現今社會對人工智慧懷有複雜的情愫：一方面對Siri宛如真人的對話系統、在電視機智問答中勝過真人的IBM華森嘖嘖稱奇；但對於無人汽車可能取代人類駕駛造成大規模失業，也不免忐忑不安。這些和人類未來息息相關的人工智慧研究涵蓋層面廣泛，其中「自然語言處理」和「電腦視覺」是實現人工智慧不可缺少的兩項關鍵技術。自然語言處理技術讓電腦透過文字和語言，解析人類想表達的意涵，進而與人溝通；而電腦視覺處理，則讓電腦藉由影像感知周遭人、事、時、地、物的狀態。這兩個研究領域各自發展了數十年，近年來技術漸漸成熟，成果已應用在日常生活中，例如自動翻譯、輔助寫作、人臉辨識、車輛與行人偵測等。

既然兩項技術漸趨成熟，學者專家便開始嘗試結合這兩者，邁向更全面的人工智慧。例如2016年8月將於德國柏林舉辦的機器翻譯會議，就納入了多模式機器翻譯（multimodal machine translation）這個跨領域新議題的共同研究任務--同時提供照片與英文圖說，由電腦把圖說翻譯成德文。其特色在於要電腦系統既有語言能力，也要能辨識照片傳達的視覺資訊，使得翻譯更加精準。面對這項任務，機器語言學專家和電腦視覺專家一定要密切合作，才能取得好成績。

「深度學習」技術有助提高影像辨識正確率

不論視覺、語音、語言處理，最近都有很多突破，這歸功於採用多層次類神經網絡架構的深度學習崛起，帶動類神經網絡研究的起死回生。許多研究成果顯示，深度學習利用大量有標註圖說的影像訓練資料，搭配圖形處理單元的高速運算能力，可有效解決電腦視覺的問題。最具代表性的成功案例，是許多研究機構參與ImageNet舉辦的大規模視覺辨識競賽（Large Scale Visual Recognition Challenge, ILSVRC）。以影像分類為例，主辦單位提供1000類超過120萬張的影像，涵蓋了各種物品、交通工具、動植物的訓練資料，以及另外10萬張未分類的測試資料。參賽團隊必須設計程式，讓電腦從訓練資料中學習如何判斷影像類別。對於每一張測試照片，參賽系統必須在1000類中猜測5個分類，藉以評估其影像分類的能力。

2010年首次舉辦ILSVRC時，表現最好的團隊其影像分類系統正確率僅有72%。2012年，加拿大多倫多大學辛頓（Geoffrey E. Hinton）的團隊採用深度學習法，把正確率大幅提升到84%，自此扭轉電腦視覺領域的研究方向。到了2015年，前幾名參賽團隊都採用了深度學習的研究路線，正確率也提高到94%以上，而微軟亞洲研究院以正確率96.4%奪冠。除了影像分類，其他如人臉辨識、物件偵測、車輛追蹤、街景分析等也都受惠於深度學習，大幅提高了辨識正確率。

電腦視覺技術的未來

目前的電腦視覺技術，已經能夠正確分類影像、偵測物件，那麼下一步是什麼呢？目前已經有不少視覺研究，試圖自動產生照片的圖說與影片旁白，成效不錯。另外，學界也很重視結合了影像內容分析與回答問題的自動問答系統。例如，給一張雨中撐傘的照片，然後詢問「在雨傘下的人是誰？」時，系統要能視狀況正確回答「一對情侶」或「兩個小孩」或「老人與狗」。可想而知，不論是看圖說故事或是回答問句，都並非單靠電腦視覺技術就能解決，還需要語言分析技術，才不會胡言亂語或答非所問。

機器翻譯納入了影像資訊，電腦視覺的研究也結合文字，兩個研究領域都跨出一步擁抱對方。語言和視覺的跨領域合作契機已然浮現，未來能夠激盪出什麼樣的新火花，著實令人期待。當人工智慧可以取代臉書照片人臉辨識、長途汽車駕駛等枯燥無聊的工作，我們努力幫忙釋出的生產力，也將能找到更有創意的出路。