MIT最新研究：AI可以为流媒体视频带来更好的播放体验

雷锋网 AI科技评论按：在网上看视频时，缓冲或色块问题时有发生，极其影响观看体验。现在，MIT计算机科学与人工智能实验室（CSAIL）利用神经网络算法，最大化地缓解了这种现象。将这种算法应用到YouTube或Netflix等网站之后，观众将会获得更好的体验。此外，这项技术还能应用于VR，缓解现有的网络带宽不够的问题。

Engadget上的一篇文章详述了CSAIL新的方法，雷锋网 AI科技评论将其编译如下。

缓冲和色块是流媒体视频播放中常常出现的问题。一旦出现这种情况，会影响观看体验，观众换台之后，又会影响广告商的收入。并且，这种情况还给流媒体服务带来了技术上的难点——很难设计出解决方案。

MIT 计算机科学与人工智能实验室（CSAIL）新发明的神经网络AI算法或许恰好能满足互联网所需的流畅流媒体服务。

上面播放的视频并不是以整段传输到电脑上的，那会占用太大的带宽。事实上，数据被分成小片段，然后按顺序传送。但是为了保证视频质量，像YouTube这样的网站是利用ABR(码率自适应)算法来确定视频播放的分辨率。ABR算法通常有两种模式:一种是测量网络传输数据的速率，另一种是保证视频开头有足够的缓冲区。

如果基于速率的算法失败了，系统会降低比特率以确保视频继续播放，这会导致色块问题。

另外，如果试图将视频快进太多，将会更加影响播放体验，这是因为基于缓冲的系统提前加载新的视频块和缓冲区时，不得不暂停播放。

这两种ABR模式本质上是解决同一问题的两面，他们都没有完全解决问题的能力。接下来就是人工智能的用武之地了。

实际上已经有了一些关于这个问题的研究。卡耐基梅隆大学的一个研究小组最近开发了一种叫做“模型预测控制”(MPC)的方案，试图预测网络环境如何随时间变化，并基于这个模型做出优化决策。然而，这个系统的问题在于，它只会基于模型自身做出优化决策，不适合那些突然或急剧发生流量变化的网络。

CSAIL的新方法被称为“Pensive”，它并不依赖模型，而是用机器学习来计算何时（以及何种情况下）在速率ABR和基于缓冲的ABR之间进行切换。和其他神经网络一样，Pensive使用奖励和惩罚来强化每次试验的结果。随着时间的推移，系统能够调整自己的行为，始终获得最高的奖励。有趣的是，由于可以调节奖励，我们可以调整系统，让它执行我们想要得到的行为。

麻省理工学院教授Mohammad Alizadeh在一份声明中说:“我们的系统很灵活，无论想要什么样的效果，都可以优化它来实现。甚至可以想象用户个性化自己的流媒体体验，这取决于他们是想要让缓冲优先还是让分辨率优先。”该团队对这个神经网络只进行了总长一个月的下载视频内容的训练，就已经能获得与MPC系统相同的分辨率，但减少了10%到30%的缓冲问题。

我们最终会看到这一技术被YouTube和Netflix等公司采用，但麻省理工学院的团队希望先将它应用于VR。Alizadeh说:“VR需要4k的分辨率，在使用时，码率很容易就达到每秒上千兆，而现在的网络根本无法支持。我们很高兴看到像Pensieve这样的系统能够为VR等这样的应用做些什么。这只是我们所做出的第一步。”

via：Engadget

雷锋网(公众号：雷锋网)AI科技评论编译

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。