近年來(lái)，在深度學(xué)習(xí)和大數(shù)據(jù)的支撐下，自然語(yǔ)言處理技術(shù)迅猛發(fā)展。而預(yù)訓(xùn)練語(yǔ)言模型把自然語(yǔ)言處理帶入了一個(gè)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(dá)摩院在通用語(yǔ)言的基礎(chǔ)上，已拓展到多語(yǔ)言、生成式、多模態(tài)、結(jié)構(gòu)化、知識(shí)驅(qū)動(dòng)等領(lǐng)域，不僅節(jié)省了大量的時(shí)間成本，還提高了效率。

8月12日，國(guó)際權(quán)威機(jī)器視覺(jué)問(wèn)答榜單 VQA Leaderboard 出現(xiàn)了關(guān)鍵突破：阿里巴巴達(dá)摩院以81.26%的準(zhǔn)確率創(chuàng)造了新紀(jì)錄，讓 AI 在“詩(shī)圖會(huì)意”上首次超越人類基準(zhǔn)。這是繼2015年、2018年 AI 分別在視覺(jué)識(shí)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(lái)一大進(jìn)展。

（達(dá)摩院AliceMind在VQA Leaderboard上創(chuàng)造首次超越人類的紀(jì)錄）

VQA是什么？

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

然而，在視覺(jué)問(wèn)答VQA(Visual Question Answering）這一涉及視覺(jué)-文本跨模態(tài)理解的高階認(rèn)知任務(wù)上，AI過(guò)去始終未能達(dá)到人類水平的突破。

隨著深度學(xué)習(xí)、視覺(jué)理解、文本理解等領(lǐng)域高速發(fā)展，自然語(yǔ)言處理技術(shù)與計(jì)算機(jī)視覺(jué)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(duì)研發(fā)通用人工智能具有重要意義。

為鼓勵(lì)攻克這一難題，全球計(jì)算機(jī)視覺(jué)頂會(huì)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(xué)、阿里巴巴、百度等眾多頂尖機(jī)構(gòu)踴躍參與，形成了國(guó)際上規(guī)模最大、認(rèn)可度最高的VQA數(shù)據(jù)集，其中包含超20萬(wàn)張真實(shí)照片、110萬(wàn)道考題。

VQA是 AI 領(lǐng)域難度最高的挑戰(zhàn)之一。在測(cè)試中，AI需根據(jù)給定圖片及自然語(yǔ)言問(wèn)題生成正確的自然語(yǔ)言回答。這意味著單個(gè)AI模型需融合復(fù)雜的計(jì)算機(jī)視覺(jué)及自然語(yǔ)言技術(shù)：首先對(duì)所有圖像信息進(jìn)行掃描，再結(jié)合對(duì)文本問(wèn)題的理解，利用多模態(tài)技術(shù)學(xué)習(xí)圖文的關(guān)聯(lián)性、精準(zhǔn)定位相關(guān)圖像信息，最后根據(jù)常識(shí)及推理回答系列問(wèn)題。

今年6月，阿里達(dá)摩院在VQA 2021 Challenge的55支提交隊(duì)伍中奪冠，成績(jī)領(lǐng)先第二名約1個(gè)百分點(diǎn)、去年冠軍3.4個(gè)百分點(diǎn)。兩個(gè)月后，達(dá)摩院再次以81.26%的準(zhǔn)確率創(chuàng)造VQA Leaderboard全球紀(jì)錄，首次超越人類基準(zhǔn)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(duì)更開(kāi)放的現(xiàn)實(shí)世界，AI一定會(huì)遇到新的挑戰(zhàn),需要喂更多的數(shù)據(jù)、進(jìn)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(biāo)志性意義，相信VQA技術(shù)在現(xiàn)實(shí)中的表現(xiàn)提升只是時(shí)間問(wèn)題。

（VQA技術(shù)自2015年的進(jìn)展）

VQA“學(xué)霸”如何煉成？

VQA挑戰(zhàn)的核心難點(diǎn)在于，需在單模態(tài)精準(zhǔn)理解的基礎(chǔ)上，整合多模態(tài)的信息進(jìn)行聯(lián)合推理認(rèn)知，最終實(shí)現(xiàn)跨模態(tài)理解，即在統(tǒng)一模型里做不同模態(tài)的語(yǔ)義映射和對(duì)齊。

據(jù)了解，為了解決VQA挑戰(zhàn)，基于阿里云PAI 平臺(tái)及EFLOPS框架的工程底座，達(dá)摩院語(yǔ)言技術(shù)實(shí)驗(yàn)室及視覺(jué)實(shí)驗(yàn)室對(duì)AI視覺(jué)-文本推理體系進(jìn)行了系統(tǒng)性的設(shè)計(jì)，融合了大量算法創(chuàng)新，包括：

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

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

（3）研發(fā)自適應(yīng)的跨模態(tài)語(yǔ)義融合和對(duì)齊技術(shù)，創(chuàng)新性地在多模態(tài)預(yù)訓(xùn)練模型中加入Learning to Attend機(jī)制來(lái)進(jìn)行跨模態(tài)信息地高效深度融合；

（4）采用Mixture ofExperts (MOE)技術(shù)進(jìn)行知識(shí)驅(qū)動(dòng)的多技能AI集成。

其中自研的多模態(tài)預(yù)訓(xùn)練模型E2E-VLP，StructuralLM已被國(guó)際頂級(jí)會(huì)議ACL2021接受。

模型大圖如下：

這不是達(dá)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(yù)訓(xùn)練語(yǔ)言模型研究的機(jī)構(gòu)之一，達(dá)摩院前身IDST曾在斯坦福SQuAD挑戰(zhàn)賽中歷史性地讓機(jī)器閱讀理解首次超越人類，轟動(dòng)全球。

今年以來(lái)，達(dá)摩院在AI底層技術(shù)領(lǐng)域動(dòng)作頻頻。

從3月起，達(dá)摩院先后發(fā)布了中國(guó)科技公司中首個(gè)超大規(guī)模多模態(tài)預(yù)訓(xùn)練模型M6及首個(gè)超大規(guī)模中文語(yǔ)言模型PLUG,并開(kāi)源了歷經(jīng)3年打造的深度語(yǔ)言模型體系 AliceMind（https://github.com/alibaba/AliceMind），其曾登頂 GLUE等六大國(guó)際權(quán)威NLP榜單。

VQA考高分有什么用？

達(dá)摩院語(yǔ)言技術(shù)實(shí)驗(yàn)室負(fù)責(zé)人司羅認(rèn)為，“人工智能分為計(jì)算智能、感知智能、認(rèn)知智能、創(chuàng)造智能四個(gè)層次?！?/p>

本次，AI在視覺(jué)—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(rèn)知智能邁進(jìn)了關(guān)鍵一步。

據(jù)了解，VQA技術(shù)擁有廣闊的應(yīng)用場(chǎng)景，可用于圖文閱讀、跨模態(tài)搜索、盲人視覺(jué)問(wèn)答、醫(yī)療問(wèn)診、智能駕駛、虛擬主播等領(lǐng)域，或?qū)⒆兏锶藱C(jī)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(chǎng)景。

在阿里平臺(tái)上，達(dá)摩院VQA能力已實(shí)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(wàn)家淘寶天貓商家開(kāi)通使用店小蜜客服VQA視覺(jué)問(wèn)答功能，AI幫助提升了提問(wèn)解決率，優(yōu)化了買家體驗(yàn)，降低了商家配置工作量。盒馬、考拉的客服場(chǎng)景，閑魚的圖文同款匹配場(chǎng)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(bào)內(nèi)，蘊(yùn)含著大量有價(jià)值的商品信息。

b)消費(fèi)者對(duì)商品進(jìn)行提問(wèn)時(shí)，AI客服可通過(guò)理解、檢索商品海報(bào)進(jìn)行回答，如裁切一張小圖作為答案，一方面為消費(fèi)者帶來(lái)了更好的交互體驗(yàn)，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(shí)類問(wèn)題，還可以回答非事實(shí)類、主觀類問(wèn)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(jī)交互場(chǎng)景中，幫助解決直播中多模態(tài)劇本構(gòu)建、多模態(tài)語(yǔ)義問(wèn)答等問(wèn)題。

（3）多模態(tài)搜索：基于創(chuàng)新性的多模態(tài)預(yù)訓(xùn)練方法，達(dá)摩院為AliExpress訓(xùn)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(chǎng)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(yùn)用后，阿里計(jì)劃將其推廣至醫(yī)療問(wèn)診等更廣泛的社會(huì)應(yīng)用領(lǐng)域。

VQA考卷有多難？

對(duì)單一AI模型來(lái)說(shuō)，VQA考卷難度堪稱“變態(tài)”。

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

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(lái)做什么的？”AI需要成功推理出一個(gè)可能的答案“婚禮”。

6年前，這些問(wèn)題對(duì)AI來(lái)說(shuō)難度極高。經(jīng)過(guò)多年的技術(shù)積累，達(dá)摩院AliceMind在VQA測(cè)試中拿到了超81分的成績(jī)，基本達(dá)到普通人看圖問(wèn)答的水準(zhǔn)。

相信AI未來(lái)將給人類帶來(lái)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