新的 AI 技術發(fā)展趨勢有哪些？多模態(tài)學習技術一定是其中之一。

最近，剛剛宣布“自立門戶”的微軟 AI 明星產品小冰改名為“紅棉小冰”。殊不知 2014 年誕生的這一個 AI 對話機器人已經在 5 年時間里更新到了第七代了，據(jù)稱能力上正在“無限接近人類”。現(xiàn)在的小冰，不僅是那個會作詩的機器人了，她還會唱歌作曲、閱讀朗誦、撰寫新聞，甚至去年還辦了一個虛擬 7 位畫家的個人畫展。多模態(tài)識別技術正是小冰越來越像人一樣溝通表達的關鍵之一。

多模態(tài)技術同樣也在視頻網站、電商物流、自動駕駛等領域得到廣泛。像愛奇藝推出的“只看 TA”功能，優(yōu)酷視頻正在使用的視頻幀、人臉幀的圖向量檢索，都離不開多模態(tài)識別技術的支持。而像京東淘寶等電商平臺的“拍照購”、“拍立淘”的搜索技術背后也都是在計算機視覺技術下，使用了圖像、文本和高層語義屬性等多模態(tài)下的信息融合，才實現(xiàn)高精度的“以圖搜圖”功能。百度提出的“多模態(tài)深度語義理解”，則讓 AI 實現(xiàn)從“看清聽清”到“看懂聽懂”的進化。

可以說，人工智能在通向人的智能的道路上，多模態(tài)學習就是一個繞不開的發(fā)展方向。因為人類本身就是一個多模態(tài)學習的典范。

現(xiàn)在，多模態(tài)學習技術正在帶來眾多全新的應用場景。關注 AI 技術和應用發(fā)展趨勢的你，想必也想了解下多模態(tài)學習的來龍去脈，以及在這些新應用場景中的技術現(xiàn)狀與問題。而這些問題也是本文重點探討的內容。

“多模態(tài)學習”，正式認識下

模態(tài)（Modality），雖然不是我們的日常用語，但卻十分容易理解。

我們每一天都會接觸到各種不同來源和形式的信息。正如我們有視覺、聽覺、嗅覺和觸覺等，那么我們接觸的信息就有視頻、圖像、文字、語音、味道、軟硬度等，這每一種信息的形式就可以稱作一種模態(tài)。

模態(tài)的范圍要比我們的感知能力更寬泛。除了視覺、聽覺獲得的模態(tài)信息，我們也可以利用傳感器獲得諸如雷達、紅外線等不同感應數(shù)據(jù)的模態(tài)信息。

此外，模態(tài)的類型定義也可以非常寬泛，比如我們可以把兩種不同的語言當做是兩種模態(tài)，把不同結構下采集的數(shù)據(jù)，也可以當做兩種模態(tài)。比如，僅僅一個視頻內容數(shù)據(jù)，就是一個高維度、多模態(tài)的數(shù)據(jù)信息，其中包含了標題、簡介、評論、字幕等文本信息，也有視頻幀的圖像、聲音，以及連貫動作視頻片段的視覺、聲音信息。

多模態(tài)學習，從上世紀 70 年代就已經起步，幾經發(fā)展，現(xiàn)在正進入到機器學習特別是深度學習的階段。通常稱為多模態(tài)機器學習（Multi-Modal Machine Learning ，MMML），試圖通過機器學習的方法實現(xiàn)對多源模態(tài)信息進行分析和理解。當前主要熱門的研究方向自然是對圖像、視頻、音頻、語義之間的多模態(tài)學習。

當前，多模態(tài)學習主要研究方向有多模態(tài)表示學習、模態(tài)間映射，多模態(tài)對齊、融合、協(xié)同學習等。

多模態(tài)表示學習，研究如何將多個模態(tài)數(shù)據(jù)所蘊含的語義信息數(shù)值化為實值向量，通俗理解就是對多個模態(tài)的數(shù)據(jù)進行相關性編碼，讓不同模態(tài)建立起映射關系。按多模態(tài)表示共享的方式，主要分為公共表示學習和特異性表示學習，后者由于是分別學習不同模態(tài)的特征，可以應用于諸如零次學習、模態(tài)間映射、跨模態(tài)檢索等任務中。

模態(tài)間映射，研究如何將某一特定模態(tài)數(shù)據(jù)中的信息映射至另一模態(tài)。例如，給定一幅圖像，通過機器學習得到這副圖像的描述，或者給定一段文字，生成一幅匹配的圖像。類似于我們學習中遇到的“看圖說話”和“以題作畫”的問題。模態(tài)間映射早已可以應用于語音合成、圖像視頻描述以及跨模態(tài)檢索等應用中。

此外，多模態(tài)對齊，主要研究如何識別不同模態(tài)之間的部件、元素的對應關系，以促進學習到的多模態(tài)表示更加精確，例如將電影畫面、口型、語音、字幕的自動對齊；多模態(tài)融合，主要致力于不同模態(tài)間的模型與特征的整合，以獲得更全面的特征，提高模型魯棒性，并且保證模型在某些模態(tài)缺失時仍能有效工作；而多模態(tài)協(xié)同學習，主要考慮如何從信息豐富模態(tài)上學習的知識遷移到信息匱乏的模態(tài)，使各個模態(tài)的學習互相輔助。典型的方法包括多模態(tài)的零樣本學習、領域自適應等。

近兩年，隨著機器學習的模型的飛速進展，多模態(tài)學習中出現(xiàn)的映射質量問題、對齊的匹配度量以及融合噪聲干擾等問題，都在實現(xiàn)很好的優(yōu)化解決，為多模態(tài)的落地應用做好了準備。

多模態(tài)學習，正在豐富哪些應用場景？

通過以上解釋可以知道，其實很多我們熟知的 AI 技術都可以歸類到模態(tài)學習當中。比如，像機器翻譯，通過輸入的一種 A 語言即時翻譯為另一種 B 語言，其實質就是一種模態(tài)之間的映射轉化。類似的還有唇讀識別和語音翻譯，也就是分別將唇部視覺和語音信息轉換為文本信息。

在圖像識別中，會應用到一種“圖片語義分割”，即嘗試給圖片的不同像素區(qū)域對應到每一種類型標簽，實現(xiàn)視覺和詞匯的對應。這就是多模態(tài)對齊在空間維度的應用。

當然，基于多模態(tài)數(shù)據(jù)的豐富表示以及映射、對齊和融合的應用，可以將目前 AI 的三種主要感知模態(tài)——語音交互、機器視覺、傳感器智能進行多模態(tài)組合，產生全新的應用場景。

在語音交互上，“多模態(tài)深度語義理解”技術正在為其帶來更深度的應用場景。

對于前幾年的智能音箱，我們都有這樣的感觸，那就是語音交互只能完成簡單的搜索，一旦多聊幾句，就發(fā)現(xiàn)機器人要么只有萬能的“套路”公式，要么就“答非所問”。這一問題的根源就是人工智能無法更好的理解對話者的深層涵義，也沒有靈活的應答機制和內容。此外，也更難理解人的語氣、情緒這類情感模態(tài)信息，當然因為沒有視覺感知，更不可能去理解人的表情、動作、姿態(tài)等信息。

多模態(tài)深度語義理解可以極大改善這類語音交互的語義理解難題。比如，其中一個應用場景是智能汽車的數(shù)字座艙，正在從原本單一的車載語音識別，實現(xiàn)融合視覺、語音、車內外場景圖像的多模態(tài)識別的轉變。

在實際的語音交互中，車載智能助手不僅可以實現(xiàn)語音的識別，也可以通過攝像頭識別人的表情神態(tài)、動作，比如識別疲勞駕駛、分心、發(fā)熱等狀況，以進行即時的語音提醒。語音交互也可以更加以人類的自然語言進行交互，而不必要使用生硬的指令型語言。

而在以機器視覺為主的應用中，多模態(tài)學習技術也帶來新的應用可能。

以電商平臺購物為例，用戶的一大痛點就是看到一些“心水”的好物或者同款，但不知道名字，通過拍照識別和檢索，將為用戶提供最便捷的推薦服務。另外，在電商的智能客服，用戶也希望能夠通過簡單對話或者發(fā)送圖片、視頻的方式處理訂單問題。在這些場景中，跨模態(tài)檢索和映射轉化技術就得到了深度應用。

比如，在商品推薦和信息流廣告中，就需要結合海量商品圖像與對應的商品語義屬性，學習圖像語義特征表達，以提高符合用戶需求的商品推薦度。而與智能客服進行的多輪對話中，融入視覺到語言的跨模態(tài)轉換技術，可以自動實現(xiàn)對用戶上傳的圖片或視頻進行自動應答。

在傳感器智能上，多模態(tài)識別技術可以應用到大量的物聯(lián)網設備場景中。通過在大量的智能設備中增加視覺、溫度、濕度和光線傳感器，來實現(xiàn)多模態(tài)的智能交互。比如在智能空調中，加入語音交互、視覺識別指令，結合傳感器判斷屋內溫度和濕度，可以根據(jù)屋內人數(shù)、位置等因素來實現(xiàn)更精準的控溫方案。而現(xiàn)在更多智能大屏應用，也在將機器視覺、語音交互和一些智能傳感器引入到智能硬件中，實現(xiàn)對屋內光線的調節(jié)、音量、觀看者狀態(tài)（離得是否太近，是否有未成年人）等因素的智能識別和調節(jié)。

而近期，華為推出的一款針對辦公場景的智慧屏幕，可以根據(jù)視頻會議中的發(fā)言對象進行視角跟蹤，將攝像頭跟蹤、焦點人物識別和身份識別結合起來。

正如開始列舉的，多模態(tài)學習技術更主要的應用還是集中在語音和視覺的多模態(tài)識別上。在愛奇藝的“只看 TA”的功能中，除了人臉識別要區(qū)分是真人還是卡通人物，還要對人體信息，甚至還有微表情、身體語言等識別，多模態(tài)技術成為視頻場景中不可缺少的技術支撐。而在未來的聊天機器人或者智能助手上，多模態(tài)學習將幫助智能機器人綜合處理圖像、聲音和文字信息，同時可以進行綜合模態(tài)，甚至包括情感等特征信息的輸出與表達。

技術尚在中途，未來仍需努力

不過，我們仍然需要指出的是，盡管多模態(tài)學習技術已經有諸多的應用場景，但其技術實現(xiàn)仍然有諸多不足，也會有一些場景仍然是“偽多模態(tài)”的技術應用狀態(tài)，導致一些場景體驗仍然不能“盡如人意”。

現(xiàn)在的多模態(tài)技術的結合多為“松耦合”狀態(tài)，各個模態(tài)可以一起工作，但耦合之下還不夠十分緊密。也就是現(xiàn)在更多實現(xiàn)的是兩種模態(tài)信息的轉化和融合。而一旦多種模態(tài)數(shù)據(jù)增加，耦合也會增多，沖突也就會增加，產生各種噪聲。比如，對于聊天機器人，如何在回復的聲音、文本中增加情感特征，就是一件非常困難的事情。因此，我們遇到的一批智能機器人都很容易是冷冰冰的客服腔調，以致于我們確實不好識別對方是真人還是機器人。

多模態(tài)技術主要還是采用已標注的多模態(tài)數(shù)據(jù)來生成深度學習模型，這導致這些模型在真實場景下的泛化能力受到很大限制?，F(xiàn)有的多模態(tài)技術更多要與知識圖譜結合，融入專家、常識等知識，利用數(shù)據(jù)和知識的聯(lián)合來讓多模態(tài)技術建立其“智能”的作用。

此外，正如一位專家指出的，當前的多模態(tài)技術還是屬于狹隘的單任務學習，整個訓練和測試的過程都是在封閉和靜態(tài)的環(huán)境下進行，這就和真實世界中開放動態(tài)的應用場景存在一定的差異性。這距離人類在真實場景中的泛化的多模態(tài)感知相距甚遠。

未來為提高多模態(tài)的泛化感知能力，可以利用元學習的方式來讓模型自己學會如何認知新的多模態(tài)知識，實現(xiàn)適用于開放動態(tài)場景并具備終生學習能力的多模態(tài)模型。

而在推動 AI 的推理能力上，在多模態(tài)模型訓練的過程中，可以引入自監(jiān)督、自學習的推理性任務，“強迫”多模態(tài)模型進行推理和思考，這也能在一定程度上讓機器去慢慢學會推理。

通過多模態(tài)學習技術實現(xiàn) AI 的推理，看起來難度極大，這一假設還需要未來更多實驗和驗證。

總的來說，多模態(tài)技術已經在試圖“復制”人類在日常生活中的各類場景，盡可能把人類的感知信息進行分析處理和整合，并實現(xiàn)更全面綜合的理解，也能結合“數(shù)據(jù)”和“知識”給出相應的回應。但這距離真正的人類級別的智能還有質的差別。

當然，人們對多模態(tài)技術的發(fā)展前景仍然看好，相比于只側重單一模態(tài)的技術，多模態(tài)技術所構建的智能應用場景將更多樣化，也與我們普通人期待的智能生活更近一些。

更何況，多模態(tài)技術仍處在“襁褓狀態(tài)”，我們應該留給它足夠長的成長時間，等待美好發(fā)生。