突破！阿里達摩院刷新VQA紀錄，AI再次超越人類

近年來，在深度學習和大數(shù)據(jù)的支撐下，自然語言處理技術(shù)迅猛發(fā)展。而預訓練語言模型把自然語言處理帶入了一個新的階段，得到了工業(yè)界的廣泛關(guān)注。隨著技術(shù)的發(fā)展，阿里巴巴達摩院在通用語言的基礎(chǔ)上，已拓展到多語言、生成式、多模態(tài)、結(jié)構(gòu)化、知識驅(qū)動等領(lǐng)域，不僅節(jié)省了大量的時間成本，還提高了效率。

8月12日，國際權(quán)威機器視覺問答榜單 VQA Leaderboard 出現(xiàn)了關(guān)鍵突破：阿里巴巴達摩院以81.26%的準確率創(chuàng)造了新紀錄，讓 AI 在“詩圖會意”上首次超越人類基準。這是繼2015年、2018年 AI 分別在視覺識別及文本理解領(lǐng)域超越人類后，人工智能在多模態(tài)技術(shù)領(lǐng)域也迎來一大進展。

（達摩院AliceMind在VQA Leaderboard上創(chuàng)造首次超越人類的紀錄）

VQA是什么？

近10年來，AI技術(shù)保持高速發(fā)展，AI在下棋、視覺、文本理解等單模態(tài)技能上突飛猛進，比如在視覺理解領(lǐng)域，以CNN為代表的卷積累模型2015年在ImageNet視覺分類任務(wù)上超越了人類成績；在文本理解領(lǐng)域，2018年微軟與阿里幾乎同時在斯坦福SQuAD挑戰(zhàn)賽上讓AI閱讀理解超越了人類基準。

然而，在視覺問答VQA(Visual Question Answering）這一涉及視覺-文本跨模態(tài)理解的高階認知任務(wù)上，AI過去始終未能達到人類水平的突破。

隨著深度學習、視覺理解、文本理解等領(lǐng)域高速發(fā)展，自然語言處理技術(shù)與計算機視覺交融逐漸成為多模態(tài)領(lǐng)域重要的前沿研究方向。其中，VQA是多模態(tài)領(lǐng)域挑戰(zhàn)極高的核心任務(wù)，解決VQA挑戰(zhàn)，對研發(fā)通用人工智能具有重要意義。

為鼓勵攻克這一難題，全球計算機視覺頂會CVPR從2015年起連續(xù)6年舉辦VQA挑戰(zhàn)賽，吸引了包括微軟、Facebook、斯坦福大學、阿里巴巴、百度等眾多頂尖機構(gòu)踴躍參與，形成了國際上規(guī)模最大、認可度最高的VQA數(shù)據(jù)集，其中包含超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)學習圖文的關(guān)聯(lián)性、精準定位相關(guān)圖像信息，最后根據(jù)常識及推理回答系列問題。

今年6月，阿里達摩院在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，達摩院再次以81.26%的準確率創(chuàng)造VQA Leaderboard全球紀錄，首次超越人類基準線80.83%。

這一結(jié)果意味著，AI在封閉數(shù)據(jù)集內(nèi)的VQA表現(xiàn)已媲美人類。

面對更開放的現(xiàn)實世界，AI一定會遇到新的挑戰(zhàn),需要喂更多的數(shù)據(jù)、進一步提升模型。但和CV等領(lǐng)域的發(fā)展一樣，這一結(jié)果依然具有標志性意義，相信VQA技術(shù)在現(xiàn)實中的表現(xiàn)提升只是時間問題。

（VQA技術(shù)自2015年的進展）

VQA“學霸”如何煉成？

VQA挑戰(zhàn)的核心難點在于，需在單模態(tài)精準理解的基礎(chǔ)上，整合多模態(tài)的信息進行聯(lián)合推理認知，最終實現(xiàn)跨模態(tài)理解，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，為了解決VQA挑戰(zhàn)，基于阿里云PAI 平臺及EFLOPS框架的工程底座，達摩院語言技術(shù)實驗室及視覺實驗室對AI視覺-文本推理體系進行了系統(tǒng)性的設(shè)計，融合了大量算法創(chuàng)新，包括：

（1）多樣性的視覺特征表示，從各方面刻畫圖片的局部和全局語義信息，同時使用Region，Grid，Patch等視覺特征表示，以更精準地進行單模態(tài)理解；

（2）基于海量圖文數(shù)據(jù)和多粒度視覺特征的多模態(tài)預訓練，用于更好地進行多模態(tài)信息融合和語義映射，創(chuàng)新性地提出了SemVLP，Grid-VLP，E2E-VLP和Fusion-VLP等預訓練模型；

（3）研發(fā)自適應(yīng)的跨模態(tài)語義融合和對齊技術(shù)，創(chuàng)新性地在多模態(tài)預訓練模型中加入Learning to Attend機制來進行跨模態(tài)信息地高效深度融合；

（4）采用Mixture ofExperts (MOE)技術(shù)進行知識驅(qū)動的多技能AI集成。

其中自研的多模態(tài)預訓練模型E2E-VLP，StructuralLM已被國際頂級會議ACL2021接受。

模型大圖如下：

這不是達摩院第一次在AI關(guān)鍵領(lǐng)域超越人類。

早在2018年，作為業(yè)界最早投入預訓練語言模型研究的機構(gòu)之一，達摩院前身IDST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，轟動全球。

今年以來，達摩院在AI底層技術(shù)領(lǐng)域動作頻頻。

從3月起，達摩院先后發(fā)布了中國科技公司中首個超大規(guī)模多模態(tài)預訓練模型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 AliceMind（https://github.com/alibaba/AliceMind），其曾登頂 GLUE等六大國際權(quán)威NLP榜單。

VQA考高分有什么用？

達摩院語言技術(shù)實驗室負責人司羅認為，“人工智能分為計算智能、感知智能、認知智能、創(chuàng)造智能四個層次?！?/p>

本次，AI在視覺—文本跨模態(tài)理解及推理上媲美人類的水平，意味著AI向認知智能邁進了關(guān)鍵一步。

據(jù)了解，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、虛擬主播等領(lǐng)域，或?qū)⒆兏锶藱C交互方式。目前，VQA技術(shù)已在阿里內(nèi)部廣泛應(yīng)用于商品圖文理解、智能客服等場景。

在阿里平臺上，達摩院VQA能力已實現(xiàn)大范圍工業(yè)應(yīng)用落地，典型VQA應(yīng)用包括：

（1）商品圖文信息理解：數(shù)萬家淘寶天貓商家開通使用店小蜜客服VQA視覺問答功能，AI幫助提升了提問解決率，優(yōu)化了買家體驗，降低了商家配置工作量。盒馬、考拉的客服場景，閑魚的圖文同款匹配場景也接入了VQA能力。

淘寶店小蜜VQA能力詳解：

a)商家精心制作的商品詳情海報內(nèi)，蘊含著大量有價值的商品信息。

b)消費者對商品進行提問時，AI客服可通過理解、檢索商品海報進行回答，如裁切一張小圖作為答案，一方面為消費者帶來了更好的交互體驗，另一方面為賣家節(jié)省了大量配置成本。

VQA不僅可以回答事實類問題，還可以回答非事實類、主觀類問題。

（2）直播視頻交互：VQA技術(shù)被應(yīng)用于智能直播間等多模態(tài)人機交互場景中，幫助解決直播中多模態(tài)劇本構(gòu)建、多模態(tài)語義問答等問題。

（3）多模態(tài)搜索：基于創(chuàng)新性的多模態(tài)預訓練方法，達摩院為AliExpress訓練了電商多模態(tài)通用模型，應(yīng)用于搜索query相關(guān)性排序等需要圖文理解的場景，有效提升了搜索相關(guān)性。

據(jù)悉，VQA技術(shù)在電商領(lǐng)域成熟運用后，阿里計劃將其推廣至醫(yī)療問診等更廣泛的社會應(yīng)用領(lǐng)域。

VQA考卷有多難？

對單一AI模型來說，VQA考卷難度堪稱“變態(tài)”。

要拿到漂亮的分數(shù)，AI不僅要修煉好圖像識別、文本識別、文本理解等基本功，還要解鎖計數(shù)、讀鐘表、推理認知等附加技能，此外還必須擁有百科全書的豐富常識。

比如，在下面這道VQA考題中，根據(jù)有禮服裝飾的小熊玩具照片+圖片“這些玩具用來做什么的？”AI需要成功推理出一個可能的答案“婚禮”。

6年前，這些問題對AI來說難度極高。經(jīng)過多年的技術(shù)積累，達摩院AliceMind在VQA測試中拿到了超81分的成績，基本達到普通人看圖問答的水準。

相信AI未來將給人類帶來更多驚喜。

論文鏈接：

1. E2E-VLP: End-to-EndVision-Language Pre-training Enhanced by Visual Learning, ACL2021

2. A Structural Pre-trained Modelfor Table and Form Understanding, ACL 2021

3. SemVLP: Vision-LanguagePre-training by Aligning Semantics at Multiple Levels