向善而生的AI助盲，让AI多一点，障碍少一点******

　　有人说，盲人与世界之间，相差的只是一个黎明。在浪潮信息研发人员的心中，失去视力的盲人不会陷入永夜，科技的进步正在力图给每一个人以光明未来。

　　AI助盲在人工智能赛道上一直是最热门的话题之一。以前，让失明者重见光明依靠的是医学的进步或“奇迹”。而随着以“机器视觉+自然语言理解”为代表的多模态智能技术的爆发式突破，更多的失明者正在借助AI提供的感知、理解与交互能力，以另一种方式重新“看见世界”。

　　新契机：多模态算法或将造福数以亿计失明者

　　科学实验表明，在人类获取的外界信息中，来自视觉的占比高达70%~80%，因此基于AI构建机器视觉系统，帮助视障患者拥有对外界环境的视觉感知与视觉理解能力，无疑是最直接有效的解决方案。

　　一个优秀的AI助盲技术，需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展，才能构建信息无障碍的交互界面。仅仅依靠“一枝独秀”超越人类水平的单模态人工智能比如计算机视觉技术还远远不够，以“机器视觉+自然语言理解”为代表的多模态算法的突破才是正确的新方向和新契机。

　　多个模态的交互可以提升AI的感知、理解与交互能力，也为AI理解并帮助残障人士带来了更多可能。浪潮信息研发人员介绍说，多模态算法在AI助盲领域的应用一旦成熟，将能够造福数以亿计的失明者。据世卫组织统计，全球至少22亿人视力受损或失明，而我国是世界上盲人最多的国家，占世界盲人总数的18%-20%，每年新增的盲人数量甚至高达45万。

　　大挑战：如何看到盲人“眼中”的千人千面

　　AI助盲看似简单，但多模态算法依然面临重大挑战。

　　多模态智能算法，营造的是沉浸式人机交互体验。在该领域，盲人视觉问答任务成为学术界研究AI助盲的起点和核心研究方向之一，这项研究已经吸引了全球数以万计的视障患者参与，这些患者们上传自己拍摄的图像数据和相匹配的文本问题，形成了最真实的模型训练数据集。

　　但是在现有技术条件下，盲人视觉问答任务的精度提升面临巨大挑战：一方面是盲人上传的问题类型很复杂，比如说分辨冰箱里的肉类、咨询药品的服用说明、挑选独特颜色的衬衣、介绍书籍内容等等。

　　另一方面，由于盲人的特殊性，很难提取面前物体的有效特征。比如盲人在拍照时，经常会产生虚焦的情况，可能上传的照片是模糊的或者没有拍全，或者没拍到关键信息，这就给AI推理增加了难度。

　　为推动相关研究，来自卡内基梅隆大学等机构的学者们共同构建了一个盲人视觉数据库“VizWiz”，并发起全球多模态视觉问答挑战赛。挑战赛是给定一张盲人拍摄的图片和问题，然后要求给出相应的答案，解决盲人的求助。

　　另外，盲人的视觉问答还会遭遇到噪声干扰的衍生问题。比如说，盲人逛超市，由于商品外观触感相似，很容易犯错，他可能会拿起一瓶醋却询问酱油的成分表，拿起酸奶却询问牛奶的保质期等等。这种噪声干扰往往会导致现有AI模型失效，没法给出有效信息。

　　最后，针对不同盲人患者的个性化交互服务以及算法自有的反馈闭环机制，同样也是现阶段的研发难点。

　　多解法：浪潮信息AI助盲靶向消灭痛点

　　AI助盲哪怕形式百变，无一例外都是消灭痛点，逐光而行。浪潮信息多模态算法研发团队正在推动多个领域的AI助盲研究，只为帮助盲人“看”到愈发精彩的世界。

　　在VizWiz官网上公布的2万份求助中，盲人最多的提问就是想知道他们面前的是什么东西，很多情况下这些物品没法靠触觉或嗅觉来做出判断，例如 “这本书书名是什么？”为此研发团队在双流多模态锚点对齐模型的基础上，提出了自监督旋转多模态模型，通过自动修正图像角度及字符语义增强，结合光学字符检测识别技术解决“是什么”的问题。

　　盲人所拍摄图片模糊、有效信息少？研发团队提出了答案驱动视觉定位与大模型图文匹配结合的算法，并提出多阶段交叉训练策略，具备更充分的常识能力，低质量图像、残缺的信息，依然能够精准的解答用户的求助。

　　目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点，在AI助盲领域斩获世界冠军两项、亚军两项。

　　真实场景中的盲人在口述时往往会有口误、歧义、修辞等噪声。为此，研发团队首次提出视觉定位文本去噪推理任务FREC，FREC提供3万图片和超过25万的文本标注，囊括了口误、歧义、主观偏差等多种噪声，还提供噪声纠错、含噪证据等可解释标签。同时，该团队还构建了首个可解释去噪视觉定位模型FCTR，噪声文本描述条件下精度较传统模型提升11个百分点。上述研究成果已发表于ACM Multimedia 2022会议，该会议为国际多媒体领域最顶级会议、也是该领域唯一CCF推荐A类国际会议。

　　在智能交互研究方面上，浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA，同时给出首个智能体交互行为理解算法模型ARE。该研究成果已发表于ACM Multimedia 2022会议。该研究项目的底层技术未来可广泛应用于AI医疗诊断、故事续写、剧情推理、危情告警、智能政务等多模态交互推理场景。

　　眼球虽然对温度并不敏感，但浪潮信息的研发团队，却在努力让盲人能“看”到科技的温度，也希望吸引更多人一起推动人工智能技术在AI助盲、AI反诈、AI诊疗、AI灾情预警等更多场景中的落地。有AI无碍，跨越山海。科技的伟大之处不仅仅在于改变世界，更重要的是如何造福人类，让更多的不可能变成可能。当科技成为人的延伸，当AI充满人性光辉，我们终将在瞬息万变的科技浪潮中感受到更加细腻温柔的善意，见证着更加光明宏大的远方。

能写论文能聊天的机器人是“天使”还是“魔鬼”******

　　■ 专栏

　　ChatGPT只是将人从简单的脑力劳动中解放出来，让人能够更多地投入到复杂的脑力劳动中。

　　当地时间2月1日，美国人工智能研究公司OpenAI，推出ChatGPT付费订阅版ChatGPT Plus，每月收费20美元。自2022年11月30日发布模型至今，聊天机器人ChatGPT正式踏上了商业变现之路。

　　这也意味着，ChatGPT迅速成为了新的风口。微软已经打算把旗下产品全面接入ChatGPT；美版头条BuzzFeed因让ChatGPT上岗写文章，两天内股价上涨3倍；老牌搜索引擎公司谷歌已经在担心自己会被ChatGPT取代；国内也有搜索巨头发布预告，称其即将发布中国版ChatGPT，国内资本市场AI(人工智能)概念股应声而涨。

　　可以说，ChatGPT的正式商用，将把AI带进一个全新世界。

　　ChatGPT被普遍认为是个新风口

　　人机对话，一直是从业者孜孜不倦研究的课题。

　　之前，我们也接触过比如Siri(语音助手)，比如各种智能音箱，但最多只能问问天气，问问一些能搜索到的知识。关键是，你还必须按照标准方式去问，它才能理解，才能给出回答，而且很多回答要么是答非所问，要么就是标准话术。

　　ChatGPT不一样，只需要你用自然的语言和它对话，它就能理解，不需要标准格式。和它对话，就像和人对话一样，这才是真正的人机对话。

　　此外，ChatGPT还有一个智慧的大脑，贮备了丰富的知识，能够给对方一些比较精准的建议，或者提供多个建议供你选择。它还能通过对方的反馈，借助于多轮对话，逐步提高回答的精准度。这已经就和人非常相似了。

　　而且，ChatGPT还能够将答案以一种人容易理解的语言组织起来，生成人容易理解的答案。总而言之，它是和人高度相似的说话机器，在知识量方面又远超个人，无人能及。因此，AlphaGo之后，ChatGPT被普遍认为是一个新风口。

　　把人从简单脑力劳动中解放出来

　　正因为ChatGPT如此强大，也让人们有些担忧。

　　如果程序员都借助于ChatGPT写程序，一些初级的程序员就可能失去工作；如果设计部门、策划部门大规模使用ChatGPT，一些初级的设计师、策划人员也可能被取代。甚至那些我们认为不可取代的门诊医生，如果ChatGPT学习能力越来越强，又有什么理由说不可取代？

　　因此，我们需要思考的是，ChatGPT带来的变革是巨大的，人类是否对此做好了充分的准备？

　　当然，ChatGPT也不是魔鬼。一种新的技术的到来，必定会淘汰一些技术和技能，但同时就会有新的需求出现。只是，在时代的大潮中，人类只能去适应，而不是抗拒，去拥抱变化，而不是墨守成规。

　　比如，历史上，蒸汽机、电力、电子计算机的出现，无不是为了解放人类，将人类从繁重的体力劳动中解放出来，更多地投入到脑力劳动中去。ChatGPT也只是将人从简单的脑力劳动中解放出来，让人能够更多地投入到复杂的脑力劳动中。

　　国内公司也已经开始发力新赛道

　　ChatGPT火爆全球，国内的巨头们自然也不会错过这个机会，且已有公司率先发力成为ChatGPT类应用的玩家，并计划在今年3月份推出类似ChatGPT的应用。

　　对于这种必须直接面对的竞争威胁，国内公司也可以说是早就做好了相关准备。比如，去年火爆一时的AI绘画，就是一个AI艺术和创意辅助平台，也是依托技术创新推出的AI绘画产品。

　　完全可以预见，以国内公司在此方面的积累，加入ChatGPT类应用竞赛的中国玩家，也将带动国内相关各方在这一全新赛道上奔跑起来。

　　自从有了语言，猿人就变成了智人。而自从成为了智人，人类的发展突飞猛进。在人类漫长的历史长河中，语言扮演着无比重要的角色。

　　而今，机器解决了语言问题，能够听懂人话了、开始说人话了，其是否也会带来一场暴风骤雨般的革命？ChatGPT给我们带来了无尽的想象空间。

　　□刘兴亮(DCCI互联网研究院院长)