赛后，球迷要求裁判戴上帽子或假发，这恐怕是史无前例的。
10月底，苏格兰球迷经历了一场“难忘”的足球比赛。 在因弗内斯与艾尔联队的苏格兰足球锦标赛比赛中，无论球员是传球还是带球进攻，场边的AI摄像机都视而不见。 相反，他们跟随边裁，时不时地占据“C位”。 特写。 原来，AI摄像头误将裁判的光头识别为足球，因此整场比赛疯狂追击他。
在家观看这场90分钟比赛的球迷大部分时间都不是在看比赛，而是在看光头们。 不少网友调侃：这场足球比赛真是“让我感到孤独”。
为什么AI摄像头看到的光头是足球？ 我们需要做什么来防止人工智能犯类似的错误？ 如果发生“翻车”事件，AI能算“弱”吗？
光头裁判无心“挑衅”
从直接参与体育赛事，到记录运动员表现，再到直播比赛、分析运动员健康状况，人工智能正在成为体育界的宠儿。 几个月前，巴塞罗那足球俱乐部（）还携手一家视频技术公司打造了人工智能教练解决方案。
没想到，在体育界突飞猛进的AI，却意外遭遇了一位光头边裁的无心“挑衅”。 由于边裁的光头太亮，阳光照在上面，AI摄像头无法分辨哪个是球，哪个是头。 此前，因弗内斯团队表示，他们使用的AI追踪技术可以将直播清晰地传输到每个季票购买者的家中，让那些因COVID-19疫情而无法前往主场的球迷不会错过任何比赛。 。
据悉，本场比赛直播所使用的摄像机是巴萨提供的多摄像机系统。 该系统由 的图形处理单元 (GPU) 提供支持，可以捕获高达 8K 分辨率的视频。 这些摄像机可以安装在固定位置，无需操作员控制。 为了捕捉关键时刻，我们收集了数十万小时的体育视频，并用于在本地工作站 GPU 上训练算法。
海量的可用数据、深度学习算法的运用、高性能GPU计算的支持，具备了推动AI进步的三大驱动力。 这款AI相机为何“翻车”？
事后，相关俱乐部和制造该摄像头的科技公司进行了反思，问题似乎已经很明确了：足球的大小和形状与人的头部差不多，阳光直射导致AI相机陷入“混乱”。 因弗内斯回应称足球名裁判 光头，他们已经意识到这个问题，会在下一场比赛中做出改进，让观众有更好的体验，希望这种情况不再发生。
该公司还表示，解决这个问题并不困难。 现有的目标检测与跟踪技术已经比较成熟，设计阶段没有考虑光头的影响。 需要收集一些足球和光头数据来微调算法，消除光头的干扰。
有技术人员表示，在训练球赛直播的AI摄像头时，不仅需要“这是一个球”数据集，还需要一个“这不是球”数据集。 光头、足够亮的白鞋、灯光、比赛场地旁边训练场上的球、球员热身时使用的球，都是训练AI时需要考虑的干扰因素。
AI“视力不佳”已成常态
尽管可以通过增加数据“喂料量”、加强训练、改进算法来提升AI相机性能，但有专业人士认为，随着AI应用场景逐渐扩大，此类“翻车”事件仍将长期存在。
“AI翻车很正常，不翻车才奇怪。” 北京大学信息科学与技术学院教授、北京致远人工智能研究院院长黄铁军在接受科技日报记者采访时直言。
黄铁军认为，表面上看，此次AI摄像头出错可能是由于前期训练不足，但主要原因是目前的计算机识别系统只是用特定的数据进行训练。 例如，在上面的例子中，大量在足球视频上训练的神经网络在识别足球方面已经超越了人类，但却忽略了这个网络对光头更敏感，对光头更敏感。
随机识别以前没有见过的物体或“视而不见”的问题很常见。
机器视觉就是赋予机器视觉感知，使机器具有类似于生物视觉系统的场景感知能力。 它涉及光学成像、图像处理、分析识别、执行等多个组成部分。
“用摄像头作为人工智能的‘眼睛’，人工智能在现实场景中要像人眼一样识别足球、光头，还有很长的路要走。”黄铁军说。
这条路什么时候才能走完，AI眼睛甚至超越人眼？
这取决于机器视觉何时弥合与生物视觉的差距。 “头骨中的大脑通过超过三百万条神经纤维实时感知外部世界，其中每只眼睛后面有超过一百万条神经纤维。” 黄铁军说：“今天机器视觉的发展经历了几亿年，与进化的生物视觉系统相比显得相形见绌。”
人眼的适应性很强，可以在复杂多变的环境中识别目标。 它具有先进的智能足球名裁判 光头，可以利用逻辑分析和推理能力来识别变化的目标并总结规则。 另一方面，机器视觉虽然可以利用人工智能神经网络技术，但不能很好地识别变化的目标。 由于硬件限制，目前通用图像采集系统的色彩分辨率能力较差。
“与生物视觉神经网络相比，人工智能视觉神经网络在结构和规模上相差甚远，因此功能也差很多。” 黄铁军表示，“在实际应用中，机器视觉‘翻车’并不是偶然，识别光头是足球只是一个案例，类似的问题实际上大量存在。”
黄铁军表示：“这一次，技术提供商可以填补将光头误认为足球的漏洞，但漏洞还有更多。利用对抗性图片训练来欺骗人脸识别系统，只是机器不足的冰山一角。”想象。” ”
不同技术路线竞速
“基于深度学习的机器视觉在图像识别等方面取得了重大进展，但并没有真正解决感知问题。” 黄铁军认为，深度学习还远远不能捕捉到人类视觉系统的复杂性。
深度学习是基于图像和视频大数据的训练。 距离主动感知动态世界的生物视觉还很远，仍然需要计算能力。 例如，如果视频帧率从30提高到30000，深度学习的计算能力需要提高1000倍。
生物神经网络是一种脉冲神经网络，更适合视觉信息处理。 黄铁军认为，借鉴生物视觉系统的神经网络结构和信息处理机制，建立一套新的类脑视觉信息处理理论和技术，是重启机器视觉的希望。
专家表示，目前发展人工机器视觉主要有两条技术路线。 一是收集更多数据足球名裁判 光头，增加数据量，加大训练强度，构建强大的智能系统； 另一种是模仿生物神经系统，效仿葫芦画法。 舀一勺，阐明生物神经系统的结构甚至机制，并以此为基础开发未来的智能。
黄铁军认为，第二条路比第一条路更有效。 “短期来看，第一种更容易取得成果。但从长远来看，从生物神经网络入手更直接，实现目标更有把握。”
目前，大多数人工智能学术界支持第一种路径，即通过“大数据+大算力”的方法发展包括机器视觉在内的人工智能。 黄铁军因为坚信生物视觉神经网络有巨大的潜力可以挖掘，所以走上了很少有人走过的道路。 “生物大脑是亿万年进化的产物，是最好的先验结构。强大的智能必须依靠复杂的结构，站在进化的肩膀上。看似困难，但实际上是最快的。” ”
“计算机科学之父”图灵早就表达了对生物大脑的钦佩。 1943年初，香农提出可以将“文化事物”注入电子大脑中。 图灵曾在公开场合反驳道：“不，我对建造一个强大的大脑不感兴趣。我想要的只是一个平均大脑大约是美国电报电话公司董事长头部大小的东西。”
开发机器视觉或者人工智能，是需要重新启动流程，模仿生物神经网络，还是有其他办法？ 还没有结论。 人工智能正在不同的轨道上加速发展。
虽然AI“翻车”的案例不少，比如谷歌的AI眼病诊断系统在泰国实用性大打折扣，腾讯的AI翻译在2018年博鳌论坛上引发笑话。但AI时代已经到来正在加速并且不可阻挡。
“必须承认，人工智能确实解决了很多实际问题，它会逐渐取代人类的一些功能。但也不能过分夸大，它距离我们想象中的智能还有很多不足，需要更多突破。” 黄铁军表示，要保持开放的心态，弥合“实验模拟”与“现实世界”之间的差距，人工智能技术的发展任重而道远。 （记者戴晓培）
查看原地址
