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。
《美丽河北》慢直播:慢下来,看见美好生活******
光明日报记者 耿建扩 陈元秋
近期,伴随一日三餐,准时打开电视收看河北台《美丽河北》慢直播节目,已经成为河北正定居民李建国雷打不动的习惯。而对于在北京工作生活多年的河北小伙张佳嘉来说,闲暇时分通过手机观看《美丽河北》慢直播,浏览家乡的美景美物,则让他的乡愁得到了慰藉。
河北广播电视台于今年10月推出的《美丽河北》慢直播节目,已经逐渐走进百姓视野,融入日常生活,成为展示河北、服务受众的一个亮丽窗口。
“用慢镜头观照当下生活,用最直接、最真实的画面展现河北大地的生态环境之美和地理人文之美,这是《美丽河北》慢直播的立意初衷,更是融媒生态下广电节目的一次全新探索与尝试。”河北广播电视台党委书记、台长武鸿儒说。
对于节目直播团队来讲,这也是一次全新的挑战。节目直播团队负责人乔晓曦表示:“面对不同平台不同受众提供多元选择,还要兼顾收视的良好体验,特别是在电视端长时段的慢直播,在全国都是首创。直播点位的统筹选择、气候变化的及时应对、网络传输的技术保障,这些都是节目面对的难点。”
“做加法易,做减法难”,这是乔晓曦在节目制作的这几个月里最深刻的体会。用最简单的慢直播镜头叙事,不要特技渲染、没有舞台支撑、不需文字脚本,想要将电视节目的基础题做成高分题,难上加难。
主创团队几经摸索,不断改进,形成了目前以单元式结构为框架,以直播点位即时影像呈现为基础,辅之以相应季节、时间相近的拍摄短片展现为补充的节目样态。节目分为“曙光”“正午”“暮色”三大版式,河北卫视、河北公共两个频道每天早中晚三个时段大屏呈现;“冀时”客户端则覆盖全省多个点位,进行全天候直播;IPTV平台“冀时”板块,也开通了“正在直播”“直播回看”“精彩集锦”“定点直播”等功能。主创团队力求通过大小屏联动,节目以时空交错的慢直播镜头,向全国受众实时呈现燕赵大地生态文明建设的和谐图景。
构建覆盖全省的慢直播素材体系工程庞大,所有镜头安装需要充分考虑节目直播需要,保证每期节目有点有面,有静有动,有远有近,多角度展现美丽风光,这也是节目制作中遇到的一大难题。
“面广、点多,还要让镜头动起来、美起来”,为此,节目技术团队负责人靳瑞勇带领团队成员跑遍了全省各地,遴选各地的标志性景点铺设专门用于直播的高清摄像头。截至目前,节目直播布点已实现全省14个地市(含雄安新区、定州、辛集)全覆盖,共计83个景点、116路直播信号,并还在陆续拓展中。在选景方面,团队首选燕赵脊梁太行山、水润燕赵白洋淀、历史名城正定等河北最具代表性的旅游名胜和景观打卡地。同时,逐渐拓展视角,把直播的镜头延伸到燕山南北、长城内外、山乡名城、山水之间、传统村落,用浸润着情感的镜头诠释河北的山河壮美、城乡洁美、风光秀美、人文致美。
“美不仅是光和影的艺术,美还要有主题”,节目采集制作团队负责人朱新介绍,节目题材的选择越来越广泛,主题越来越突出,既有代表雄浑壮阔气质的燕山和太行山,也有体现燕赵乡村婉约柔美的水乡水镇,既有体现河北深厚历史文化、具有古典之美的长城古塞、古刹古塔,又有展示现代城乡人民生活风貌和丰衣足食的场景,既有自然之美,又有人文之美,既有历史之美,又有现代之美。
想要记录下最美的场景,各种艰辛自不必说。“制作团队在太阳还没露脸时就得蹲守等待,用镜头留住红日喷薄而出的瞬间。鸟儿还没有睡醒时,悄悄等待它们起飞的一刻,让飞翔与山水、草木一起收入画面。慢直播的镜头里沉浸的是工作人员发现美、追逐美的执着心境与辛苦付出。”河北公共频道总监王磊介绍。
《美丽河北》慢直播上线以来,其创新性探索得到了业内专家广泛关注。中国传媒大学艺术研究院教授王黑特认为,该节目体现出全媒时代以人为本的传播策略,天然去雕饰的呈现内容让人自然对节目产生了亲近感。湖南广播电视台高级编辑吴涛告诉记者:“看到河北台场景化系统化生态化地呈现美丽河北,自己深深为广电媒体运用互联网思维探索的传播创新所鼓舞。”
慢下来,看见美好生活。《美丽河北》这档首上荧屏的“慢直播”,让地域生态之美可感、可知,让生态保护之益可鉴、可学,正在勾起无数燕赵儿女的“深乡愁”,也吸引着越来越多的游客前来燕赵大地旅游打卡。
《光明日报》( 2022年12月21日 09版)
(文图:赵筱尘 巫邓炎)