阿爾法鷹眼會"讀心"
2018-09-27  科技日報

近期,央視《機智過人》節目中上演了人與機器的“讀心”大戰。結果好像也不太驚人,沒錯,機器又贏了。

節目中,名為“阿爾法鷹眼”的機器人快速識破節目嘉賓撒貝寧和韓雪刻意偽裝的表情,準確判斷出牛蛙所在的箱子。在另一項難度更高的測試中,它又在一排心理素質頂尖的海豹突擊隊老兵中準確找出了其中的狙擊手,速度比從業多年的人類心理專家更快。

據介紹,阿爾法鷹眼是掌握情感計算能力的人工智能設備,能識破人的情緒。連家人都可能注意不到的情緒變化竟然瞞不過機器,人類真的要無所遁形了嗎?

將人的情感進行分類

情感這個詞,喜樂哀愁種種,人類自己都很難準確定義,機器又如何理解?這是看到情感計算四個字最大的疑問。

對此,國際關系學院信息科技系副教授李斌陽作出解釋:“情感計算的本質是一個分類問題,讓機器判斷人的感情是褒義的、貶義的還是中性的。鑒于中性的判斷在實際應用中范圍有限,因此大部分情感計算嘗試做的都是區分褒義和貶義的情緒。”

據他介紹,情感計算傳統的做法是利用人能夠提煉出來的表達情感的特征,學習出一套用于判斷感情性質的模型,在捕捉到新的表情或文本等時進行匹配,從而做出感情傾向的判斷。

這項研究起于本世紀初,并在近幾年深度學習加入后進步明顯——在那之前,情感特征需要人來提取,在那之后,機器可以根據標注好的數據提煉出特征,更多保留人的原始表達信息。當然,這其中也存在深度學習普遍存在的“黑箱”問題,研究者并不能確定機器做判斷的時候提煉了哪些特征,且某些特征可能僅針對某一批數據,從而形成某種偏差。

據李斌陽介紹,針對語言文字或圖像視頻的情感計算基本要“一句一算”或“一幀一算”。他以自己從事的文本情感計算為例作了解釋:同樣是“高”這個字,在“失業率”和“就業率”兩個語境下的情感傾向是不同的,前者常是貶義,后者常是褒義,有時候通過幾句話,機器根本無法分析出背后的含義,需要更豐富的語義信息的注入。

微顫動難逃“鷹眼”捕捉

在節目中,阿爾法鷹眼的表現令人驚艷,據阿爾法鷹眼安防科技有限公司首席技術官俞楠博士介紹,這是通過對肌肉的微震顫的捕捉和判斷實現的。“情緒本身是一個非常復雜的生理反應,有外在的瑟瑟發抖、渾身顫抖、內在的激素、心跳、血壓異常等連鎖反應。這些反應超出人的控制,計算機可以通過結構化人的情緒、量化這種反應,形成對情緒變動引發身體反應的判斷模式。這是情感計算最簡單的部分:利用攝像頭捕捉到人身體的微振動,通過對振動模式的快速檢測和分析,對應到某一種情緒上。”俞楠表示。

談到節目中阿爾法鷹眼準確判斷出誰摸到牛蛙的部分,俞楠解釋說:“人把手伸到水里,摸沒摸到牛蛙的反應差異是無法偽裝的。恐懼、緊張會影響肌肉震動,人無法自控。”通過俞楠的解釋,一方面,阿爾法鷹眼的工作容易理解,但另一方面,這種判斷方式和網上流傳的“微表情”似無差別,“微表情還是偏重于對圖像內容的分析,需要被測者有較大的表情反應,如皺眉、咪眼、笑容等‘喜怒形于外’的表現,同時,需要比較大面積能顯示出人臉正面的圖像,但面對人的面部有遮擋(如帶口罩、帽子、墨鏡),或人體的側面、背后等情況就基本無法判斷了。而我們的方式是建立起一套微振動情感模式庫,即便人閉上眼沒有反應,一樣會有難逃機器法眼的下意識生理反應,這是系統相對獨特的地方。”

李斌陽解釋了情感計算和測謊儀的差別,測謊就是比如我會問你十個問題,有些很基礎,像是吃飯了嗎、昨天睡得好不好,根據這些基礎問題的回答確定每個人基準的心跳脈搏腦電波等水平,再基于這些進行測謊問題的問答,跟常態下進行比對,判斷其是否撒謊。但阿爾法鷹眼的識別對機器捕捉的要求很高。而且它的情感識別是“非接觸”式的,與被測者之間甚至不需要互動,這對機器的智能水平要求高得多。

實際場景難以保證準確

隨著深度學習的成熟,現階段情感計算的準確度有了很大提升,但仍存在著特殊的難題。“要做情感計算,一定要在理解文本的基礎之上,這需要人的常識做依托,甚至合理推理,這些都是很難給予機器的。”李斌陽說,“比如我讀了一段文字:今天是開學第一天,適逢教師節,同學們紛紛給老師送上祝福。這句話的背后意思就是開學這天是9月10日,但機器無法理解到這一步。”

在情感的背后,是人類龐大的常識體系的支撐,這是成熟的情感計算繞不過的。據李斌陽介紹,已經進行多年的“知識工程”計劃就是希望把人類的知識以圖譜方式進行梳理,各個領域的研究機構可以圍繞自身的知識點構建自己的知識圖譜,比如體育的、軍事的,這是一項非常龐大的工程,但可以給情感計算的深入帶來更大可能。

另外一重困難是“主觀性”。感情是主觀的,大家的描述差異甚遠,一個寬和的人和一個刻薄的人對同一件事的感受肯定大不相同。“實驗室利用自己爬取的社交網絡評論做判斷時,準確率可以到90%左右,但一旦落地到實際場景,效果就會出現差別。”李斌陽說。比如吃一碗牛肉面,如果顧客有一個負面的表情,機器雖然可以準確捕捉,但要說是面難吃還是太燙、甚至是房內太熱不舒服,是很難判定的。

需嚴格限定使用場景

針對情感識別將使人類“零隱私”的擔憂,李斌陽強調了“場景”的重要。情感計算的研究從起步時就與商業領域不可分。亞馬遜公司等希望通過對商品評論的分析,判斷消費者的好惡,對商品作出改進。在某類化妝品效果如何等具體問題上,情感計算的應用較早且相對成熟。

至于對隱私的擔憂,李斌陽認為無法回避。如果無孔不入,確實需要擔心,但如果可以專業地應用于特定場景,則利大于弊。

據俞楠介紹,阿爾法鷹眼目前主要在安防領域施展拳腳,“比如機場安檢,正常通過的人不需要緊張,但如果某些人有異于常人的反應,系統就可以將其確認為重點關注人群。”俞楠表示。這種判斷如果讓安檢員來完成,需要長時間的經驗積累和細致捕捉,但機器只需要通過對情緒的結構和模式庫的生成,就可以在毫秒級的時間內作出判斷。

“最適合的就是對無特征人群的判斷。”俞楠說,“強特征人群的檢定可以通過人臉識別做到,比如在海量人群中搜尋有前科的人。但無特征的人沒有犯罪記錄、無法比對分析。比如剛跟家人吵完架就要登高作業的建筑工人,可以通過上工前的情感識別,判定他是否需要情緒干預,從而避免潛在的危險可能。”

俞楠表示,目前情感識別的應用是與場景嚴格掛鉤的。除了安防、金融風控等嚴肅應用,他們也不排除將情感識別應用于“真情實感表情包”這樣輕松娛樂化的方向,探索更多落地可能。

【責任編輯:】
分享
其他熱點
百度|華龍網 聯合打造重慶都市生活門戶網

阿爾法鷹眼會"讀心"

2018-09-27 11:27:00       來源: 科技日報

近期,央視《機智過人》節目中上演了人與機器的“讀心”大戰。結果好像也不太驚人,沒錯,機器又贏了。

節目中,名為“阿爾法鷹眼”的機器人快速識破節目嘉賓撒貝寧和韓雪刻意偽裝的表情,準確判斷出牛蛙所在的箱子。在另一項難度更高的測試中,它又在一排心理素質頂尖的海豹突擊隊老兵中準確找出了其中的狙擊手,速度比從業多年的人類心理專家更快。

據介紹,阿爾法鷹眼是掌握情感計算能力的人工智能設備,能識破人的情緒。連家人都可能注意不到的情緒變化竟然瞞不過機器,人類真的要無所遁形了嗎?

將人的情感進行分類

情感這個詞,喜樂哀愁種種,人類自己都很難準確定義,機器又如何理解?這是看到情感計算四個字最大的疑問。

對此,國際關系學院信息科技系副教授李斌陽作出解釋:“情感計算的本質是一個分類問題,讓機器判斷人的感情是褒義的、貶義的還是中性的。鑒于中性的判斷在實際應用中范圍有限,因此大部分情感計算嘗試做的都是區分褒義和貶義的情緒。”

據他介紹,情感計算傳統的做法是利用人能夠提煉出來的表達情感的特征,學習出一套用于判斷感情性質的模型,在捕捉到新的表情或文本等時進行匹配,從而做出感情傾向的判斷。

這項研究起于本世紀初,并在近幾年深度學習加入后進步明顯——在那之前,情感特征需要人來提取,在那之后,機器可以根據標注好的數據提煉出特征,更多保留人的原始表達信息。當然,這其中也存在深度學習普遍存在的“黑箱”問題,研究者并不能確定機器做判斷的時候提煉了哪些特征,且某些特征可能僅針對某一批數據,從而形成某種偏差。

據李斌陽介紹,針對語言文字或圖像視頻的情感計算基本要“一句一算”或“一幀一算”。他以自己從事的文本情感計算為例作了解釋:同樣是“高”這個字,在“失業率”和“就業率”兩個語境下的情感傾向是不同的,前者常是貶義,后者常是褒義,有時候通過幾句話,機器根本無法分析出背后的含義,需要更豐富的語義信息的注入。

微顫動難逃“鷹眼”捕捉

在節目中,阿爾法鷹眼的表現令人驚艷,據阿爾法鷹眼安防科技有限公司首席技術官俞楠博士介紹,這是通過對肌肉的微震顫的捕捉和判斷實現的。“情緒本身是一個非常復雜的生理反應,有外在的瑟瑟發抖、渾身顫抖、內在的激素、心跳、血壓異常等連鎖反應。這些反應超出人的控制,計算機可以通過結構化人的情緒、量化這種反應,形成對情緒變動引發身體反應的判斷模式。這是情感計算最簡單的部分:利用攝像頭捕捉到人身體的微振動,通過對振動模式的快速檢測和分析,對應到某一種情緒上。”俞楠表示。

談到節目中阿爾法鷹眼準確判斷出誰摸到牛蛙的部分,俞楠解釋說:“人把手伸到水里,摸沒摸到牛蛙的反應差異是無法偽裝的。恐懼、緊張會影響肌肉震動,人無法自控。”通過俞楠的解釋,一方面,阿爾法鷹眼的工作容易理解,但另一方面,這種判斷方式和網上流傳的“微表情”似無差別,“微表情還是偏重于對圖像內容的分析,需要被測者有較大的表情反應,如皺眉、咪眼、笑容等‘喜怒形于外’的表現,同時,需要比較大面積能顯示出人臉正面的圖像,但面對人的面部有遮擋(如帶口罩、帽子、墨鏡),或人體的側面、背后等情況就基本無法判斷了。而我們的方式是建立起一套微振動情感模式庫,即便人閉上眼沒有反應,一樣會有難逃機器法眼的下意識生理反應,這是系統相對獨特的地方。”

李斌陽解釋了情感計算和測謊儀的差別,測謊就是比如我會問你十個問題,有些很基礎,像是吃飯了嗎、昨天睡得好不好,根據這些基礎問題的回答確定每個人基準的心跳脈搏腦電波等水平,再基于這些進行測謊問題的問答,跟常態下進行比對,判斷其是否撒謊。但阿爾法鷹眼的識別對機器捕捉的要求很高。而且它的情感識別是“非接觸”式的,與被測者之間甚至不需要互動,這對機器的智能水平要求高得多。

實際場景難以保證準確

隨著深度學習的成熟,現階段情感計算的準確度有了很大提升,但仍存在著特殊的難題。“要做情感計算,一定要在理解文本的基礎之上,這需要人的常識做依托,甚至合理推理,這些都是很難給予機器的。”李斌陽說,“比如我讀了一段文字:今天是開學第一天,適逢教師節,同學們紛紛給老師送上祝福。這句話的背后意思就是開學這天是9月10日,但機器無法理解到這一步。”

在情感的背后,是人類龐大的常識體系的支撐,這是成熟的情感計算繞不過的。據李斌陽介紹,已經進行多年的“知識工程”計劃就是希望把人類的知識以圖譜方式進行梳理,各個領域的研究機構可以圍繞自身的知識點構建自己的知識圖譜,比如體育的、軍事的,這是一項非常龐大的工程,但可以給情感計算的深入帶來更大可能。

另外一重困難是“主觀性”。感情是主觀的,大家的描述差異甚遠,一個寬和的人和一個刻薄的人對同一件事的感受肯定大不相同。“實驗室利用自己爬取的社交網絡評論做判斷時,準確率可以到90%左右,但一旦落地到實際場景,效果就會出現差別。”李斌陽說。比如吃一碗牛肉面,如果顧客有一個負面的表情,機器雖然可以準確捕捉,但要說是面難吃還是太燙、甚至是房內太熱不舒服,是很難判定的。

需嚴格限定使用場景

針對情感識別將使人類“零隱私”的擔憂,李斌陽強調了“場景”的重要。情感計算的研究從起步時就與商業領域不可分。亞馬遜公司等希望通過對商品評論的分析,判斷消費者的好惡,對商品作出改進。在某類化妝品效果如何等具體問題上,情感計算的應用較早且相對成熟。

至于對隱私的擔憂,李斌陽認為無法回避。如果無孔不入,確實需要擔心,但如果可以專業地應用于特定場景,則利大于弊。

據俞楠介紹,阿爾法鷹眼目前主要在安防領域施展拳腳,“比如機場安檢,正常通過的人不需要緊張,但如果某些人有異于常人的反應,系統就可以將其確認為重點關注人群。”俞楠表示。這種判斷如果讓安檢員來完成,需要長時間的經驗積累和細致捕捉,但機器只需要通過對情緒的結構和模式庫的生成,就可以在毫秒級的時間內作出判斷。

“最適合的就是對無特征人群的判斷。”俞楠說,“強特征人群的檢定可以通過人臉識別做到,比如在海量人群中搜尋有前科的人。但無特征的人沒有犯罪記錄、無法比對分析。比如剛跟家人吵完架就要登高作業的建筑工人,可以通過上工前的情感識別,判定他是否需要情緒干預,從而避免潛在的危險可能。”

俞楠表示,目前情感識別的應用是與場景嚴格掛鉤的。除了安防、金融風控等嚴肅應用,他們也不排除將情感識別應用于“真情實感表情包”這樣輕松娛樂化的方向,探索更多落地可能。

【責任編輯:】
分享到:
圖說天下
百度 新聞 MORE+
彩票开奖双色球走势图