體系進(jìn)行了系統(tǒng)性的設(shè)計，融合了大量算法創(chuàng)新，包括多樣性的視覺特征表示、多模態(tài)預(yù)訓(xùn)練模型、自適應(yīng)的跨模態(tài)語義融合和對齊技術(shù)、知識驅(qū)動的多技能AI集成等，讓AI“讀圖會意”水平上了一個新臺階。

　　VQA技術(shù)擁有廣闊的應(yīng)用場景，可用于圖文閱讀、跨模態(tài)搜索、盲人視覺問答、醫(yī)療問診、智能駕駛等領(lǐng)域，或?qū)⒆兏锶藱C交互方式。

　　報道顯示，這不是阿里達(dá)摩院第一次在AI關(guān)鍵領(lǐng)域超越人類基準(zhǔn)。2018年，達(dá)摩院曾在斯坦福SQuAD挑戰(zhàn)賽中歷史性地讓機器閱讀理解首次超越人類，引發(fā)海外媒體關(guān)注。

　　今年以來，達(dá)摩院在AI底層技術(shù)領(lǐng)域動作頻頻，先后發(fā)布了中國科技公司中首個超大規(guī)模多模態(tài)預(yù)訓(xùn)練模型M6及首個超大規(guī)模中文語言模型PLUG，并開源了歷經(jīng)3年打造的深度語言模型體系A(chǔ)liceMind(https://github.com/alibaba/AliceMind)，其曾登頂GLUE等六大國際權(quán)威NLP榜單。