你我不懂的手語，為什么AI也很難讀懂？

　　相信在人們的印象里，AI都是一個屬于“大多數(shù)”的技術門類。所謂大多數(shù)，第一意味著相關數(shù)據(jù)量大、便于累積，適用于AI對海量數(shù)據(jù)極度依賴的特性；第二意味著應用場景廣泛、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)的人臉識別、語音交互等等，其實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?，F(xiàn)在，我們不如把目光投向于那些能夠消弭“少數(shù)與多數(shù)”區(qū)別的技術發(fā)展，例如服務于聽障人群的手語識別，就是一個典型的例子。

　　你我不懂的手語，為什么AI也很難讀懂？

　　手語是用手勢比量動作，根據(jù)手勢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公共空間之中，例如政務場景或服務業(yè)場景，聽障人士可能都會遇到一些不便。而AI，恰好成為了一種解決方案。

　　我們在一些軟件中，已經(jīng)開始應用到了AI的手勢識別能力，像是拍照時“比心”來觸發(fā)一些AR特效。將這種對于手勢的捕捉，和手勢語義對應起來，不就能實現(xiàn)對于手語的翻譯和生成了嗎？

　　這一邏輯是正確的，可從邏輯正確到應用可行，卻還隔著一段不短的路程。

　　首先，手語的表達有一定的特殊性，想進行捕捉并不容易。我們知道在“比劃手勢”這種行為上，本來就不存在絕對的精準度，加之一些手語詞匯的表達非常接近，而且手語表達通常是以句子為單位，詞與詞之前不會有明顯的間隙。以往手勢識別中利用前置攝像頭捕捉的方式，基本是不可行的。

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

　　同時，手語表達同樣也有國別性和地域性，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、標注會是一項成本高、工作量大的事情。

　　例如亞馬遜曾經(jīng)提出過，對智能音箱Alex進行改造可以使其翻譯出一些簡單的信號?？墒且驗槿狈Υ笠?guī)模的訓練數(shù)據(jù)集，目前這一功能只能識別出一些簡單的美國手語，停留在實驗室階段。

　　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)們和學界還是不斷在手語AI上取得成果。例如騰訊優(yōu)圖實驗室推出的 “優(yōu)圖AI手語翻譯機”、愛奇藝推出的AI手語主播等等，都在手語AI的應用上取得了不小的進展。

　　手語AI的突破可以分為兩條路線，一方面是手語AI本身技術的進展，另一方面是應用場景的突破。

　　在手語AI技術本身上，可以分為識別模型和數(shù)據(jù)集兩個解決路徑。在數(shù)據(jù)集上，可以像優(yōu)圖一樣，通過和社會相關機構(gòu)以及聽障人士的接觸自建手語識別數(shù)據(jù)集，并且針對手語表達的地方性差異，做出表達習慣和速度上的多樣性拓展。

　　至于識別模型上，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)絡和3D卷積神經(jīng)網(wǎng)絡分別提取手勢中靜態(tài)和動態(tài)的信息，經(jīng)由綜合處理來提升視頻識別效果，徹底擺脫其他傳感器的桎梏。同時針對手語表達的整句化的現(xiàn)象，在視頻幀的最后加入了詞級信息挖掘，對特征提取器提出的信息進行核驗，進一步去確定手勢對詞語表達邊界，除了提升識別精準度以外，還能提升對自然手語中地域表達的總結(jié)能力。在此基礎上，還可以算法模型中引入了上下文理解能力，以便于面對更加復雜的手語識別翻譯需求。

　　不過技術雖然得以提升，應用場景端仍然會受到一些限制。例如手語識別可能會依賴較強大的算力，短時間內(nèi)很難便攜化、消費化。但完全可以通過和政府的合作，讓手語識別進入一些公共服務場景。或者像愛奇藝一樣，從手語生成方面入手，同樣也能幫助到聽障人士。

　　其實我們不難發(fā)現(xiàn)，可如果將技術拆分來看就能發(fā)現(xiàn)，手語AI取得的進步，并不是因為在某項基礎科學上突然取得了什么驚人的突破，而是有越來越多的企業(yè)和學者在研發(fā)和數(shù)據(jù)累積上一貫長期的投入，才能解脫于以往手語語料庫匱乏的困境，在算法上不斷迭代。

　　換句話說，企業(yè)和學者們在“少數(shù)派”的AI技術中投入了幾乎與“大多數(shù)”AI技術相匹配的精力與財力。對于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夹g洋流的引導更加主動？

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

　　幾天以前，在福州的數(shù)字中國峰會上，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；人類應該善用科技，避免濫用，杜絕惡用；科技應該努力去解決自身發(fā)展帶來的社會問題?！?/p>

　　無獨有偶，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），并在今年開始擔任所長。HAI的研究目標，就是推動AI技術向造福人類的方向發(fā)展，預測AI對人類生活的切實影響。

　　科技巨頭和學界旗幟都將目光投向了同一方向，是因為人們已經(jīng)開始逐漸發(fā)現(xiàn)AI、5G、產(chǎn)業(yè)數(shù)字化等等技術力量的勢頭之強，已經(jīng)到了不得不對其加以引導甚至約束的地步。

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

　　這種行為本身無可厚非，但AI等等新技術帶來的效率提升實在過于顯著，是否會會對那些暫時無法接入新技術的領域和群體進行擠壓甚至邊緣化，是很多人都在思考的一個問題。

　　例如隨著英漢日法俄等等主流語種的機器翻譯能力不斷增強，那些語料庫不充足、應用人數(shù)更少的小語種是否會因為得不到技術賦能，而被進一步的邊緣化？

　　同樣的，當公共事務辦理越來越多的被語音交互、圖像識別等等AI技術替代，聽障、視障群體在獲取服務時會不會遇到更多麻煩？

　　類似的情況其實已經(jīng)發(fā)生：2018年年底，聯(lián)合國發(fā)布了對英國政府數(shù)字化成果的報告，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，用來救濟窮人的食品銀行需求量增長了近四倍——因為很多貧困人群并不知道如何在互聯(lián)網(wǎng)上申請貧困補助，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。

　　很多時候，即使是無惡意的技術，也可能會出現(xiàn)無法預測走向。我們對于科技向善的引導，或許應該更主動一些。

　　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)會預估數(shù)據(jù)，我國聽障人群數(shù)量約達到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”本來就是一個相對性的概念，并不存在黑白鮮明的區(qū)隔。尤其對于AI這種善于模仿人類能力的技術來說，它的存在本可以推倒阻礙各個群體溝通交流的空氣壁，而不是讓這種趨勢愈演愈烈。我們關于利用技術搭建美好世界的目標，既然可以不拋下任何一個人，就不該拋下任何一個人。

　　好在從服務于聽障人群的手語識別翻譯上，我們已經(jīng)能看到這種趨勢走向——精于計算的大腦不是AI唯一的模擬對象，還有人類的熾熱心臟。我們相信，在學界和巨頭的引導之下，未來會有越來越多的企業(yè)關注到無障礙AI技術的發(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。
? ? ? 責任編輯：tzh