球赛结束后，球迷哀求裁判戴帽子或假发，大概是亘古未有了。
10月尾，苏格兰球迷经历了一场“难忘”的足球赛。在因弗内斯对阵艾尔联的苏格兰足球冠军联赛上，无论球员传球还是带球进攻，场边的AI摄像机都视而不见，反而不离不弃随着一名边裁，时时时来张“C位”特写。原来，AI摄像机误将这名裁判的秃顶识别成足球，以是猖獗追了一整场。
在家不雅观看这场90分钟比赛的球迷，大部分韶光不是看球，而是在围不雅观秃顶。不少网友打趣：这场球赛实打实地“看了一个寂寞”。
为什么AI摄像机会把秃顶算作了足球？为避免AI犯类似失落误，我们须要做些什么？涌现“翻车”事宜，能就此认为AI“弱爆”了吗？
来自秃顶裁判的无意识“挑衅”
从直接参与体育赛事到记录运动员表现，再到直播比赛现场、剖析运动员康健状况，AI正成为体育界的宠儿。几个月前，巴塞罗那足球俱乐部（巴萨）还携手视频技能公司Pixellot，打造了人工智能教练办理方案。
没想到，在体育界一起高歌年夜进的AI，这次出人意料地遭遇了一名秃顶边裁无意识的“挑衅”。由于这名边裁秃顶太亮，加之阳光照射，AI摄像机根本分不清哪个是球，哪个是头。此前，因弗内斯队表示，他们利用的AI跟踪技能，可以将直播画面清晰地传输到每一位季票购买者家中，让因新冠肺炎疫情而无法前往主场的球迷不错过任何一场比赛。
据悉，这次比赛直播利用的摄像机正是与巴萨互助的Pixellot所供应的多摄像机系统。该系统由英伟达的图形处理器（NVIDIA GPU）供应动力支持，捕获的视频分辨率可达8K。这些摄像机可以安装在固定位置，无需摄像机操作员进行操控。为捕获关键时刻画面，Pixellot网络了数十万个小时的体育视频，用于在本地事情站的NVIDIA GPU上演习其算法。
拥有海量的可用数据，利用了深度学习算法，加上高性能GPU打算加持，具备推动AI前行的三大动力，Pixellot的这款AI摄像机为何“翻车”呢？
活动结束后，干系俱乐部和制造摄像头的技能公司进行了反思，问题彷佛非常清楚：足球的大小、形状与人的脑袋差不多，加上阳光直射，让AI摄像头陷入了“迷茫”。因弗内斯队回应称已知晓了问题，并且将为下一场比赛进行改进，给不雅观众带来更好的体验，希望这种情形不会再发生。
Pixellot公司也表示办理这个问题并不难。现有的目标检测与追踪技能已比较成熟，Pixellot在设计阶段没考虑到秃顶的影响，须要网络一些足球和秃顶的数据对算法进行微调，以打消来自秃顶的滋扰。
有技能职员表示，在演习直播球赛的AI摄像机时，须要的不仅“这是球”数据集，还须要一个“这不是球”数据集。秃顶、足够亮的白鞋、灯光、比赛园地旁演习场上的球、球员用来热身的球，都是演习AI时须要考虑的滋扰成分。
AI“视力差”才是常态
只管可以通过加大数据“投喂量”，加强演习和改进算法改进AI摄像机性能，但有专业人士认为，随着AI运用处景逐步拓展，此类“翻车”事宜还将长期存在。
“AI‘翻车’是常态，不‘翻车’才奇怪。”北京大学信息科学技能学院教授、北京智源人工智能研究院院长黄铁军接管科技日报采访时直言。
黄铁军认为，表面上看，这次AI摄像机涌现失落误可能是由于前期演习不足，但最紧张的缘故原由是现在的打算机识别系统还只是用特定的数据演习出来的，例如在上述例子中，利用大量足球视频演习的神经网络在识别足球方面已超越人类，但却忽略了这个网络对秃顶更敏感，对没见过的工具胡乱识别或“视而不见”，这种问题普遍存在。
机器视觉便是将视觉感知授予机器，使机器具有和生物视觉系统类似的场景感知能力，涉及到光学成像、图像处理、剖析与识别、实行等多个组成部分。
“把摄像机作为AI的‘眼睛’，在现实场景中，让AI像人眼一样去识别足球和秃顶，还有很长的路要走。”黄铁军表示。
什么时候能走完这条路，乃至实现AI之眼超越人眼？
这取决于机器视觉何时弥合与生物视觉的差距。“颅骨之中的大脑通过三百多万根神经纤维实时感知外部天下，个中每只眼睛后面就有一百多万根。”黄铁军表示，“发展至本日的机器视觉，与花费亿万年进化而来的生物视觉系统比较，还是小巫见大巫。”
人眼适应性很强，能在繁芜及变革的环境中识别目标，具有高等智能，能利用逻辑剖析、推理能力去识别变革中的目标，并总结规律。而反不雅观机器视觉，虽然可以利用人工智能神经网络技能，但不能很好识别变革的目标，受硬件条件制约，目前一样平常的图像采集系统色彩分辨能力较差。
“与生物视觉神经网络比较，人工智能的视觉神经网络在构造、规模上相距甚远，以是功能也要差很多。”黄铁军表示，“在现实运用中，机器视觉‘翻车’不是有时势宜，把秃顶识别成足球，只是个案，类似问题实在大量存在。”
黄铁军说：“这一次，技能供应方可以把秃顶误认为足球的漏洞补上，但还有更多的漏洞，用对抗性图片演习骗过人脸识别系统只是揭开机器视觉不敷的冰山一角。”
不同技能路线在赛跑
“基于深度学习的机器视觉在图像识别等方面取得重大进展，但并未真正办理感知问题。”黄铁军认为，深度学习远未捉住人类视觉系统的繁芜性。
深度学习建立在图像和视比年夜数据的演习根本上，和主动感知动态天下的生物视觉相距甚远，而且仍未分开算力需求。例如，如果把视频帧率从30提高到3万，深度学习的算力就须要提高1000倍。
而生物神经网络是脉冲神经网络，更适宜完成视觉信息处理。黄铁军认为，借鉴生物视觉系统的神经网络构造和信息加工机理，建立一套新的类脑视觉信息处理理论和技能，是重启机器视觉的希望所在。
专家表示，发展人工机器视觉，目前有两条紧张技能路线，一是通过网络更多数据、增加数据量，加大演习力度，布局出强大的智能系统；二是模拟生物神经系统，照葫芦画瓢，将生物神经系统的构造乃至机理搞清楚，以此为根本发展未来智能。
黄铁军认为，第二条路径要比第一条路径更有效。“短韶光来看，第一条更易取得成果。但长远来看，从生物神经网络入手更为直接，实现目标也更有把握。”
目前，AI学界多数支持第一条路径，即通过“大数据+大算力”的办法，发展机器视觉在内的人工智能。黄铁军踏上少数人走的那条路，是由于他坚信生物视觉神经网络有巨大潜能可以挖掘。“生物大脑是亿万年进化的产物，是最好的先验构造。强大智能必须依托繁芜构造，站在进化肩膀上，看似困难，实则最快。”
“打算机科学之父”图灵早就表达过对生物大脑的推崇。1943年初，喷鼻香农发起，可以把“文化的东西”贯注灌注给电子大脑，图灵有一次在大庭广众之下回嘴：“不，我对建造一颗强大的大脑不感兴趣，我想要的不过是一颗平凡的大脑，跟美国电报电话公司董事长的脑袋瓜差不多即可。”
发展机器视觉，抑或是人工智能，是重起炉灶，是模拟生物神经网络，还是另有他法？暂无定论。在不同的赛道上，人工智能都在加速提高。
只管AI“翻车”案例不在少数，比如谷歌AI眼部疾病诊断系统的实用性在泰国大打折扣，腾讯AI翻译在2018年博鳌论坛上闹出笑话。但AI时期正加速到来，势不可挡。
“必须承认，AI确实办理了不少现实问题，它将逐步替代人的部分功能。但不能过分浮夸，它间隔我们想象中的智能还有很多不敷，还须要更多打破。”黄铁军说，要保持开放的思维，超过“实验仿照”与“真实天下”之间的鸿沟，AI技能发展任重而道远。
来源：科技日报