百度大脑的秘境探险

原标题：百度大脑的秘境探险

人与机器之间，有太多秘密隐藏在未知以下。

比如说AI带来的语义理解与语音唤醒式人机交互，虽然被大家说的很神，但其实有大量难关没有被攻破。AI语音交互，往往还以来初级的符码转化和模块调用，真正让机器像人一样去理解世界，还有很长的路要走。

好在对人机交互深层秘密的探索，在今天并没有停步。一些全新的技术应用化，正在加强人与机器如何交流、协作甚至相互理解的无尽可能。

在刚刚的百度AI开发者大会中，一个重磅升级是百度大脑升级了3.0版本。这次升级之所以引人注目，是因为其在业界首次提出了“多模态深度语义理解”。

多模态、深度语义理解，这些都是我们经常在AI论文中看到的名词，但似乎从来没有科技巨头把这个词作为关键信息进行产业披露。这是为什么？

其中的隐藏信息，是人机交互通往多模态结合、深度转译之路上，一座难以翻越的高峰。

多模态深度语义理解技术，就像一个沉睡的沙漏一样，始终隐藏在细沙之下，让人难以见到真正的应用魅力。而百度大脑的3.0升级，似乎将这个沉睡经年的沙漏倒转了过来，最神秘的AI领域，开始在技术沙粒的流逝间展露了本来面目。

人机交互的秘密：AI界有个雪域高原

20世纪上半叶，社会符号学提出了模态分析的话语批判方式，而后模态理论逐步走入各个学科，成为自然科学、计算机科学与人文科学的重要三岔口之一。而在自然语言处理成为AI重镇之后，多模态话语融合也开始被AI思想家们提上了日程。

我们知道，AI进行语音交互时的基本逻辑，是要把一切语音进行识别，转化为文字符码再进行文本理解。而语音理解与视觉、传感相关的模态融合更是难上加难，堪称人机交互进程中的“高海拔地带”。

但我们不妨思考一下，人的思维方式其实并不是单一模态的信息转化。而是五感并用，语音语义一体化理解，无间隙给出交流反应。

换言之，机器最接近人的交流方式，就是多模态输入与融合化的语义理解。而类似自然交互的技术难点，在于不同模态的视觉、语音、语音、传感信号，是构建在完全不同的数据编码之上的。整合与再学习始终都是AI领域的难点，尤其是应用领域的难点。

价值极大，难度极高，把多模态深度语义理解堆积成了AI领域的雪域高原。无数开发者都在翘首以盼先导者能够翻越这座大山。

在这次百度AI开发者大会上，百度大脑非常自信地将升级矛头对准了这个最神秘的AI沙漏。主打多模态深度语义理解技术的底层开发，可谓打开了通往无尽技术应用与难预测上线的AI大门。

技术乘法：多模态深度语义理解的应用流沙效应

多模态深度语义理解之所以重要，从应用的角度看，是因为它把视觉、语音、语义、传感，以及泛深度学习类交互整合到了一起，让技术间不再是并行的通道，而是打开了彼此融合的想象之门，并且在利用深度学习技术，强化了语义理解的精准度与容纳范畴，视线了语音语义的一体化融合。可以想见的是，多模态深度语义理解，将会在技术突破之后带来大量的眼神技术与子应用，从而改变我们对AI识别、语音控制、人机交互的边界认识。

或许从此以后，AI技术将不仅仅是做加法，更有可能产生技术细节之间的乘法效应。从百度大脑3.0公布的技术案例，我们已经可以看出类似乘法效应：

在AI开发者大会期间，对多模态深度语义理解技术最直接的感受，在于技术能力突破之后应用边界的想象力爆棚。

比如说百度大脑3.0带来的视觉语义化技术，可以让机器从看清到看懂视频的内容。比如在新零售场景中，摄像头可以通过视频语义化来直接理解顾客的行为动作，以及选取了哪些商品。这样就无需再有复杂的识别条码、刷脸等流程，顾客可以真正的拿起商品就走，产生毫无时间影响的购物体验。

另一个多模态深度语义理解的技术应用，是语音语义一体化带来的。在使用语音导航长Query时，我们经常要简单明了的说清楚导航目标，但假如我们的导航需求比较复杂，或者我们也不太清楚具体的地名，那就会很麻烦。导航中的AI识别只能进行文本唤醒，无法去理解使用者的想法。

在百度开发者大会现场，我们已经见识到在语音语义一体化技术加持后，百度地图的用户可以像绕口令一样说出大量内容，百度大脑会同步听清、听懂和理解相关含义，给出最佳导航路线。

类似的案例还有很多，从中我们可以发现，多模态深度语义理解让AI技术沙漏中的每一颗沙子，都可以排列组合出未知中的惊喜。

戳破最后隔膜：百度大脑3.0的3件礼物

当开发者想要从传统AI赛道，进入神秘的深层人机交互，需要的并不是高屋建瓴的设想，也不是多么科幻的技术示范。而是脚踏实地，真正建立可以按部就班展开学习、尝试与创造的多模态AI路径。而百度大脑的3.0升级，带来了多模态世界的3个礼物，可以说是带给开发者的核心保障：

1、告别算力问题的“昆仑”：在AI开发者大会上，百度大脑3.0首次将芯片纳入技术体系，推出了百度自主研发的中国第一款云端全功能AI芯片“昆仑”。据了解，昆仑的AI任务处理速度比此前我们常用的FPGA方案快30倍以上。高性能、高性价比，且具有易用性的云端AI芯片，可以与百度的整体AI技术体系结合，带给百度大脑的用户与开发者更多想象力。

2、跳跃的PaddlePaddle：在今年的开发者大会上，百度公布了PaddlePaddle 3.0，在与自主芯片结合，打造全栈解决方案和平台化建设之余，新的PaddlePaddle还开放了多种平台，为不同层级的开发者提供更简单的开发与训练。其中AutoDL可以自动地进行网络结构设计；AI Studio是一个非常实用的在线训练平台。灵活利用更加富有生态化意味的PaddlePaddle，开发者的工作或将得到翻天覆地的变化。

3、便捷获取AI的开发者权能：开发者另一个核心需求，是有足够多的技术应用支撑，来满足天马行空的想象力。假如只有高度抽象，雷同程度很高的技术开放，那么大家很难找到自己的开发机会，尤其是在多模态语义理解带来的全新契机面前。而百度大脑3.0全面开放了110多项AI能力，满足了开发者的技术拼图需求。李彦宏在开发者大会的开场白中说，百度的目标是Everyone Can AI。那么百度大脑的技术拼图和全栈架构，将是百度分享AI，建立开发者权能的必经之地。

百度大脑的升级，可以看做众多AI应用核心的突破。未来无数令人惊喜的AI应用，都将建立在百度大脑的跃升之上。当多模态底层技术不再是奢望，高度拟真的人机交互也就不再遥远。从百度大脑3.0开始，一个沙漏已经倒转，趋于理论最高值的AI未来，正在快速向这个世界挺进。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。