[[417746]]

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

在超越人类这件事上，AI 又拿下一分。

就在最近，国际权威机器视觉问答榜单VQA Leaderboard，更新了一项数据：

AI在“读图会意”任务中，准确率达到了81.26%。

要知道，我们人类在这个任务中的基准线，也才80.83%。

而解锁这一成就的，是来自阿里巴巴达摩院团队的AliceMind-MMU。

而此举也就意味着，AI 于2015年、2018年分别在视觉识别和文本理解超越人类之后，在多模态技术方面也取得了突破！

AI比你更会看图

这个AI有多会看图？

来看下面几个例子就知道了。

当你问AI：“这些玩具用来做什么的？”

它就会根据小熊穿的礼服，回答道：

婚礼。

给AI再提一个问题：“男人的橄榄球帽代表哪只球队？”

它会根据帽子中的“B”字母回答：

波士顿球队。

加大挑战难度再来一个。

“图中玩具人的IP出自哪部电影？”

这时候，AI 就会根据图中的玩具，还有战斗场景等信息，做一个推理。

不过最后还是精准的给出了答案：

星球大战。

再例如下面这些例子中，AI都会捕捉图片中的细节信息，来精准回答提出的问题。

嗯，可以说是细致入微了。

怎么做到的？

可能上面的这些案例，对于人类来说并不是很困难。

但对于AI来说，可不是件容易的事情。

一个核心难点就是：

需要在单模态精准理解的基础上，整合多模态的信息进行联合推理认知，最终实现跨模态理解。

怎么破？

阿里达摩院的做法是，对AI视觉-文本推理体系进行了系统性的设计，融合了大量的创新算法。

具体来看，大致可以分为四个内容：

• 多样性的视觉特征表示：从各方面刻画图片的局部和全局语义信息，同时使用Region，Grid，Patch等视觉特征表示，可以更精准地进行单模态理解；
• 基于海量图文数据和多粒度视觉特征的多模态预训练：用于更好地进行多模态信息融合和语义映射，提出了SemVLP、Grid-VLP、E2E-VLP和Fusion-VLP等预训练模型。
• 自适应的跨模态语义融合和对齐技术：在多模态预训练模型中加入Learning to Attend机制，来进行跨模态信息地高效深度融合。
• Mixture of Experts (MOE）技术：进行知识驱动的多技能AI集成。

据了解，模型中涉及技术还得到了专业的认可。

例如多模态预训练模型E2E-VLP，已经被国际顶级会议ACL2021接受。

关于VQA

VQA，可以说是AI领域难度最高的挑战之一。

而对于单一AI模型来说，VQA考卷难度堪称“变态”。

在测试中，AI需要根据给定图片及自然语言问题，生成正确的自然语言回答。

这意味着单个AI模型，需要融合复杂的计算机视觉及自然语言技术：

• 首先对所有图像信息进行扫描。
• 再结合对文本问题的理解，利用多模态技术学习图文的关联性、精准定位相关图像信息。
• 最后根据常识及推理回答问题。

但解决VQA的挑战，对研发通用人工智能具有重要意义。

因此，全球计算机视觉顶会CVPR从2015年起连续6年举办VQA挑战赛。

吸引了包括微软、Facebook、斯坦福大学、阿里巴巴、百度等众多顶尖机构参与。

同时，也形成了国际上规模最大、认可度最高的VQA数据集，其包含超20万张真实照片、110万道考题。

据了解，今年6月，阿里达摩院在VQA 2021 Challenge的55支提交队伍中夺冠，成绩领先第二名约1个百分点、去年冠军3.4个百分点。

而仅仅在2个月后的今天，达摩院再次以81.26%的准确率创造VQA Leaderboard全球纪录。

达摩院对此评价道：

这一结果意味着，AI在封闭数据集内的VQA表现已媲美人类。

相关论文链接：

[1]https://aclanthology.org/2021.acl-long.42/
[2]https://aclanthology.org/2021.acl-long.493/
[3]https://openreview.net/forum?id=Wg2PSpLZiH

VQA示例链接：
https://nlp.aliyun.com/portal#/multi_modal

达摩院AliceMind开源链接：
https://github.com/alibaba/AliceMind