百度大腦“上新了”，都有哪些絕活兒？

前不久，百度大腦推出了包括語音技術(shù)、視覺技術(shù)、自然語言處理、知識(shí)圖譜等在內(nèi)的通用AI能力，以及開源深度學(xué)習(xí)框架方面的優(yōu)化升級(jí)。與此同時(shí)，人工智能已經(jīng)連續(xù)三年進(jìn)入政府報(bào)告、“智能+”成為2019年行業(yè)的新命題。

了解到，百度大腦自2016年啟動(dòng)開放以來，目前已經(jīng)是服務(wù)規(guī)模最大的AI開放平臺(tái)。共計(jì)開放了158項(xiàng)AI能力，24小時(shí)快速集成，開發(fā)者數(shù)量超過100萬。面向廣泛的企業(yè)和開發(fā)者提供最先進(jìn)、最全面的AI能力，不斷降低AI應(yīng)用落地的門檻。

語音方面

在今年1月的百度輸入法探索版發(fā)布會(huì)上，首次發(fā)布了領(lǐng)先國際的語音技術(shù)：在線語音領(lǐng)域全球首創(chuàng)的流式多級(jí)截?cái)嘧⒁饬δＰ蚐MLT「Streaming trancated multi-layer attention」。值得注意的是，這是首次在大規(guī)模語音識(shí)別工業(yè)界采用注意力（attention）模型。

提升識(shí)別率的同時(shí)大幅優(yōu)化了解碼速度?！罢Z音識(shí)別極速版”，擁有更快的響應(yīng)速度，相對(duì)識(shí)別準(zhǔn)確度提升15%。此項(xiàng)語音能力在API調(diào)用方式下，實(shí)時(shí)率小于0.1，意味著5s的音頻不到500ms即可完成識(shí)別過程，減少了識(shí)別音頻所需的耗時(shí)，提升語音交互的響應(yīng)體驗(yàn)。

在近距離安靜環(huán)境下，識(shí)別準(zhǔn)確率可達(dá)到98%，同時(shí)支持略帶口音、童聲、耳語的識(shí)別，使語音識(shí)別應(yīng)用更加廣泛。多平臺(tái)的SDK也即將推出，使APP、服務(wù)器端更可實(shí)時(shí)識(shí)別，應(yīng)用這一領(lǐng)先技術(shù)。目前，每個(gè)開發(fā)者賬戶將贈(zèng)送5W次免費(fèi)調(diào)用量，針對(duì)新能力的使用者，也即將推出一系列贈(zèng)送及優(yōu)惠活動(dòng)。

同時(shí)，近場語音識(shí)別升級(jí)了預(yù)置語義解析。預(yù)置場景由35個(gè)升級(jí)為51個(gè)，包括天氣、航班、電話、電影播放、頁面屏幕控制、電視劇、美食、手機(jī)設(shè)置、通用錄、提醒、短信、故事等，語義解析效果全面優(yōu)化，80%優(yōu)于原有解析結(jié)果。

百度大腦稱以下新品也將推出，例如：語音識(shí)別自訓(xùn)練平臺(tái)，支持自動(dòng)評(píng)估選出最好的基線模型，僅上傳業(yè)務(wù)場景文本語料即可訓(xùn)練語言模型，零代碼自助訓(xùn)練專屬的語音識(shí)別模型，極大地方便語音開發(fā)者提升所在業(yè)務(wù)場景的識(shí)別準(zhǔn)確率，滿足業(yè)務(wù)上的語音識(shí)別需求。

另外，遠(yuǎn)場語音開發(fā)套件，可快速進(jìn)行遠(yuǎn)場識(shí)別開發(fā)評(píng)估，此套件應(yīng)用于機(jī)器人、兒童故事機(jī)、家電、車載設(shè)備等硬件。同時(shí)還將開放離線合成，以及推出更多音庫。

視覺方面

首先，在OCR方面：

新增了卡證OCR 4個(gè)新能力：戶口本OCR、出生醫(yī)學(xué)證明OCR、港澳通行證OCR、臺(tái)灣通行證OCR，總數(shù)達(dá)到9種；

新增票據(jù)OCR 4個(gè)新能力：行程單OCR、保單識(shí)別OCR、通用機(jī)打發(fā)票O(jiān)CR，定額發(fā)票O(jiān)CR，總數(shù)達(dá)到9種；

汽車場景3個(gè)新能力：車輛VIN OCR、機(jī)動(dòng)車銷售發(fā)票O(jiān)CR、車輛合格證OCR，總數(shù)達(dá)到6種。這些OCR新能力在關(guān)鍵字段的準(zhǔn)確率均在90%以上，并有多項(xiàng)是業(yè)界首次平臺(tái)化開放。至此，OCR產(chǎn)品全系列共34款，實(shí)現(xiàn)卡證、票據(jù)、文檔、汽車全場景覆蓋。

對(duì)已有的OCR能力也進(jìn)行了功能升級(jí)：表格識(shí)別：支持合并單元格、無表格線等復(fù)雜樣式；iOCR 自定義模版文字識(shí)別：支持列寬不固定、有合并單元格的表格樣式的定制識(shí)別；駕駛證識(shí)別：支持駕駛證副頁的識(shí)別。

其次，在車輛分析方面，推出包括車輛檢測、車流統(tǒng)計(jì)、車輛屬性分析和外觀損傷識(shí)別。

車輛檢測，通過識(shí)別圖像中的所有機(jī)動(dòng)車輛（包含小汽車、卡車、巴士、摩托車、三輪車），返回每輛車的類型和坐標(biāo)位置，并對(duì)每類車輛分別計(jì)數(shù)，可應(yīng)用于違章停車監(jiān)測和智能停車場。

車流統(tǒng)計(jì)，則根據(jù)視頻抓拍圖片序列，進(jìn)行車輛檢測和追蹤，識(shí)別各類車輛（包括小汽車、卡車、巴士、摩托車、三輪車）在指定區(qū)域內(nèi)的駛?cè)?駛出情況，實(shí)現(xiàn)動(dòng)態(tài)車流統(tǒng)計(jì)，可應(yīng)用于實(shí)時(shí)監(jiān)控交通道路、卡口的車流量，自動(dòng)統(tǒng)計(jì)不同時(shí)段各類車輛的進(jìn)出數(shù)量，分析路口、路段的交通狀況，為交通調(diào)度、路況優(yōu)化提供精準(zhǔn)參考依據(jù)。

車輛屬性分析和外觀損傷識(shí)別兩項(xiàng)服務(wù)，也即將開放。

最后，在人臉人體識(shí)別方面，新發(fā)布了情緒識(shí)別，可以準(zhǔn)確識(shí)別7類情緒：生氣、害怕、厭惡、高興、悲傷、驚訝、無情緒。

此項(xiàng)技術(shù)可應(yīng)用于幼兒園安全監(jiān)控等場景，通過監(jiān)控孩子的心理狀態(tài)，判斷教師和幼兒是否有異常狀況，從而保障幼兒安全、及時(shí)預(yù)警并參與輔導(dǎo)等。

同時(shí)，人臉融合以及手部關(guān)鍵點(diǎn)將在3月推出。此外還有2項(xiàng)功能全新升級(jí)，包括：人臉檢測快速檢測人臉并返回人臉框位置、定位五官與輪廓關(guān)鍵點(diǎn)數(shù)量，從72個(gè)增加至150個(gè)；新增2種手勢，共24種常見手勢，整體識(shí)別率在90%以上，使得手勢識(shí)別更豐富、更準(zhǔn)確；而即將上線的更高進(jìn)精度的人像分割，可應(yīng)用于人像美圖、影視后期等場景。

圖像識(shí)別方面，新增紅酒識(shí)別和地標(biāo)識(shí)別這2個(gè)新能力。通過紅酒識(shí)別，用戶只需要對(duì)著紅酒標(biāo)簽拍照，系統(tǒng)就能自動(dòng)識(shí)別紅酒的品牌和名稱，目前可識(shí)別數(shù)十萬種國內(nèi)外紅酒，識(shí)別準(zhǔn)確率98%以上，從法國波爾多到中國張?jiān)＃唐沸畔⒍寄艿玫綔?zhǔn)確關(guān)聯(lián)。

地標(biāo)識(shí)別則能夠精準(zhǔn)識(shí)別約5萬中外著名地標(biāo)、景點(diǎn)，準(zhǔn)確率高達(dá)94%以上。用戶只需要拍攝包含國內(nèi)外著名景點(diǎn)、地標(biāo)的照片，系統(tǒng)就能自動(dòng)生成足跡、圖文博客等有意思的交互內(nèi)容。

百度大腦還宣布即將上線邀測錢幣識(shí)別功能。該功能可以精準(zhǔn)識(shí)別中外錢幣，支持?jǐn)?shù)百類幣種、數(shù)千種面額，識(shí)別準(zhǔn)確率98%以上，不僅能夠提升金融機(jī)構(gòu)貨幣兌換的效率，也能讓“外幣騙局”無處藏身。目前，百度大腦的圖像識(shí)別種類已經(jīng)多達(dá)11種。

語言及知識(shí)方面

了解到，百度大腦語言及知識(shí)方向能力集，共包括語言處理應(yīng)用平臺(tái)、語言處理應(yīng)用技術(shù)、語言處理基礎(chǔ)技術(shù)、知識(shí)理解以及知識(shí)圖譜。

語言處理應(yīng)用技術(shù)方面，推出新能力：

文本糾錯(cuò)，識(shí)別文本中有錯(cuò)誤的片段，進(jìn)行錯(cuò)誤提示并給出正確的建議文本內(nèi)容；

新聞?wù)瑢?duì)新聞內(nèi)容進(jìn)行全面的語義理解與分析，自動(dòng)抽取新聞文本中的關(guān)鍵信息并按指定長度生成摘要，可應(yīng)用于熱點(diǎn)新聞聚合、新聞推薦、語音播報(bào)、APP消息Push等場景；

智能寫詩，用戶只需要輸入任意主題詞（如公司名、節(jié)氣名），機(jī)器便可自動(dòng)生成融合了該主題詞的詩詞；

智能春聯(lián)，用戶輸入任意主題詞（如自己的名字），機(jī)器可自動(dòng)生成融合了該主題詞的春聯(lián)，可以應(yīng)用在企業(yè)互動(dòng)營銷、APP春節(jié)互動(dòng)活動(dòng)；

對(duì)話情緒識(shí)別，可以針對(duì)一段對(duì)話文本，自動(dòng)識(shí)別出當(dāng)前會(huì)話者所表現(xiàn)出的情緒類別。

在知識(shí)理解方面，推出新能力：

作文檢索，有數(shù)萬篇作文范文，可支持按文體、字?jǐn)?shù)、年級(jí)、常見主題等進(jìn)行查詢檢索，可應(yīng)用在少兒教育產(chǎn)品（如學(xué)習(xí)機(jī)）、圖書館等場景；

知識(shí)問答，可提供娛樂、人物、教育、影視、綜藝、動(dòng)漫、小說、文學(xué)作品等垂類的問答能力，以及日期歷法、年齡差、算數(shù)、時(shí)間時(shí)區(qū)差等推理計(jì)算能力，可應(yīng)用于智能音箱、兒童故事機(jī)、泛娛樂產(chǎn)品等場景。

不久后，智能寫作平臺(tái)也將上線，將從素材上為創(chuàng)作者提供工具、幫助找到靈感，提升創(chuàng)作者的寫作效率和產(chǎn)出質(zhì)量，降低寫作成本。

深度學(xué)習(xí)

了解到，2016年，百度開源了深度學(xué)習(xí)框架PaddlePaddle。近期，百度大腦對(duì)PaddlePaddle進(jìn)行了更新：

視頻分類模型庫：核心框架Paddle Fluid v1.3新增視頻模型庫，提供5個(gè)視頻分類經(jīng)典模型以及適合視頻分類任務(wù)的通用骨架代碼，用戶可一鍵式高效配置模型完成訓(xùn)練和評(píng)測。視頻理解權(quán)威競賽ActivityNet - Kinetics視頻動(dòng)作識(shí)別任務(wù)冠軍方法stNet的resnet50版本開源實(shí)現(xiàn)。

基于PaddlePaddle的BERT多機(jī)多卡和混合精度訓(xùn)練，新增支持NLP語義表示BERT模型，支持多機(jī)多卡訓(xùn)練，支持混合精度訓(xùn)練，訓(xùn)練速度對(duì)比主流實(shí)現(xiàn)提升50%+，提供完整部署示例。

提升分布式訓(xùn)練性能：大規(guī)模稀疏參數(shù)服務(wù)器Benchmark發(fā)布，CPU多機(jī)異步訓(xùn)練發(fā)布顯著提升點(diǎn)擊率預(yù)估任務(wù)IO吞吐的built-in reader，多機(jī)多卡訓(xùn)練性能多方面提升。

推出深度強(qiáng)化學(xué)習(xí)框架PARL1.0，支持可定制的并行擴(kuò)展，覆蓋DQN、DDPG、PPO、A3C等主流強(qiáng)化學(xué)習(xí)算法。通過8塊GPU拉動(dòng)近20000個(gè)CPU節(jié)點(diǎn)運(yùn)算，將近5個(gè)小時(shí)迭代一輪的PPO算法加速到不到1分鐘。