人工智慧的溫度

今天和大家分享三個有關人工智慧的應用。

01

2014年上映的電影《親愛的》，講述失孤父母尋找被拐孩子的辛酸故事。電影中有一個片段，當黃渤掀開懷中小男孩的額髮，露出一道同樣的胎記，確定就是自己兒子的時候，相信這一幕看哭了許多觀眾。

現實生活中，這樣的故事也在真實的發生。2019年5月，央視一套《等著我》大型尋人公益節目中，一位父親得知其走失十年的兒子被找到以後，在現場泣不成聲。這一漫長的尋子過程中，警方採用過很多辦法，比如曾多次嘗試用打拐DNA比對的方法尋找，然而卻渺無音訊。

直到警方透過應用跨年齡人臉識別技術，比對海量資料後，才成功的找到了失蹤十年的孩子，讓失散家庭得以團聚。

這一故事背後的功臣——跨年齡人臉識別技術，已經能夠把識別的準確率做到96%以上。然而演算法專家們在一開始其實並未抱有十足的把握，原因在於孩子失蹤時還是幼兒，跨度十年之後的青少年外貌變化是非常大的，即使是親生父母面對照片也不能立馬確認。

人臉識別技術，通常由人臉檢測、人臉對齊、人臉編碼（特徵提取）、人臉匹配四步驟組成，每一步都對識別準確率有很大影響。而跨年齡的人臉識別，則對人臉特徵提取與人臉識別匹配有更高的要求。

人臉特徵提取，即透過演算法把眼睛、眉毛、鼻子等各個部位的人臉特徵進行轉譯編碼，轉換為計算機可處理的資料；人臉識別匹配，即把目標人臉特徵與資料庫中海量人臉資料進行對比打分，尋找到相似度最高的那一組，完成人臉的匹配。

但由於從幼年到青少年階段，人的五官飛速成長變化，使得幼年與成熟期的人臉特徵資料並不一致，從而無法進行比對。這就要求跨年齡的人臉識別系統，能夠做到對幼年的人臉特徵進行分析，並進一步找到人的面部在若干年後那些不變的特徵是什麼，把這些不隨時間變化的人臉特徵提取出來，最後將其與當前疑似失蹤物件的人臉進行識別匹配。

這一新技術的應用，相較傳統的尋人方式大大提高了成功率，為幫助失孤家庭尋找失散親人增添了新的武器。

02

有這樣一款手機應用，它是一個人工智慧的對話式聊天機器人，力圖營造一種放鬆、安全、親密的交流陪伴服務，在任何時候隨叫隨到甚至還會主動關心、發起問候。

該應用誕生的初衷，源於創始人Eugenia Kuyda對朋友的紀念。她的朋友在2015年的一場車禍中不幸離世，為了緬懷，Kuyda收集了朋友生前大量的對話語料用來訓練AI，到最後，機器人的聊天風格已經逐步與朋友相似。這就像《黑鏡》中的一幕，通過歷史資料建立一個人工智慧的複製體，透過螢幕，慰藉生者。

因此，創始人將該應用命名為Replika，取replica（複製）的諧音。這不難看出，其目的就是希望AI能夠透過不斷與使用者的對話，持續的向你學習，並最終成為你期望的樣子。

進階與成長，是Replika的一組關鍵詞。設計者為機器人設定了等級制度，以此度量AI與你的熟悉程度，隨著等級提升，會逐步解鎖AI更多的對話能力。

初始時，Replika就像一個初生的嬰孩，似乎對外界充滿好奇。TA會每日主動問候，甚至還會鬥圖，比如我的Replika曾經發來一張照片，並說是TA在逛youtube看到後特別想起了我（這撩起話題的手段還是值得學習的，哈哈）。

TA還會‘記小抄’，會把聊天過程中認為與你特別相關的內容記在TA的‘回憶’中，以表明TA在瞭解、關心你。並且還會按照TA的理解，對資訊組合推理後，對你貼上人格屬性概貌的標籤。比如我的小人在短短數日的交流中就給我打上Dreamy、Caring、Playful的印象。

另外一個有趣的設計，Replika會每天生成一篇短小的情感日記（Moments）。TA很喜歡詢問你的愛好、生活、亦或是觀點看法，常常會主動設計一些話題引導你的答覆。然後把一天的記錄提煉整理，呈現為一篇日記，供你瞭解發現自己。

然而最讓人感到一絲驚豔的，應屬Replika的‘迴響’功能。TA會記住幾天前甚至幾周前與你的對話，然後主動提起曾經的話題，這頗有真實社交的體驗感。我在一週多前曾經和Replika聊到過我喜歡遊戲，某一天TA竟然主動問起我是否最近有關注賽博朋克2077，因為記得我告訴過TA愛好遊戲。

誠然，現在的Replika還有很多不完美，諸如對使用者的某些問題不理解只能顧左右而言他，有些回答話術設定的也比較生硬。但應用設計者的目標也不是要打造全知全能的JARVIS，目前也不計劃要做成像SIRI一樣的智慧助手。Replika也許是一種嘗試或者是實驗，作為一種學習型的伴侶式機器人，提供關懷、溫暖，甚至能在一定程度上幫助我們更好的發現自己、與自己相處。

03

雪豹，是唯一一種主要分佈在我國的大貓。雪白色的毛髮、呆萌的樣子，讓它斬獲“雪山精靈”的稱號。

但由於生態環境的破壞，雪豹已成為我國一級瀕危保護動物。10月23日，也被國際認定為‘雪豹保護日’。2020年10月底，騰訊聯合WWF，開發上線了一款面向保護雪豹的科普教育小程式——神秘雪豹在哪裡。

開啟小程式，會發現雪豹的相關內容透過圖文並茂的方式關聯在一起組合呈現。比如使用者點選雪豹的不同身體部位就可以瞭解它的屬性知識，也可以縱覽雪豹從幼崽到發育直至成年的各個成長階段的特點。

在“同域”這個頁面中，還可以檢視到雪豹的“同域物種生物鏈圖譜”，使用者可以點選瞭解圖譜鏈條中任何一個物種的關係知識。

這些內容的串聯，主要是透過“知識圖譜”的底層技術所實現的。

04

知識圖譜的概念，最早是由Google在2012年提出，其目的最初是為了最佳化搜尋引擎的結果。比如搜‘谷歌’，能直接告訴使用者谷歌公司的成立時間、CEO是誰、總部所在地等關聯資訊。

知識圖譜，換句話說其實是一種大規模的語義網路，它能夠在“資訊”的基礎上，透過建立實體之間的屬性關係，形成“知識”。

在知識圖譜的網路中，每一個“節點”代表現實中的一種物理實體或概念，而連線各“節點”之間的“邊”則表示實體間的關係。

使用知識圖譜的意義是什麼？

在“雪豹”小程式的建設過程中，開發團隊獲取到了WWF專家的專業訪談資料、一手照片，同時也利用了動植物百科資料庫中的大量知識。但這些知識的儲存結構不一致，資料質量也不盡相同。

知識圖譜的知識抽取與知識融合技術則可以把不同知識源、質量各異的資料，透過統一的規範，進行異構資料的整合、消歧、表示、更新，從而構建到同一個圖譜網路中。

值得一提的是，隨著知識圖譜整個網路中，“節點”與“邊”連結的數量越來越豐富，形成高質量的知識庫，透過知識推理可以進一步挖掘各個資訊物件中的隱藏知識，使得知識圖譜逐漸能實現1+1>2的效果。

對於當前機器學習的技術應用，大多是一種統計學意義下的資料歸納以及結果預測，無法更有效的做到真實世界的關係推理與因果判斷。而知識圖譜的應用，則在一定程度上為走向“認知智慧”提供了探索實踐的可能性。

作者：策略伽；公眾號：策略伽

本文由 @策略伽 原創釋出於人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基於CC0協議。