向善而生的AI助盲，让AI多一点，障碍少一点******

　　有人说，盲人与世界之间 ，相差的只是一个黎明 。在浪潮信息研发人员 的心中 ，失去视力 的盲人不会陷入永夜，科技的进步正在力图给每一个人以光明未来 。

　　AI助盲在人工智能赛道上一直是最热门的话题之一。以前 ，让失明者重见光明依靠的是医学的进步或“奇迹” 。而随着以“机器视觉+自然语言理解”为代表 的多模态智能技术的爆发式突破 ，更多 的失明者正在借助AI提供的感知、理解与交互能力 ，以另一种方式重新“看见世界” 。

　　新契机 ：多模态算法或将造福数以亿计失明者

　　科学实验表明 ，在人类获取 的外界信息中，来自视觉的占比高达70%~80% ，因此基于AI构建机器视觉系统 ，帮助视障患者拥有对外界环境的视觉感知与视觉理解能力 ，无疑是最直接有效 的解决方案。

　　一个优秀的AI助盲技术，需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展，才能构建信息无障碍 的交互界面 。仅仅依靠“一枝独秀”超越人类水平 的单模态人工智能比如计算机视觉技术还远远不够，以“机器视觉+自然语言理解”为代表 的多模态算法的突破才是正确的新方向和新契机 。

　　多个模态 的交互可以提升AI的感知 、理解与交互能力 ，也为AI理解并帮助残障人士带来了更多可能 。浪潮信息研发人员介绍说 ，多模态算法在AI助盲领域 的应用一旦成熟 ，将能够造福数以亿计的失明者。据世卫组织统计，全球至少22亿人视力受损或失明 ，而我国 是世界上盲人最多的国家 ，占世界盲人总数的18%-20%，每年新增 的盲人数量甚至高达45万 。

　　大挑战 ：如何看到盲人“眼中”的千人千面

　　AI助盲看似简单，但多模态算法依然面临重大挑战。

　　多模态智能算法，营造 的是沉浸式人机交互体验。在该领域 ，盲人视觉问答任务成为学术界研究AI助盲 的起点和核心研究方向之一，这项研究已经吸引了全球数以万计的视障患者参与 ，这些患者们上传自己拍摄 的图像数据和相匹配 的文本问题，形成了最真实 的模型训练数据集。

　　但 是在现有技术条件下 ，盲人视觉问答任务 的精度提升面临巨大挑战 ：一方面 是盲人上传 的问题类型很复杂 ，比如说分辨冰箱里的肉类 、咨询药品 的服用说明、挑选独特颜色 的衬衣 、介绍书籍内容等等 。

　　另一方面，由于盲人的特殊性 ，很难提取面前物体 的有效特征 。比如盲人在拍照时 ，经常会产生虚焦 的情况，可能上传的照片 是模糊 的或者没有拍全 ，或者没拍到关键信息 ，这就给AI推理增加了难度。

　　为推动相关研究 ，来自卡内基梅隆大学等机构 的学者们共同构建了一个盲人视觉数据库“VizWiz”，并发起全球多模态视觉问答挑战赛 。挑战赛 是给定一张盲人拍摄的图片和问题，然后要求给出相应的答案，解决盲人 的求助 。

　　另外 ，盲人 的视觉问答还会遭遇到噪声干扰的衍生问题 。比如说，盲人逛超市，由于商品外观触感相似，很容易犯错，他可能会拿起一瓶醋却询问酱油 的成分表 ，拿起酸奶却询问牛奶 的保质期等等 。这种噪声干扰往往会导致现有AI模型失效，没法给出有效信息 。

　　最后 ，针对不同盲人患者的个性化交互服务以及算法自有的反馈闭环机制 ，同样也 是现阶段 的研发难点 。

　　多解法 ：浪潮信息AI助盲靶向消灭痛点

　　AI助盲哪怕形式百变 ，无一例外都 是消灭痛点 ，逐光而行。浪潮信息多模态算法研发团队正在推动多个领域的AI助盲研究，只为帮助盲人“看”到愈发精彩 的世界 。

　　在VizWiz官网上公布的2万份求助中 ，盲人最多的提问就是想知道他们面前 的是什么东西，很多情况下这些物品没法靠触觉或嗅觉来做出判断 ，例如 “这本书书名是什么 ？”为此研发团队在双流多模态锚点对齐模型 的基础上 ，提出了自监督旋转多模态模型，通过自动修正图像角度及字符语义增强 ，结合光学字符检测识别技术解决“是什么” 的问题 。

　　盲人所拍摄图片模糊、有效信息少？研发团队提出了答案驱动视觉定位与大模型图文匹配结合 的算法 ，并提出多阶段交叉训练策略 ，具备更充分 的常识能力，低质量图像 、残缺的信息，依然能够精准的解答用户的求助。

　　目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点，在AI助盲领域斩获世界冠军两项、亚军两项。

　　真实场景中的盲人在口述时往往会有口误、歧义 、修辞等噪声。为此 ，研发团队首次提出视觉定位文本去噪推理任务FREC ，FREC提供3万图片和超过25万的文本标注，囊括了口误、歧义、主观偏差等多种噪声，还提供噪声纠错、含噪证据等可解释标签 。同时 ，该团队还构建了首个可解释去噪视觉定位模型FCTR，噪声文本描述条件下精度较传统模型提升11个百分点。上述研究成果已发表于ACM Multimedia 2022会议 ，该会议为国际多媒体领域最顶级会议、也 是该领域唯一CCF推荐A类国际会议。

　　在智能交互研究方面上 ，浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA ，同时给出首个智能体交互行为理解算法模型ARE。该研究成果已发表于ACM Multimedia 2022会议 。该研究项目的底层技术未来可广泛应用于AI医疗诊断 、故事续写 、剧情推理 、危情告警、智能政务等多模态交互推理场景。

　　眼球虽然对温度并不敏感，但浪潮信息的研发团队 ，却在努力让盲人能“看”到科技 的温度，也希望吸引更多人一起推动人工智能技术在AI助盲 、AI反诈、AI诊疗 、AI灾情预警等更多场景中 的落地。有AI无碍 ，跨越山海。科技的伟大之处不仅仅在于改变世界 ，更重要 的 是如何造福人类 ，让更多的不可能变成可能 。当科技成为人的延伸 ，当AI充满人性光辉 ，我们终将在瞬息万变的科技浪潮中感受到更加细腻温柔的善意，见证着更加光明宏大 的远方。

习言道｜天道酬勤，力耕不欺******

　　人勤春来早。习近平总书记曾在多个场合阐释勤劳的重要性，强调幸福不会从天降 ，美好生活靠劳动创造。