优必选 8.2 亿美元开启 AI 长跑模式，它的核心价(4)

精细化物体分类：世界上大约有1400种狗，超过9000多种鸟，我们很容易把鸟和狗区分开，但如果看到一只狗，要说出它的种类却不一定容易，所以非常有必要设计一个精细化物体分类的有效方法。我们设计了一个特征点检测网络，能够在不同的特征点上有效的检测特征点，然后把所有的特征点的特征整合到一起;

[原创文章：www.11jj.com]

多目标跟踪: 我们的系统能够实时、有效地对于所有的物体进行全局的跟踪。 希望未来有一天，在我们看足球比赛的时候，虽然没有家人和朋友的陪伴，但是机器人可以坐在我们的身边，知道我们为什么而喝彩，知道我们为什么而感到遗憾; [好文分享：www.11jj.com]

人体姿态估计: 我们做任何一个动作，家人和朋友都能够有效地解读，这是因为我们能够去理解这些动作。在过去的很多年里，这个问题对于机器视觉来说都非常困难。在2016年之前，基本上没有任何方法能够有效地跟踪人体姿态。去年我们已经在这个方向上取得了一定的进展；

人脸识别：理解了人的行为，我们还希望机器人知道这个人是谁，所以需要做人脸识别，整个过程就是人脸检测、特征点检测、图像增强，最后是人脸识别。这里的每一个步骤都离不开深度学习。优必选和悉尼大学合作研发了Cruzr的人脸识别功能，识别准确率达到99.8%；

人脸表情识别：知道人的身份，对于机器人来说还不够，还需要知道这个人现在高不高兴，甚至以后要知道他为什么高兴、或者为什么不高兴，因此，理解人的表情至关重要。过去，表情识别要么是基于一个完整的视频，要么是基于一张照片。对于机器人来说，这样做不是特别自然。人的表情是一个过程，我们希望在这个过程的进展中，尽早理解人的表情；

看图说话与看图回答问题：人可以根据一张照片来回答一些问题，但是如何让机器也能够有效地做这样的事件？我们使用深度卷积神经网络和循环神经网络分别对图像和文本数据进行细粒度特征后，设计“协同attention”模型，同时学习图像中的关键区域和文本中的关键词，获得精确语义表达的图像和文本特征。针对聚焦后的图像和文本特征，我们提出一种低秩双线性pooling模型进行有效的跨媒体特征融合，实现跨媒体语义表达；

模仿学习：未来，我们希望人和机器人的交互，类似于工厂师傅和学徒的交互。机器人通过看人做了一件什么事情就能学会，它可以按照人的需要，去把这个事情重复出来，甚至通过逻辑推理，完成一些相似的，甚至是新的任务。在这个方面，目前我们已经有了一些初步的成果；

多视角学习：多视角学习是统计学习中的一个重要问题。我们之前提出了Multi-view Intact Space Learning。这样的学习框架能过有效地整合Multi-view特征，或者说是多种不同类型的特征。我们的机器人携带了各种类型的传感器，通过多视角学习，我们就能有效地把这些信息整合起来，协助机器人的自主决策；

深度模型压缩：深度学习非常好，只是深度模型也越来越大，从几十兆到几百兆，甚至有的模型达到了1G，那么如何有效地把这个模型进行压缩？优必选基于过去传统的信号处理的方式，比如离散余弦变换、低质系数分解，做了相当深度学习模型压缩的过程。在进行压缩的时候，又不至于减少模型的精度，因为压缩了之后，我们能够有效地提升这个模型的运行速度。

优必选的长期价值？

周剑认为，目前，全球做人工智能和人形机器人的公司有很多，而优必选是为数不多的能够将人形机器人商业化的公司。

作为人形机器人行业内的玩家，目前代表全球最高水平的本田ASIMO和波士顿动力的Atlas机器人，其造价需要百万美元级别，也仍处实验室状态。而对比海外，国内服务机器人也大多处于实验室状态。在实验室阶段，意味着一个样机的成本造价几十万、甚至上百万都很普遍。但作为产品推向市场，其性能是否稳定、成本是否可控成为关键因素。周剑认为，从全球范围内来说，目前能实现人形机器人技术商业化落地的只有优必选。