(相關(guān)資料圖)

經(jīng)濟觀察網(wǎng) 記者 任曉寧 9月3日，2022世界人工智能大會期間，騰訊優(yōu)圖實驗室總經(jīng)理吳運聲向經(jīng)濟觀察網(wǎng)記者介紹了騰訊在AI視覺領(lǐng)域的最新進展。以前，AI識別需要標注幾千張圖片，訓(xùn)練之后才能做出識別。現(xiàn)在，小樣本或者無樣本標注，AI也能做到90%成功率的識別。

優(yōu)圖是騰訊位于上海的AI實驗室，主要側(cè)重人工智能視覺領(lǐng)域。在小樣本識別方面，目前優(yōu)圖已經(jīng)有了成功案例，其和交通銀行(601328)一起研究AI識別單據(jù)的模型，用5張樣本訓(xùn)練，可以做到90%準確率。

現(xiàn)在之所以能做到小樣本識別，是因為使用了不同的AI訓(xùn)練邏輯。以前的AI識別模型是用大量的數(shù)據(jù)“喂”出來的，一個場景至少需要標注并訓(xùn)練幾千張圖片。現(xiàn)在的邏輯是，從人的角度去理解一個場景，比如識別一個釣魚的場景，不再先標注幾千張釣魚的照片讓AI學(xué)習(xí)，而是定義了一個邏輯：當有水面，有人，有桿子，桿子上有一條線時，很可能就是一個人在釣魚。

“過去我們面臨的主要課題是如何把相對標準化的功能做好，比如文字識別、車牌號識別，如今這些基礎(chǔ)的辨識工作，AI早已輕車熟路。一個新的課題是如何解決大量非標準化的中長尾功能，邁向更加豐富、更加細粒度的元素識別時代。”吳運聲告訴記者。小樣本或無樣本識別的主要價值在于節(jié)省工作量。當常見的標準化場景已基本識別完畢后，非標準的場景可能還有幾百萬種，如果按照之前的訓(xùn)練方式，龐大的工作量是很難完成的。并且，隨著場景深入，AI需要識別更加細致的內(nèi)容，比如以前只能識別人臉，之后人體的每一部分，眉毛、眼睛、嘴巴都需要識別，這些工作量也很龐大。

騰訊優(yōu)圖實驗室成立于2012年，吳運聲在實驗室成立之初就擔任負責人，從零開始搭起了優(yōu)圖實驗室。他告訴記者，今年他的工作角色有了一些變化，之前他只負責算法等技術(shù)研究，現(xiàn)在則兼任政企業(yè)務(wù)線產(chǎn)研負責人，更深入地接觸工業(yè)、能源、運營商、文旅、地產(chǎn)等產(chǎn)業(yè)，打磨AI落地的場景。

吳運聲也介紹了去年至今騰訊優(yōu)圖AI落地的情況。在工業(yè)領(lǐng)域，去年，騰訊與立鎧精密達成合作，在了解到立鎧精密存在“硬件缺陷多樣、成像復(fù)雜”等質(zhì)檢難題后，優(yōu)圖自研了AI質(zhì)檢算法，解決了人工目視質(zhì)檢的難題，實現(xiàn)漏檢率接近于0，立鎧精密每年可節(jié)省超千萬的支出。在金融、傳媒等行業(yè)，優(yōu)圖的AI技術(shù)也加快了落地。