傳統手動標記（中列）和流體標註（右）比較

數據標註——機器感知世界的起點

“數據標註是人工智能產業的基礎，是機器感知現實世界的起點。從某種程度上來說，沒有經過標註的數據就是無用數據。”美國加州科技大學校長秦志剛教授在接受科技日報記者採訪時表示，機器識別事物主要通過物體的一些特徵。被識別的物體還需要通過數據標註才能讓機器知道這個物體是什麼。

在機器的世界裡，圖像與語音、等一樣，是數據的一個種類。近年來，隨著數碼產品以及存儲技術的迅速普及和發展，人們每天都可通過相機、可視電話、監控及醫療設備等製造大量圖像。因此，現階段圖像已然成為標註產業發展的重點對象。

如果素材是一張人物圖像，那麼需要標註的信息往往是性別、面部朝向、人種、有無帽子眼鏡等，也可以人為地將人物和背景的區域劃分開來。將成千上萬張經過標註的圖片組成的數據集“投餵”給機器，它才能在一張全新的圖像中分辨出人物在哪個區域、具有怎樣的外貌特徵。對於人來說“小兒科”的思考歷程，機器卻需要大量的標記數據集進行訓練。

機器學習——緩解人工標註的壓力

提到人工智能產業，人們往往聯想到繁華的城市和乾練的IT精英，但實際上，支撐起人工智能的數據標註產業，卻是一個勞動密集型產業。百度搜索“數據標註”，會出現很多圖片語音視頻數據採集、標註公司。隨機選擇一個此類詞條點進去，往往會看到“萬人數據標註團隊”等類似宣傳語。可見人工標註是目前數據標註的主要方式。

“谷歌推出的流體標註模型主要利用人工智能學習的基礎，對圖像數據進行自動標註，對於標註不准確或者出現偏差的地方可以通過人工調整，從而提高標註效率。”秦志剛指出，即便該模型可藉助機器學習提升標註速度，但最初還需進行人為地數據標註，為其提供初始訓練數據集。事實也正是如此，為了標註圖片，谷歌預先以約一千張具有分類標籤和信任分數的圖片訓練了語意分割模型。

但該模型尚不完美，谷歌稱，物體邊界標記問題、界面操作速度以及類別擴展等仍需進一步研究或完善。

人工智能——致力於生活中的簡單應用

雖然還有諸多難題尚待攻克，但以流體標註模型為代表的數據標註新方式無疑順應著人工智能的大潮流。實際上，自人工智能逐漸走熱以來，很多行業都想搭上這個熱潮。然而，在灼熱的潮流背後，掩藏著一個根本性的問題：人工智能終將走向何方？

“人工智能的本質是機器擁有’學習’的能力，可想而知，人工智能可以極度縮短人類自身的學習時間，從而將人從大規模腦力學習活動中解放出來，去專注於更有價值的工作。”秦志剛表示，雖然人們普遍認為人工智能終將到來，但現階段人工智能產業仍在雲端。目前大多數人工智能的應用只能生存在高性能處理器的大型廠房中，就如同第一代通用計算機ENIAC一樣“大而笨重”。“眾所周知，隨後的幾十年內計算機飛速發展到小型的筆記本電腦，功能卻比ENIAC更強大。人工智能也當如此”。

界面簡單、功能友好、毫無相關知識基礎的人都能使用並獲得舒適感，這是秦志剛設想的人工智能時代。一枚小小的人工智能芯片，可以完成學習、訓練、推理等一系列“思考”過程，而它的終端表現則或許只是人們生活中最為常見的簡單應用。如下班回家，不需再拿出鑰匙開門，智能門鎖就像一位盡職的管家，會在第一時間感知你的到來，為你敞開家門。“十年之後，人工智能將會成為主流，潛移默化滲透到生活中的各種角落。別看是小事情，背後卻是高密集的技術支撐。”秦志剛表示。

“願景十分美好，但如何將人工智能落地和普及推廣？這將是我們下一步亟待攻克的難題。”秦志剛說。