自1956年达特茅斯会会议以来，人工智能已经深深地印在了信息技术的发展史上。经过60多年的发展和沉淀，AI技术得到了广泛的传播，到现在已经不是什么新鲜事了。从概念到实践，从技术到产品，AI技术已经在智能客服、智能家居、医疗、工业机器人、无人驾驶等多个领域开花结果。

计算机视觉技术堪称AI皇冠上的一颗明珠，无论是技术深度还是商业应用都走在行业前列。9月5日，腾讯云TVpAI技术闭门会邀请计算机视觉领域的技术专家、学者和资深从业者在线研讨，层层深入解构计算机视觉技术，从个性化商业实践中探索共同发展方向，勾勒行业进一步发展的潜在蓝图。

面向大规模着陆的视觉AI技术

“视觉AI技术的严谨名称是计算机CV。以前AI就是AI，CV就是CV。近年来，随着深度学习的普及，出现了统一和融合的趋势，于是就有了现在的视觉AI。在ToB领域，视觉AI技术已经渗透到很多行业，开启了一轮大规模落地之旅。”

优图实验室-昊天Research Center主管专家研究员郭晓威，老师向与会人员介绍了视觉AI技术的历史渊源。他表示，视觉AI的基本任务是读图，目前大众熟知的商业应用案例包括人脸核心、内容理解与广告推荐、泛娱乐、内容评论等方向。目前已经深度融合，尤其是在教育、工业、支付、广播等行业。

郭晓威表示，影响AI规模和商业化的因素无非是三个：成本、安全和数据。

成本：数据、设备、人才、市场培育和开发，这些都需要大量的资金投入，成本高。

安全：精准可靠，在某些领域，比如医疗行业，AI只能给出参考，对于解决医生的痛点帮助不够。

data :AI所需要的数据，尤其是细分后的场景数据，难以获取和标注，数据隐私问题也是一大制约。

细分之下，有五大规模落地挑战需要解决。

挑战1 :贴标成本太高，如何降本增效

业内曾有一句自嘲的话，说智力和工人一样多。这句话道出了标注成本高的痛点。如何通过技术手段降低成本，提高效率？郭晓威说，主动学习是一个有效的解决方案。主动学习的好处是不需要标注全部量，只需要不到体验中标注总量的一半。这个过程可以边学习边筛选，直到收敛。为此，他引用了优图实验室智慧医疗场景下的糖网分类识别案例。在这种情况下，基于信息熵和特征空间密度的主动学习在优图， 腾讯，取得了同样的效果，标注成本是节省，的一半以上，当标注顺序达到几十万时，节省成本可能达到几百万。

挑战2 :数据太少，训练效果差。我该怎么办

第二个挑战是数据量太小，影响训练效果。在ToC方案中，获取数据的方式相对容易，数据量相对较大，但在ToB方案中，则完全相反。在这种情况下，样本增强、小样本学习、GaN等技术值得推荐。特别是对于小样本学习，它支持非常少量的样本训练，最大限度地利用现有样本，达到最大可能的泛化效果。在货架产品识别和小样本学习技术方面，优图，腾讯相对于行业主流方案提出了样本构成、损失函数和后处理三项创新，取得了比优化前提高10-30个百分点的显著效果，与全样本差距小于10%。

挑战三：数据太少。你能伪造它吗？

其实第三个问题是问第二个问题，是不是可以通过数据生成或者伪造数据的方式来弥补数据的不足。GAN是近年来流行的对抗生成技术，其本质是通过生成器学习符合目标分布的数据，被称为“无中生有”。郭晓威说，如果GAN的结果符合目标的真实分布，还是可以发挥一些作用的。不过这种效果可能还是分场景的，并不是每一个场景都会有很好的效果，所以需要精心设计。

郭晓威提到了一个车型识别的案例，对于人工智能来说，白天场景下的车型识别相对容易，但在夜间场景下就比较难了。一是这类数据量相对较少，二是光线昏暗不利于人工标注。优图实验室的解决方案是利用CycleGAN技术，利用大量的白天数据自动生成并模拟夜间数据，然后将模拟的夜间数据与真实的夜间数据混合进行训练，最终成功提升夜间识别效果。

挑战4 :业务场景多变，AI泛化能力差，调优太慢

技术上来说，在特定场景下训练出来的表演效果可以很好，但是换了场景之后效果会直线下降。在解决方案上，技术手段应该是场景迁移，常用的手段是迁移学习，最简单的方法是在训练前标记目标数据。但是这种情况下需要大量的标注数据，从标注采集到训练通常需要很长的时间。郭晓威推荐的域自适应技术，能够快速适应新场景，具有成本低、效果好、普遍适用等优点。

针对现场自适应技术，优图实验室提出了创新的ReID技术，具体原理和效果如下图：所示

挑战5 :AI需要海量数据，如何保护客户/用户隐私？

AI的成长需要海量的训练数据，来自场景的数据可以最大化效果。但通常情况下，场景中的数据也涉及到隐私问题。在许多情况下，用户数据不能离开本地区域。有吗

« 熊掌号原始保护权的大量网站被降低了 | 京东降权多久才能恢复？ »