AI進(jìn)入無障礙時(shí)代：手語識(shí)別翻譯的應(yīng)用，究竟意味著什么？

相信在人們的印象里，AI都是一個(gè)屬于“大多數(shù)”的技術(shù)門類。

所謂大多數(shù)，第一意味著相關(guān)數(shù)據(jù)量大、便于累積，適用于AI對(duì)海量數(shù)據(jù)極度依賴的特性;第二意味著應(yīng)用場(chǎng)景廣泛、便于變現(xiàn)回收成本，適用于AI研發(fā)的高門檻投入。

目前我們身邊常常出現(xiàn)的人臉識(shí)別、語音交互等等，其實(shí)都符合以上這些特征。不過這并不意味著，屬于“少數(shù)派”的AI是一片空白。

昨天是“全球無障礙宣傳日”，我們把目光投向于那些能夠消弭“少數(shù)與多數(shù)”區(qū)別的技術(shù)發(fā)展，例如服務(wù)于聽障人群的手語識(shí)別，就是一個(gè)典型的例子。

你我不懂的手語，為什么AI也很難讀懂?

手語是用手勢(shì)比量動(dòng)作，根據(jù)手勢(shì)的變化模擬形象或者音節(jié)以構(gòu)成的一定意思或詞語，是聽障人群獨(dú)有的一種溝通方式。但這種溝通方式雖然能讓聽障人士之間彼此溝通，或讓理解手語的普通人與之溝通，但仍然不能滿足聽障人士與普羅大眾之間的交流需求。

這便意味在一些社會(huì)公共空間之中，例如政務(wù)場(chǎng)景或服務(wù)業(yè)場(chǎng)景，聽障人士可能都會(huì)遇到一些不便。

而AI，恰好成為了一種解決方案。

我們?cè)谝恍┸浖?，已?jīng)開始應(yīng)用到了AI的手勢(shì)識(shí)別能力，像是拍照時(shí)“比心”來觸發(fā)一些AR特效。將這種對(duì)于手勢(shì)的捕捉，和手勢(shì)語義對(duì)應(yīng)起來，不就能實(shí)現(xiàn)對(duì)于手語的翻譯和生成了嗎?

這一邏輯是正確的，可從邏輯正確到應(yīng)用可行，卻還隔著一段不短的路程。

首先，手語的表達(dá)有一定的特殊性，想進(jìn)行捕捉并不容易。

我們知道在“比劃手勢(shì)”這種行為上，本來就不存在絕對(duì)的精準(zhǔn)度，加之一些手語詞匯的表達(dá)非常接近，而且手語表達(dá)通常是以句子為單位，詞與詞之前不會(huì)有明顯的間隙。以往手勢(shì)識(shí)別中利用前置攝像頭捕捉的方式，基本是不可行的。

于是很多科技和團(tuán)隊(duì)給出的解決方案是加以外設(shè)，例如中科大和微軟推出了基于Kinect的手語翻譯系統(tǒng)，加州大學(xué)曾經(jīng)推出過的手語識(shí)別手套等等就是這樣?？蛇@些外設(shè)要么便攜程度低，要么造價(jià)昂貴，推廣起來有很大的困難。

同時(shí)，手語表達(dá)同樣也有國(guó)別性和地域性，在模型通用性上存在著困難。

手語中有“文法手語”和“自然手語”兩個(gè)概念，文法手語既是通用的普通話，至于自然手語則如同方言一般，在國(guó)別、地方甚至城市之間都有著不小的差異。這也造成了手語數(shù)據(jù)收集、標(biāo)注會(huì)是一項(xiàng)成本高、工作量大的事情。

例如亞馬遜曾經(jīng)提出過，對(duì)智能音箱Alex進(jìn)行改造可以使其翻譯出一些簡(jiǎn)單的信號(hào)?？墒且?yàn)槿狈Υ笠?guī)模的訓(xùn)練數(shù)據(jù)集，目前這一功能只能識(shí)別出一些簡(jiǎn)單的美國(guó)手語，停留在實(shí)驗(yàn)室階段。

手語破題沒有秘法，AI產(chǎn)業(yè)本該平權(quán)

雖然探索艱難，但科技企業(yè)們和學(xué)界還是不斷在手語AI上取得成果。例如騰訊優(yōu)圖實(shí)驗(yàn)室推出的 “優(yōu)圖AI手語翻譯機(jī)”、愛奇藝推出的AI手語主播等等，都在手語AI的應(yīng)用上取得了不小的進(jìn)展。

手語AI的突破可以分為兩條路線，一方面是手語AI本身技術(shù)的進(jìn)展，另一方面是應(yīng)用場(chǎng)景的突破。

在手語AI技術(shù)本身上，可以分為識(shí)別模型和數(shù)據(jù)集兩個(gè)解決路徑。在數(shù)據(jù)集上，可以像優(yōu)圖一樣，通過和社會(huì)相關(guān)機(jī)構(gòu)以及聽障人士的接觸自建手語識(shí)別數(shù)據(jù)集，并且針對(duì)手語表達(dá)的地方性差異，做出表達(dá)習(xí)慣和速度上的多樣性拓展。

至于識(shí)別模型上，業(yè)內(nèi)也有全新的算法搭建概念，例如通過2D卷積神經(jīng)網(wǎng)絡(luò)和3D卷積神經(jīng)網(wǎng)絡(luò)分別提取手勢(shì)中靜態(tài)和動(dòng)態(tài)的信息，經(jīng)由綜合處理來提升視頻識(shí)別效果，徹底擺脫其他傳感器的桎梏。同時(shí)針對(duì)手語表達(dá)的整句化的現(xiàn)象，在視頻幀的最后加入了詞級(jí)信息挖掘，對(duì)特征提取器提出的信息進(jìn)行核驗(yàn)，進(jìn)一步去確定手勢(shì)對(duì)詞語表達(dá)邊界，除了提升識(shí)別精準(zhǔn)度以外，還能提升對(duì)自然手語中地域表達(dá)的總結(jié)能力。在此基礎(chǔ)上，還可以算法模型中引入了上下文理解能力，以便于面對(duì)更加復(fù)雜的手語識(shí)別翻譯需求。

不過技術(shù)雖然得以提升，應(yīng)用場(chǎng)景端仍然會(huì)受到一些限制。例如手語識(shí)別可能會(huì)依賴較強(qiáng)大的算力，短時(shí)間內(nèi)很難便攜化、消費(fèi)化。但完全可以通過和政府的合作，讓手語識(shí)別進(jìn)入一些公共服務(wù)場(chǎng)景?；蛘呦駩燮嫠囈粯樱瑥氖终Z生成方面入手，同樣也能幫助到聽障人士。

其實(shí)我們不難發(fā)現(xiàn)，可如果將技術(shù)拆分來看就能發(fā)現(xiàn)，手語AI取得的進(jìn)步，并不是因?yàn)樵谀稠?xiàng)基礎(chǔ)科學(xué)上突然取得了什么驚人的突破，而是有越來越多的企業(yè)和學(xué)者在研發(fā)和數(shù)據(jù)累積上一貫長(zhǎng)期的投入，才能解脫于以往手語語料庫(kù)匱乏的困境，在算法上不斷迭代。

換句話說，企業(yè)和學(xué)者們?cè)凇吧贁?shù)派”的AI技術(shù)中投入了幾乎與“大多數(shù)”AI技術(shù)相匹配的精力與財(cái)力。對(duì)于AI產(chǎn)業(yè)來說，這無疑是一種平權(quán)精神。

從以人為本到科技向善：我們?yōu)楹我獙?duì)技術(shù)洋流的引導(dǎo)更加主動(dòng)?

騰訊優(yōu)圖在手語AI方面的投入，其實(shí)也是AI產(chǎn)業(yè)中一種隱隱冒出勢(shì)頭的洋流方向。

幾天以前，在福州的數(shù)字中國(guó)峰會(huì)上，馬化騰首次提到了“科技向善”這一概念，提出“我們相信，科技能夠造福人類;人類應(yīng)該善用科技，避免濫用，杜絕惡用;科技應(yīng)該努力去解決自身發(fā)展帶來的社會(huì)問題?！?/p>

無獨(dú)有偶，李飛飛在回歸斯坦福后，就著手創(chuàng)辦了HAI研究所(以人為本斯坦福人工智能研究所)，并在今年開始擔(dān)任所長(zhǎng)。HAI的研究目標(biāo)，就是推動(dòng)AI技術(shù)向造福人類的方向發(fā)展，預(yù)測(cè)AI對(duì)人類生活的切實(shí)影響。

科技巨頭和學(xué)界旗幟都將目光投向了同一方向，是因?yàn)槿藗円呀?jīng)開始逐漸發(fā)現(xiàn)AI、5G、產(chǎn)業(yè)數(shù)字化等等技術(shù)力量的勢(shì)頭之強(qiáng)，已經(jīng)到了不得不對(duì)其加以引導(dǎo)甚至約束的地步。

如同上文所說，科技企業(yè)在這一波技術(shù)發(fā)展的過程中，起到了很大的促進(jìn)作用，而逐利自然是企業(yè)的本能和天性，因此企業(yè)會(huì)率先投身于那些滿足大多數(shù)人、應(yīng)用場(chǎng)景廣泛、研發(fā)成本相對(duì)低的技術(shù)。

這種行為本身無可厚非，但AI等等新技術(shù)帶來的效率提升實(shí)在過于顯著，是否會(huì)會(huì)對(duì)那些暫時(shí)無法接入新技術(shù)的領(lǐng)域和群體進(jìn)行擠壓甚至邊緣化，是很多人都在思考的一個(gè)問題。

例如隨著英漢日法俄等等主流語種的機(jī)器翻譯能力不斷增強(qiáng)，那些語料庫(kù)不充足、應(yīng)用人數(shù)更少的小語種是否會(huì)因?yàn)榈貌坏郊夹g(shù)賦能，而被進(jìn)一步的邊緣化?

同樣的，當(dāng)公共事務(wù)辦理越來越多的被語音交互、圖像識(shí)別等等AI技術(shù)替代，聽障、視障群體在獲取服務(wù)時(shí)會(huì)不會(huì)遇到更多麻煩?

類似的情況其實(shí)已經(jīng)發(fā)生：2018年年底，聯(lián)合國(guó)發(fā)布了對(duì)英國(guó)政府?dāng)?shù)字化成果的報(bào)告，結(jié)果是數(shù)據(jù)顯示在英格蘭，自2010年以來無家可歸者增加了60%，保障住房的等待名單上有120萬人，用來救濟(jì)窮人的食品銀行需求量增長(zhǎng)了近四倍——因?yàn)楹芏嘭毨巳翰⒉恢廊绾卧诨ヂ?lián)網(wǎng)上申請(qǐng)貧困補(bǔ)助，甚至家里都沒辦法連接互聯(lián)網(wǎng)，最終只能在貧困中越陷越深。

很多時(shí)候，即使是無惡意的技術(shù)，也可能會(huì)出現(xiàn)無法預(yù)測(cè)走向。我們對(duì)于科技向善的引導(dǎo)，或許應(yīng)該更主動(dòng)一些。

結(jié)束語

最后，我們不如來看看這樣一組數(shù)字：

據(jù)2017年北京聽力協(xié)會(huì)預(yù)估數(shù)據(jù)，我國(guó)聽障人群數(shù)量約達(dá)到7200萬。在全球范圍內(nèi)，世界衛(wèi)生組織發(fā)布的最新數(shù)據(jù)顯示，全世界有共計(jì)約4.66億人患有殘疾性聽力損失。

——你看，這世界上所謂“大多數(shù)”和“少數(shù)派”本來就是一個(gè)相對(duì)性的概念，并不存在黑白鮮明的區(qū)隔。尤其對(duì)于AI這種善于模仿人類能力的技術(shù)來說，它的存在本可以推倒阻礙各個(gè)群體溝通交流的空氣壁，而不是讓這種趨勢(shì)愈演愈烈。我們關(guān)于利用技術(shù)搭建美好世界的目標(biāo)，既然可以不拋下任何一個(gè)人，就不該拋下任何一個(gè)人。

好在從服務(wù)于聽障人群的手語識(shí)別翻譯上，我們已經(jīng)能看到這種趨勢(shì)走向——精于計(jì)算的大腦不是AI唯一的模擬對(duì)象，還有人類的熾熱心臟。我們相信，在學(xué)界和巨頭的引導(dǎo)之下，未來會(huì)有越來越多的企業(yè)關(guān)注到無障礙AI技術(shù)的發(fā)展，不斷的打破各種隔膜阻礙。

愛雖沉默，也有回響。

AI雖沉默，也有回響。