机器学习——缓解人工标注的压力

提到人工智能产业，人们往往联想到繁华的城市和干练的IT精英，但实际上，支撑起人工智能的数据标注产业，却是一个劳动密集型产业。百度搜索“数据标注”，会出现很多图片语音视频数据采集、标注公司。随机选择一个此类词条点进去，往往会看到“万人数据标注团队”等类似宣传语。可见人工标注是目前数据标注的主要方式。

“谷歌推出的流体标注模型主要利用人工智能学习的基础，对图像数据进行自动标注，对于标注不准确或者出现偏差的地方可以通过人工调整，从而提高标注效率。”秦志刚指出，即便该模型可借助机器学习提升标注速度，但最初还需进行人为地数据标注，为其提供初始训练数据集。事实也正是如此，为了标注图片，谷歌预先以约一千张具有分类标签和信任分数的图片训练了语意分割模型。

但该模型尚不完美，谷歌称，物体边界标记问题、界面操作速度以及类别扩展等仍需进一步研究或完善。

人工智能——致力于生活中的简单应用

虽然还有诸多难题尚待攻克，但以流体标注模型为代表的数据标注新方式无疑顺应着人工智能的大潮流。实际上，自人工智能逐渐走热以来，很多行业都想搭上这个热潮。然而，在灼热的潮流背后，掩藏着一个根本性的问题：人工智能终将走向何方？

“人工智能的本质是机器拥有‘学习’的能力，可想而知，人工智能可以极度缩短人类自身的学习时间，从而将人从大规模脑力学习活动中解放出来，去专注于更有价值的工作。”秦志刚表示，虽然人们普遍认为人工智能终将到来，但现阶段人工智能产业仍在云端。目前大多数人工智能的应用只能生存在高性能处理器的大型厂房中，就如同第一代通用计算机ENIAC一样“大而笨重”。“众所周知，随后的几十年内计算机飞速发展到小型的笔记本电脑，功能却比ENIAC更强大。人工智能也当如此”。

相关报道: