本文内容选自微软亚洲研究院常务副院长芮勇博士于“清华人工智能”论坛上所做的题为《人工智能趋势之四化》的演讲。他认为未来人工智能的发展趋势是大数据化、自适应化、可穿戴化和增强化，演讲全文如下：

我为什么取这个题目呢？什么叫人工智能趋势之四化。因为到这个时候大家都很困惑，起一个稍微应景的题目。今年是“人工智能”这个词被造出来的第61年，61年前没有，这个词最开始出现是在1956年。

我为什么取这个题目呢？什么叫人工智能趋势之四化。因为到这个时候大家都很困惑，起一个稍微应景的题目。今年是“人工智能”这个词被造出来的第61年，61年前没有，这个词最开始出现是在1956年。
四化，第一个是人工智能的大数据化。首先为大家介绍一下微软认知服务，它是把微软过去20几年做的人工智能分支的好的技术，包括计算机视觉、语音、语言、知识和搜索的一些好的技术放在认知服务上去，这样有什么好处呢？可能另外一家公司，或者在座的一些朋友，你想开发一个APP的时候，不用再重新开发，直接调用就成了。现在是五个大类，包括大概二十几个小类。
到底什么是微软认知服务，为了给大家一个感性的概念，我给大家展示下幻灯片，这是去年（大概一年多以前）How-Old.net，是个很好玩的一个游戏，但是这款游戏你要知道首先人脸在什么地方，其次它的性别是男是女，还有其次，他看上去今天多大了，不是年龄的估计，是颜龄的估计。因为有了这么一些很好的API，人工智能的API，在此基础上进行程序调用，这个就写出来了。这是一个很好的例子，站在API的基础上写出更好的APP。也有很多人上传了很多图片，包括靠你们左边的，这是奥巴马一家的图片，当然这里面最高兴的肯定是奥巴马的太太，因为看上去只有三十几岁，虽然她的岁数可能比这个大一点，但是颜龄比较低，比较年轻。靠右边的其实是四十年前微软刚成立的时候的一张图片，今天微软全球有11万多名员工，但是刚成立的时候就是11个员工，连秘书加在一起，11个员工。靠左下角长得比较英俊的小伙子就是比尔·盖茨，看着就像23岁，其实他也就是23岁。微软大家知道，其实是有两个，一个是比尔·盖茨，靠左下角，另外一个是保罗·艾伦，他的颜龄看上去有50多岁。除了人脸我们知道他的性别、颜龄。其实我们也很想知道，我们人类也是一样，你看上去今天喜怒哀乐怎么样？你是高兴还是愤怒？还是有点困了？其实在去年年底的时候我们发布了第二个版本，就是可以把人类的一些情感也能估计出来，调用几个API你就知道这个小孩是有一些吃惊。我们其实一直是有这么一个愿景，希望让计算机能够看到外面的世界。
在2011年以前，深度学习没有被引入计算机视觉之前，其实我们可以看到错误率大概在百分之二十几，这是全球排第一的，一直到2012年的时候，深度学习被第一次引入计算机视觉，这个时候错误率大幅下降，到了百分之十几，之后的几年降到了10%以内，比如像2014年前后。有一个斯坦福的博士生觉得，深度学习把错误率降低了不少，我如果是一个人来参加这么一个分类的比赛，我的错误率会是多少？大家不要小看一千类的物体分类，其实不简单，为什么不简单？我如果告诉大家这一千类物体里面有120种狗，你就知道这有多难了。我自己可能只认识四五种狗，吉娃娃等等，要把这120种都区分对不是容易的事。这名斯坦福的学生把自己关在一个屋子里训练，他做了一个比赛，他的错误率达到5.1%，这就非常非常不简单，我相信在座的各位，我们加在一起也达不到5.1%的错误率。直到去年年底的时候，我们做了一个很深的深度人工神经元网络，到152层，我们把错误率降到3.57%，这已经超过了很多人的水平。

2012年的时候，深度学习刚引入计算机视觉是八层，有人说是九层，其实有一层是隐含层，其实是八层。到2014年的时候，到了九层。具体算法不聊太多，但是有一些思路上的东西，不是说从上一层直接连到下一层，而是跳过去。隔几层以后再往下走，有一点像人的神经元的连接一样，规定是每一层单个连下去，有的时候会往前跳一下。因为这个新的结构就使得去年我们在2015年ImageNet三个主要项目都拿到冠军，而且要比第二名高出很多，这是新算法带来的好处。除了我们让计算机能够看到一个图片是属于某一类的，比这个更难一点的是说，比如说他知道这个图片里面有一只猫，更难的是说你知不知道那个猫在什么地方？不仅仅告诉你这里面有一只猫，我告诉你这只猫在图片的左上角。所以，物体检测是比物体分类更难的事情。我想给大家看一下下面这个，比物体检测再难一点的就是像素级别的物体分割，因为我们知道一个图片有很多像素级别，每个像素是属于这只猫，还是属于这只猫边上的草，每一个都要分类，这是更难的事情，从图片分类到物体检测，到像素级的物体分割，我想请大家看一段简短的视频，今天已经可以做到这样的程度。

刚才说了那么多，为什么计算机视觉能够做分类、做物体检测、做像素级的物体分割？是因为我们人类生成了很多的数据，这些数据被拿来训练计算机，它才能够有一定的智能，所以这是第一类叫做大数据化。第二类，其实我们很想让人工智能有一定的自适应性，比如说我给大家举两个例子，在座的可能有一半的人会经常自拍，一些年轻的女士们经常会自拍，拍的时候你下意识地要想一想，现在的光线是不是足够亮？后面是不是有很亮的玻璃，比如在那儿拍，如果有很亮的玻璃，玻璃是看到了，但我的脸是黑的，每次自拍要操心一些事情。我们可不可以用人工智能的方法，写出来一个有智能的API，让人工智能的APP，让这个APP去操心这些事情，不要让用户去操心这些事情。我们就做了一个微软自拍，我们没有投入任何的钱，一分钱都没有投入，一个月下载量到了一百万，完全是口口相传，大家要感兴趣的话，待会儿也可以去搜一下。它能做很多的东西，不仅仅是智能降噪、自然美颜等等。其实他知道你的年龄和性别，比如你是一位年轻的女士的话，它会给你美颜美得很好，甚至把你的嘴唇再修红一点。但是，如果是我拍的话，它知道我已经很老了，没有必要把我弄得那么漂亮，弄得漂亮我反而会不高兴，所以我拍下来的是我本身的样子。所有这些很智能的东西都已经在这个APP里面，因为他知道外面的光线是什么样、外面的噪声是什么样、这个用户是男是女、是什么样的年龄。

第二个，我想给大家举一个例子是自适应的人工智能。有一个很有意思的APP，我们叫做实时翻译器。这是怎么来的呢？1966年的时候，在美国有一个连续的电影，叫《星际迷航》，我相信在座的可能也有不少朋友都看过这部电影。有很多《星际迷航》的影迷，每次电影出来，就把电影票买到了，在电影院前等着看。《星际迷航》是讲不同的星迷去不同的星球探索。不用去另外一个星球，我们就在地球上去另外一个国家，其实你遇到的问题就是你语言可能不通，你怎么跟那个国家的人进行交流？当时在电影里面有一个，这边这两个人手里抓着一个东西，任何语言它都可以进行实时翻译，不管你和来自另外一个星球的人讲什么语言，它都可以进行翻译。当然，这是一个科幻，但是我们这些做研发的人总是想把科幻变成现实。所以七八年以前我们就有一个项目，研究有没有办法我们能够做出一个系统，使得两个说不同语言的人可以实时交互？这个是七八年以前开始做，大概在四五年以前（2010年）的时候就有了这么一个系统，在我们内部进行了展示，2012年的时候，在二十一世纪的时候，我记得是在天津大礼堂，Rick Rashid这位老先生不会说中文，只会说英文，他当时是在天津大礼堂讲，讲着讲着突然听众们发现他怎么会说中文了？因为就是实时的翻译出现了，以他的方式用中文跟观众进行交互。2015年的时候我们把这项技术加到Skype里，今天这个技术已经在skype上。如果想做到这件事情，我下边会讲具体的技术怎么做，在我讲具体的技术之前，我想给大家看一段小视频，这是一个美国的摄影师在中国待了十来年，是一个背包客，走了三万五千英里的路，经常拍图片、视频。所以去每个地方都没法跟当地人交流，有了这个以后，他的生活变得更加简单一点。

芮勇：很好的一个系统，但是如果为了做到这一点，必须有四个技术要做得非常非常好。哪四个技术呢？比如说小川只会说法语，他看起来像一个法国人，我只会说中文，我怎么跟小川进行交流呢？第一步，我的中文的音频系统要被实时翻译成中文的文字，并且要非常非常准。第二步，因为我跟他是日常的对话，不是在读课文，我会一会儿嗯、啊等等，有的字会重复两遍，或者说错几个字，第二个，要把说嗯、啊这些地方做翻译，第三步被翻译之后，很不错的中文的文字已经出来了，要实时把它翻译成法文的文字，这个大家知道也很不容易。你去很多中餐馆或者是一些中文和英文的翻译，就看出来很多很多的笑话。第三步也是很难。第四步，我现在不是已经有法文的文字出来了吗？小川只能看见，听不见，必须以我的发音的方式说出来这个法文，他能听见，这四个缺一不可，并且这四个，你若是每一个只做到90%的正确率，系统是没法用的，0.9×0.9×0.9×0.9，你算一下，很小了。时间关系我就不具体展开深度学习怎么做这件事情，但是我想请大家听一段简短的音频，我特意选了这段音频，因为这段音频是一个中文和英文都有的，放在一起的。这个女士只会说英文，但是你们听听她说中文是不是也像她在说话。

芮勇：其实她不会说中文，但是你合成出来她说中文就跟她说英文是一样的，你知道这是同一个人在说话，就像我一会儿说英文，一会儿说中文，你觉得是我一个人在说话，其实可以做到这种水平，让他说不同的语言是同一个人说出来的。这是我想说的第二个，叫做自适应化。

第三个是人工智能的可穿戴化，我也想给大家举两个例子。刚才长水展示几张图片，其实你现在给计算机看几张图片，它会生成一些自然语言的文字，刚才我和小川在下面讨论，他们也做了类似的系统。但是我们想一想，如果真的有一天我们的自然语言技术，我们的计算机视觉技术可以做到这么好，让计算机看到这幅图片以后，它会说一名男子正腾空而起，表演滑板。
除了刚才这个可穿戴设备以外，最近一个大家看到的微软的设备就是Hololens，在网上有很多视频，大家可以看，我请大家看这个视频，这还不是一个产品，这还是在研究院内部做的一个技术原形，挺有意思的，比如张老师在他的办公室，他很忙，说不定没有时间四个小时都坐在我们这个会议室，我们有没有办法把张老师放在这个座位上？四个柱子上都是有摄像头的。他女儿在另外一个房间。两个不同物理空间的人可以在同一个空间进行交互。这是第三个，我叫它可穿戴化。

第四个，我叫它人和人工智能的关系。我特别同意张老师下午的演讲，其实今天这个不是人工智能和人，谁PK谁的问题。人是很形象、很发散的、很神来一笔的、很抽象的、很艺术的，计算机比我们强的是它的存储功能很强、记忆能力很强。所以它是一个很好的左边半个大脑的补充，我们人类更强的东西，我们有意识、我们有想象力，我们有很多计算机不能理解的东西。其实今后的10年、20年不是人对抗机器的问题，而是人加上机器，使得我们人更厉害。