商汤的人工智能：AlphaGo低调的中国同行

本篇文章5610字，读完约14分钟

一家拥有数亿用户的学术初创公司证明，人工智能的商业应用在钱景是巨大的。

"人工智能突然着火了。"徐莉激动地说。35岁的徐莉是sense time的首席执行官和计算机视觉科学家。

过去，徐莉宣扬“深度学习”、“人工智能”和“深度思维”等术语，而这些术语客户往往并不知道。谷歌子公司deep mind开发的人工智能程序alphago击败韩国围棋大师李世石后，客户主动寻求合作机会。“ppt中的大量专业词汇已经被alphago用五套围棋普及”。

2014年，徐莉和他的学术同行共同创立了上汤科技。目前，核心业务是机器视觉服务，包括图像和视频处理和理解、人脸识别，其技术基础是与alphago同源的深度学习。这家低调的初创公司已经不知不觉地渗透到了大多数人的生活中。

带头

对徐莉来说，阿尔法戈赢得比赛并不奇怪。

在过去的两年里，每当他介绍深度学习的时候，他都会谈到深度思维，即alphago的创始人。alphago是一家英国公司，2014年被谷歌以4亿英镑收购。“深层思维只有12名员工。创始人是国际象棋冠军。没有特定的产品。参与深度学习游戏研究只需4亿英镑。当时，业界感到震惊。”

在谈到此次收购时，徐莉听到最多的评论是“谷歌会乱花钱。”然而，业内学术权威yoshua bengio教授当时评论道:“在深度学习领域，真正的专家大约有50位，其中12位是有深度头脑的，而谷歌购买的是未来。”阿尔法戈证实了深层思维的价值。

所谓的深度学习，从某种意义上说，是对人类大脑神经细胞的模仿。人脑有大量相互连接的神经细胞，它们相互传递神经刺激。然而，计算过程不是一步一步来的，它是把复杂的事情从一个层次计算到下一个层次。用计算机模拟这一过程将形成深度学习，这实质上是一种人工神经网络，善于在大量数据的基础上进行判断。

从历史上看，谷歌进行了一项“猫脸识别”的实验，建立了一个有10亿个节点的神经网络，允许它“观看”大量视频，而人工大脑独立地“学习”了猫脸识别的技能。以前，没有预先编写程序告诉计算机什么是“猫脸”，猫脸的特征是通过大量的视频和数据进行全面分析的。

深度学习的技术起源可以追溯到20世纪80年代，它受到计算能力和数据量的限制，长期处于学术界的边缘。2006年后，由于it技术的进步，其学校开始崛起；随后，微软人工智能首席科学家李征将其应用于语音领域，并取得了重大突破。李政·邓和他的合作者在2009-2010年开发了一套算法，这很快将语音识别的准确度提高到了一个新的水平。一个有代表性的成果是自动同声翻译系统，它可以将英语演讲实时翻译成汉语，并以汉语演讲的形式输出。

“这项研究改变了人工智能的产业地位，引爆了学术界。深度学习立即成为一个热点。”徐莉评论说:“大量的研究已经开始向深度学习的方向迅速推进。就像推动火车一样，技术的应用也在扩大，计算的准确性也大大提高。”2013年，麻省理工学院技术评论将深度学习列为世界十大突破性技术。

徐莉认为，深度学习主要应用于三个领域:语音识别、自然语言处理(一个典型的例子是“微软萧冰”)和计算机视觉。2010年前后，徐莉是当时香港中文大学的博士后，与唐晓鸥教授等香港中文大学多媒体实验室的兄弟姐妹有过多次接触，唐晓鸥教授是视觉领域深度学习应用的先驱。

其中，令人信服的成果是，在cvpr、iccv和eccv三大计算机视觉学术会议上，前三年29篇深度学习论文中有14篇来自香港中文大学多媒体实验室，其团队后来成为上汤科技的骨干研究力量。可以说，在深度学习和计算机视觉刚刚结合的时候，正是学术方向的明智选择和强有力的执行，使得上汤科技具有了现在的商业价值。

直到现在，上汤科技还保持着浓厚的学术色彩。它的许多人才团队来自麻省理工学院、斯坦福大学、香港大学、香港中文大学、清华大学等大学和实验室，以及谷歌、百度、微软和阿里巴巴等行业的领军人物，其中包括5名微软研究员和2名a星(阿里之星人才计划)，聚集了一批中国学术界在深度学习和计算机视觉领域的专家。公司有50多名医生，200多人。

“汤汤的很多科学家都很受欢迎，我们提供的工资也不比行业巨头高。”徐莉向《21世纪经济评论》(以下简称《21世纪经济评论》)记者解释说:“这些科学家愿意来，是因为我们真诚地相信，在人工智能等关键领域，中国原创技术有机会走在世界前列。”

世界第一

杰弗里·辛顿现在为谷歌工作，他被认为是深度学习的先驱。2010年在声音领域取得突破后，他试图将深度学习引入视觉图像领域，并参加了2012年的imagenet竞赛。

Imagenet竞争是人工智能领域的权威领域。斯坦福大学的中国学者李菲菲收集了大规模的视野“图像分类和目标检测”数据集。该数据集最初包括对1000种图片进行分类的任务，然后添加200种静态图片对象检测任务。

杰弗里·辛顿第一次使用深度学习方法，将图像分类的准确率提高了10%，这以前需要几年才能实现。这个例子一打开，如果你想证明自己在计算机视觉领域的实力，几乎有必要参加imagenet竞赛。

2014年9月，尚唐科技联合创始人秋石博士首次进入imagenet竞赛，并在大规模目标检测竞赛中以40.7%的成绩获得世界亚军，仅次于谷歌的43.9%。

2015年，imagenet竞赛增加了视频对象检测的新任务。视频是连续的图像，比静态图像中的目标检测具有更高的复杂度和商业价值。例如，一旦识别出视频中的所有对象，品牌就可以按对象搜索并植入目标品牌。

在这项新任务的竞赛中，活动的组织者选择了30类物品。由上塘科技和香港中文大学多媒体实验室组成的团队在28个类别中准确率最高，仅获得两个第二名；商汤科技的整体准确率为62%，远远高于第二名51%的准确率。最终，上塘科技以11%的绝对优势领先并赢得冠军。

根据徐莉的解释，imagenet竞争的结果取决于三个主要因素:

首先，核心是“创造大脑”的能力。大脑是否聪明决定了最终的计算结果。创造大脑的能力也是评估一个公司是否拥有人工智能核心技术的关键。谷歌收购了深层思维团队，facebook招募了学术权威严乐坤等人，百度聘请了安德鲁·吴(andrew ng)为首席科学家，实质上是在祈求“造脑之神”。只要人工网络的设计优越，就会在搜索等商业场景中带来巨大的商业利益，而上塘科技研究团队的高比例正是因为它把“人才建设”列为重中之重。

第二是数据。数据量越大，计算结果越准确。由于imagenet组织者也提供有限的培训数据集，这一条件对参赛者是平等的。

第三，超级计算能力取决于大数据处理的需求。只有当计算能力比其他算法更快时，我们才能测试更多的算法模型并选择最佳算法。上汤团队成立时，一开始没有gpu集群，通常需要一个月的时间来验证结果。2014年5月，在吴恩达的主持下，百度建立了当时世界上最快的超级计算平台——水华，实现了144个gpu连接。但现在，由上唐科技打造的深度学习超级计算平台deeplink拥有中国最大的200个图形处理器连接，过去需要一个月的时间来计算，现在只需要5-6个小时就可以完成。

imagenet竞争的胜利证明了上唐科技在两大领域的实力。“首先，我们的大脑真的很好造；其次，超级计算机平台具有强大的功能。”徐莉非常自豪。

掘金“人脸识别”

深度学习太抽象了。对于普通大众来说，上塘科技最容易理解的标签之一就是人脸识别技术。

2014年下半年，投资机构idg主动上门游说香港中文大学多媒体实验室骨干创业。徐莉和其他人当时在这个行业很有经验。他们为什么放弃学术追求，开始创业？

"从学术应用到工业应用的转变本身就是一种责任."徐莉解释说，在此之前，香港警方曾向他们的团队求助:一些逃逸车辆高速行驶的监控录像太模糊，所以他们希望找回逃逸车辆的信息，香港警方愿意支付服务费。这种做法给了团队很大的成就感。事实上，在计算机视觉领域的“四大天王”(即杰弗里·辛顿、扬·勒昆、约舒·本吉奥和吴恩达)中，有三位都从事这个行业。

2014年10月，上塘科技团队正式成立。在创业之初，团队的主要精力是将学术成果转化为商业解决方案。2015年上半年，它忙于培育产品。随着对人脸识别和图像处理需求的不断增长，2015年6月，该公司的业务开始爆炸式增长。上塘科技的业务团队刚开始只有四五个人，正忙着接待在公司里提问的客户。直到2015年底，它才开始开发目标行业客户。目前，业务团队的负责人曾担任ibm沃森健康大中华区的业务总监。

由于上塘科技主要从事b2b业务，这大多是隐藏在幕后，它一直不为人知。事实上，它的服务客户已经达到了十亿美元的规模。

小米是其合作伙伴之一。2015年8月，小米推出了操作系统miui7，其中发布了婴儿相册，这是上塘科技共同打造的新卖点。小米云服务负责人范迪安告诉21cbr记者，婴儿相册中使用的人脸识别技术主要由三个核心算法组成:一是检测照片库中的同一张人脸，二是识别这张人脸的特征，三是对同一张人脸进行聚类。

“在这个过程中，我们必须确保用户的隐私，我们不得泄露任何数据。这是一个很大的工作量。虽然我们开发了自己的算法，但我们希望我们生产的产品是一流的。因此，在对10多家公司进行了全面评估后，我们最终决定将“人脸识别”这一数据特征交给汤。”范迪安说。

在线金融搜索服务平台“荣360”首席执行官叶大庆也向《21世纪英文报》记者表示，自从人脸识别技术发展以来，系统的识别准确率已经超过了人眼。换句话说，技术比人类认知更好。在叶大庆看来，这正是金融业所需要的——人工智能可以用于金融业打击欺诈、识别欺诈者、提高效率和降低风险。

为此，2015年5月，荣360和上唐科技推出了“天吉”风险控制系统，从用户身份认证、还款意愿和还款能力三个维度对信用进行评分，并根据评分结果向贷款机构提出贷款建议。据说分数足够的用户可以申请不到5万元的小额贷款，10分钟内就可以批准，贷款可以在当天尽快发放。

同时，叶大庆认为，新技术是推动普惠金融发展的重要推动力。“我们总是说普惠金融，为更多人提供金融服务。这是普遍的；当价格下降时，就是“利益”。毫无疑问，长期使用技术可以降低贷款利率。从这个角度来看，人脸识别技术和大数据风险控制技术可以降低融资成本，提高融资效率，促进普惠金融的发展，帮助更多需要金融服务的人。”

在徐莉看来，近年来深度学习的流行在于它为行业提供了新的解决方案。“深度学习现在非常强大，一套解决方案可以适应各种行业。这是一把万能钥匙。”

徐莉表示，在现阶段，上塘科技主要规划了以下几个方面:

第一大领域是移动互联网，客户包括小米、华为mate 8发布的智能人脸相册、美图公司的人脸检测器、人像美容等。面、雪等。，用来刷朋友圈，也使用了上塘技术的算法。这些产品应用，每个都涉及1000多万客户。

值得一提的是，上塘科技还与中国移动在线公司建立了战略合作关系，其3亿用户的实名制计划依赖于上塘科技在ocr人脸识别领域的技术。

2015年，中国移动全面实施了实名认证，主要是通过光学字符识别和人脸识别。在去年中国移动的两次公开招标中，上塘科技最终在数十家投标公司中胜出。

“在投标过程中，上唐科技提供的技术模块有三个特点:算法识别准确率最高；能够满足客户在不同场景下的图像识别；在最短的时间内，利用数据对实际场景进行人脸识别训练。”中国移动在线公司的实名认证负责人王强新告诉21世纪广播公司的记者。

王强新表示，通过人工智能技术完成身份验证和实名认证，不仅降低了身份欺诈和防盗的概率，还解决了安全问题，而且由于系统自动处理服务，给客户带来了极大的方便。王强新透露，在与上唐科技的后续合作中，计划将刷脸识别技术全面应用于10086视频客服等其他数字服务领域，为客户提供更加便捷、安全的服务体验。

安全监控，包括视频和静态图像，是上塘科技的第二大领域。2015年，上塘科技与安全公司东方网通联合组建公司，构建基于视频监控系统、安全软件和大数据的智能交通管理系统。

东方网通总经理赵永军表示:“视频技术作为一种视频扩展，已经在一个安全的城市运行了很多年，随着互联网技术的发展，视觉感知正在发生质的变化，在技术和商业模式的探索中将不断出现新的形式。”

事实上，人工智能也为视频行业提供了新的模式和方案。今年年初，网络红人papi酱在互联网上传播开来，再次推动了视频行业的发展。视频行业“新贵”小卡秀事业部总经理杨旭告诉《21世纪英文报》记者，经过多次评估测试，小卡秀选择与上唐科技联手，探讨如何结合人工智能创造一款新的视频游戏。

上塘科技的第三大领域是互联网金融，其合作伙伴包括银联、京东金融、招商银行等。，涉及现实生活检测、身份证、ocr等业务。

除了上面提到的荣360，另一个合作伙伴，贷款包，也采用了上塘技术的算法。贷款宝副总裁翁透露，他的人像认证系统采用了上塘科技平台，用户无需输入银行卡密码即可进行身份认证。“在应用程序中收集用户肖像的照片，然后与公安部提供的身份证照片进行比较。我们每天有数十万人通过这种活体肖像认证，这是目前中国最大的肖像认证技术实践。”

事实上，汤汤的技术一度被业界怀疑。“一些同行错误地认为我们雇佣了大量的人在后台进行人工筛选。事实上，这完全是大数据处理的结果。我们的技术储备超出了许多同行的想象。”徐莉解释说，上塘科技在国内垂直应用市场上有竞争对手，如人脸识别或图像处理，但其大多数同行都是根据现有算法从事应用场景的研究。“我们还没有看到像我们这样专注于核心大脑建设和超级计算能力的布局。严格来说，很多同行实际上都是我们的下游，我们应该加强合作。”。

上塘科技团队希望瞄准从事深度学习研究的公司，如谷歌和脸书。徐莉说:“谷歌和Facebook现在不提供企业级服务，这对我们来说是一个巨大的机会。”