高文

智能交通之所以被稱為“智能”，是因?yàn)樗梢酝ㄟ^(guò)一些技術(shù)手段來(lái)提高效率。比如，它可以知道哪條路上車(chē)多，哪條路上車(chē)少。雖然，以前的信號(hào)控制系統(tǒng)也做了很多類似工作，但那些系統(tǒng)大部分是通過(guò)地面的線圈，或是通過(guò)攝像頭采集到的信息來(lái)進(jìn)行輸入。今天我要和大家分享的，就是將最現(xiàn)代化的傳感器和計(jì)算系統(tǒng)結(jié)合在一起，將智能交通這件事做好。

什么是數(shù)字視網(wǎng)膜

首先，我們來(lái)了解一下什么叫數(shù)字視網(wǎng)膜。實(shí)際上，數(shù)字視網(wǎng)膜現(xiàn)在已經(jīng)形成了大規(guī)模的系統(tǒng)，這個(gè)系統(tǒng)要如何把視頻“看到”的東西很好地協(xié)調(diào)起來(lái)，需要解決三個(gè)問(wèn)題：一個(gè)是為什么，一個(gè)是怎么做，一個(gè)是具體的概念是什么。

從整體來(lái)講，無(wú)論是數(shù)字視網(wǎng)膜，還是圖像處理或視頻處理，都經(jīng)過(guò)了漫長(zhǎng)的演化進(jìn)程。舉個(gè)例子，視頻處理技術(shù)剛出現(xiàn)的時(shí)候，模擬的是照相機(jī)，那時(shí)大概是在 19 世紀(jì)中前期;后來(lái)，從倫敦開(kāi)始，人們慢慢將這些圖像以及其傳達(dá)的內(nèi)容利用起來(lái)，一直到 19 世紀(jì)中葉以后，人們開(kāi)始把模擬圖像變成數(shù)字圖像，進(jìn)行處理和傳輸;到了今天，圖像處理從衛(wèi)星圖像到醫(yī)學(xué)圖像等領(lǐng)域不斷發(fā)展，甚至覆蓋了我們生活的各個(gè)方面。

以前人們?cè)谶@一方面的處理能力不強(qiáng)，但現(xiàn)在，攝像頭和傳感器的發(fā)展越來(lái)越好，云計(jì)算也出現(xiàn)了。以前的攝像頭現(xiàn)在成了攝像機(jī)網(wǎng)絡(luò)，由幾千個(gè)、幾萬(wàn)個(gè)攝像頭聯(lián)系在一起。原先簡(jiǎn)單的云存儲(chǔ)也變成了現(xiàn)在復(fù)雜的城市大腦，一個(gè)城市有一個(gè)總存儲(chǔ)中心和若干個(gè)分存儲(chǔ)中心。智能交通的決策分析都在總中心進(jìn)行，而數(shù)據(jù)則從最末端的每個(gè)攝像頭傳輸?shù)椒执鎯?chǔ)中心，再匯總到總中心。那么，這些數(shù)據(jù)具體是怎么過(guò)來(lái)的？以前的模式就是，攝像頭把拍到的內(nèi)容用編碼器壓縮后傳送回來(lái)，到了總中心再解壓，通過(guò)基于手工的系統(tǒng)來(lái)提取有用信息，并分析識(shí)別。隨著人工智能技術(shù)越來(lái)越成熟，上述手工完成的工作都交給了深度神經(jīng)網(wǎng)絡(luò)來(lái)做，只要有足夠的算力就夠了。

但是，這樣一個(gè)系統(tǒng)，真的能提高效率嗎？如果效率不行，又是因?yàn)槭裁丛蚰兀縿倓傉f(shuō)過(guò)，攝像頭拍到畫(huà)面后要進(jìn)行壓縮，然后傳到總中心解碼，再進(jìn)行特征提取、分析、識(shí)別。實(shí)際上，這個(gè)過(guò)程需要一定的時(shí)間，很難達(dá)到實(shí)時(shí)的效果。為了解決這個(gè)問(wèn)題，人們不停地升級(jí)系統(tǒng)，還加了許多特殊的智能攝像頭來(lái)直接識(shí)別一些特征，不再經(jīng)過(guò)編碼的過(guò)程，由此來(lái)節(jié)約時(shí)間。

這種解決方案真的好嗎？其實(shí)不然。因?yàn)?，這樣做確實(shí)可以解決一些小問(wèn)題，但是它帶來(lái)了更多的大問(wèn)題?，F(xiàn)在的攝像機(jī)網(wǎng)絡(luò)規(guī)模很大，所以它收集的數(shù)據(jù)也非常大。然而，數(shù)據(jù)大不等于大數(shù)據(jù)。這些攝像頭拍下來(lái)的東西，85%—90% 都是監(jiān)控視頻的數(shù)據(jù)，很難對(duì)整個(gè)城市的管理和規(guī)劃改進(jìn)有幫助;而且，它們存儲(chǔ)的時(shí)間最長(zhǎng)也只有三個(gè)月，可能在兩個(gè)星期的時(shí)候就被覆蓋了或是廢棄了。

這樣的超大數(shù)據(jù)量?jī)H有一個(gè)超低的價(jià)值密度，我們應(yīng)該想辦法去轉(zhuǎn)換，讓它變得更有價(jià)值。問(wèn)題其實(shí)出在架構(gòu)上。按照原來(lái)的架構(gòu)，幾乎 99% 的攝像頭只是用來(lái)拍攝，然后將內(nèi)容編碼，即便它們傳輸?shù)臄?shù)據(jù)以后發(fā)揮了作用，攝像頭的貢獻(xiàn)也是極小的。所以，我們要想辦法讓攝像頭干更多的活兒，但又不是將其升級(jí)為簡(jiǎn)單的智能攝像頭來(lái)識(shí)別人臉或車(chē)牌。

真正有用的方法是，讓攝像頭將有用的數(shù)據(jù)抽取出來(lái)，傳送到云，然后作為一個(gè)富有價(jià)值的大數(shù)據(jù)在云里處理并長(zhǎng)期保存。這是從生物界受到的啟發(fā)。

無(wú)論是人還是動(dòng)物，我們都有眼睛，并且效率非常高。眼睛獲取光學(xué)信號(hào)是通過(guò)視網(wǎng)膜來(lái)獲取，視網(wǎng)膜里有兩種比較關(guān)鍵的細(xì)胞，感光細(xì)胞和錐狀細(xì)胞，這兩種細(xì)胞加起來(lái)有 1.26 億，而我們平時(shí)看到的東西，都是通過(guò)這些細(xì)胞來(lái)傳到大腦的。不過(guò)，在信息往后傳的時(shí)候，經(jīng)過(guò)了若干層，每傳一層信息都會(huì)進(jìn)行縮減，一直傳到腦神經(jīng)的連接地方。

舉兩個(gè)例子，一個(gè)正常的孩子在學(xué)習(xí)的過(guò)程中，實(shí)際是把神經(jīng)的全連接網(wǎng)絡(luò)進(jìn)行了增強(qiáng)和剪裁，有些連接變得越來(lái)越粗，有些連接慢慢就萎縮掉，最后能有效率地辨別事物。相反，一個(gè)患有自閉癥的孩子末端神經(jīng)和腦端神經(jīng)一樣粗，而是沒(méi)有進(jìn)行過(guò)裁剪的全連接，他的注意力很難集中。這也就說(shuō)明了信息縮減的重要性，但目前我們的攝像頭沒(méi)有信息縮減這個(gè)功能，相當(dāng)于一個(gè)“自閉系統(tǒng)”。所以，我們的系統(tǒng)要像人的視覺(jué)系統(tǒng)一樣，把信息縮減了再往上送。

數(shù)字視網(wǎng)膜的

三個(gè)最本質(zhì)特征

為了做這件事，去年我們發(fā)表了一篇《數(shù)字視網(wǎng)膜智慧城市系統(tǒng)演進(jìn)的關(guān)鍵環(huán)節(jié)》的文章。

如果用了所謂的數(shù)字視網(wǎng)膜，這件事就可以解決了，數(shù)字視網(wǎng)膜有八個(gè)最主要的特性，我匯總了三個(gè)最本質(zhì)的特征：

第一個(gè)特征叫做全局統(tǒng)一的時(shí)空 ID，每個(gè)攝像頭要有一個(gè)全局統(tǒng)一的時(shí)空 ID，地理位置是全局統(tǒng)一;每個(gè)攝像頭只要是送信息回來(lái)，馬上就知道這是全局統(tǒng)一幾點(diǎn)幾分的時(shí)間發(fā)生的事，發(fā)生的物理地點(diǎn)是在哪里。

第二個(gè)特征就是視網(wǎng)膜本身要有高效視頻編碼的能力和聯(lián)合優(yōu)化的能力。高效視頻編碼方面現(xiàn)在有很多標(biāo)準(zhǔn)，像 AVS 標(biāo)準(zhǔn)、MPEG4 等。特征編碼現(xiàn)在的標(biāo)準(zhǔn)有 MPEG、CDVS 標(biāo)準(zhǔn)、CDVA 標(biāo)準(zhǔn)。如果在一個(gè)碼流里，同時(shí)要監(jiān)控視頻編碼和特征編碼的話，要想辦法讓它們可以聯(lián)合優(yōu)化。

第三個(gè)本質(zhì)特征就是模型可更新，注意可調(diào)節(jié)，軟件可定義，這也是三個(gè)不同的要求。我們現(xiàn)在都是用神經(jīng)網(wǎng)絡(luò)模型，隨著時(shí)間推移可能會(huì)有新的算法出來(lái)，所以，數(shù)字視網(wǎng)膜要模型可更新的。換句話說(shuō)，每個(gè)攝像頭上的算法都是可以升級(jí)的。注意可調(diào)節(jié)，主要是可以后臺(tái)控制它。同一個(gè)畫(huà)面里的東西，優(yōu)先級(jí)在每個(gè)地方都是不一樣的，我們可以賦予它一個(gè)感興趣區(qū)域的功能，讓它有注意一些特別重要的區(qū)域，并保留這個(gè)區(qū)域的信息。軟件可定義，可以通過(guò)軟件升級(jí)來(lái)實(shí)現(xiàn)軟件可定義。

這種新的數(shù)字視網(wǎng)膜實(shí)際有三個(gè)流，不像傳統(tǒng)的攝像頭就是一個(gè)流，即一個(gè)視頻壓縮流或一個(gè)識(shí)別結(jié)果流。數(shù)字視網(wǎng)膜的三個(gè)流包括視頻編碼流，特征編碼流，模型編碼流。當(dāng)然這三個(gè)流是有分工的，有的是在前端可以實(shí)時(shí)控制調(diào)節(jié)，有的是通過(guò)云端反饋出來(lái)進(jìn)行調(diào)節(jié)和控制的。這就是數(shù)字視網(wǎng)膜。實(shí)際上，數(shù)字視網(wǎng)膜主要是通過(guò)腦眼合一的方式，將未來(lái)終端的信息，通過(guò)數(shù)字視網(wǎng)膜的處理，送到云端的。

現(xiàn)在，我們?cè)谏钲趯ｉT(mén)做數(shù)字交通，為了做這個(gè)事而進(jìn)行大規(guī)模的訓(xùn)練。其中，有一些開(kāi)源的東西，包括建立開(kāi)源生態(tài)，還有一些勢(shì)能的技術(shù)，視頻編碼標(biāo)準(zhǔn)是一塊重要的勢(shì)能技術(shù)?，F(xiàn)在，也在做一些基于應(yīng)用標(biāo)準(zhǔn)建設(shè)的工作。

第一款數(shù)字視網(wǎng)膜芯片已經(jīng)在路上，這個(gè)芯片很小，但卻把我剛才說(shuō)的三個(gè)本質(zhì)特征，八個(gè)功能全都包含在里面。將來(lái)，這種芯片可能會(huì)直接進(jìn)入各種智能交通的系統(tǒng)里，會(huì)支撐數(shù)字視網(wǎng)膜的應(yīng)用。

（根據(jù)高文院士最近的公開(kāi)演講內(nèi)容整理而成，未經(jīng)本人確認(rèn)。）

相關(guān)鏈接

生物視覺(jué)系統(tǒng)經(jīng)過(guò)幾億年才進(jìn)化得比較合理，而人工視覺(jué)系統(tǒng)才進(jìn)化了幾十年，通過(guò)學(xué)習(xí)生物視覺(jué)系統(tǒng)可以幫助人工視覺(jué)系統(tǒng)達(dá)到新的高地。為此，我們需要按照類腦方式構(gòu)建新的智能視覺(jué)計(jì)算系統(tǒng)。