AI進入無障礙時代：手語識別翻譯的應(yīng)用，究竟意味著什么？

相信在人們的印象里，AI都是一個屬于“大多數(shù)”的技術(shù)門類。

所謂大多數(shù)，第一意味著相關(guān)數(shù)據(jù)量大、便于累積，適用于AI對海量數(shù)據(jù)極度依賴的特性;第二意味著應(yīng)用場景廣泛、便于變現(xiàn)回收成本，適用于AI研發(fā)的高門檻投入。

目前我們身邊常常出現(xiàn)的人臉識別、語音交互等等，其實都符合以上這些特征。不過這并不意味著，屬于“少數(shù)派”的AI是一片空白。

昨天是“全球無障礙宣傳日”，我們把目光投向于那些能夠消弭“少數(shù)與多數(shù)”區(qū)別的技術(shù)發(fā)展，例如服務(wù)于聽障人群的手語識別，就是一個典型的例子。

你我不懂的手語，為什么AI也很難讀懂?

手語是用手勢比量動作，根據(jù)手勢的變化模擬形象或者音節(jié)以構(gòu)成的一定意思或詞語，是聽障人群獨有的一種溝通方式。但這種溝通方式雖然能讓聽障人士之間彼此溝通，或讓理解手語的普通人與之溝通，但仍然不能滿足聽障人士與普羅大眾之間的交流需求。

這便意味在一些社會公共空間之中，例如政務(wù)場景或服務(wù)業(yè)場景，聽障人士可能都會遇到一些不便。

而AI，恰好成為了一種解決方案。

我們在一些軟件中，已經(jīng)開始應(yīng)用到了AI的手勢識別能力，像是拍照時“比心”來觸發(fā)一些AR特效。將這種對于手勢的捕捉，和手勢語義對應(yīng)起來，不就能實現(xiàn)對于手語的翻譯和生成了嗎?

這一邏輯是正確的，可從邏輯正確到應(yīng)用可行，卻還隔著一段不短的路程。

首先，手語的表達有一定的特殊性，想進行捕捉并不容易。

我們知道在“比劃手勢”這種行為上，本來就不存在絕對的精準度，加之一些手語詞匯的表達非常接近，而且手語表達通常是以句子為單位，詞與詞之前不會有明顯的間隙。以往手勢識別中利用前置攝像頭捕捉的方式，基本是不可行的。

于是很多科技和團隊給出的解決方案是加以外設(shè)，例如中科大和微軟推出了基于Kinect的手語翻譯系統(tǒng)，加州大學(xué)曾經(jīng)推出過的手語識別手套等等就是這樣?？蛇@些外設(shè)要么便攜程度低，要么造價昂貴，推廣起來有很大的困難。

同時，手語表達同樣也有國別性和地域性，在模型通用性上存在著困難。

手語中有“文法手語”和“自然手語”兩個概念，文法手語既是通用的普通話，至于自然手語則如同方言一般，在國別、地方甚至城市之間都有著不小的差異。這也造成了手語數(shù)據(jù)收集、標注會是一項成本高、工作量大的事情。

例如亞馬遜曾經(jīng)提出過，對智能音箱Alex進行改造可以使其翻譯出一些簡單的信號?？墒且驗槿狈Υ笠?guī)模的訓(xùn)練數(shù)據(jù)集，目前這一功能只能識別出一些簡單的美國手語，停留在實驗室階段。

手語破題沒有秘法，AI產(chǎn)業(yè)本該平權(quán)

雖然探索艱難，但科技企業(yè)們和學(xué)界還是不斷在手語AI上取得成果。例如騰訊優(yōu)圖實驗室推出的 “優(yōu)圖AI手語翻譯機”、愛奇藝推出的AI手語主播等等，都在手語AI的應(yīng)用上取得了不小的進展。

手語AI的突破可以分為兩條路線，一方面是手語AI本身技術(shù)的進展，另一方面是應(yīng)用場景的突破。

在手語AI技術(shù)本身上，可以分為識別模型和數(shù)據(jù)集兩個解決路徑。在數(shù)據(jù)集上，可以像優(yōu)圖一樣，通過和社會相關(guān)機構(gòu)以及聽障人士的接觸自建手語識別數(shù)據(jù)集，并且針對手語表達的地方性差異，做出表達習(xí)慣和速度上的多樣性拓展。

至于識別模型上，業(yè)內(nèi)也有全新的算法搭建概念，例如通過2D卷積神經(jīng)網(wǎng)絡(luò)和3D卷積神經(jīng)網(wǎng)絡(luò)分別提取手勢中靜態(tài)和動態(tài)的信息，經(jīng)由綜合處理來提升視頻識別效果，徹底擺脫其他傳感器的桎梏。同時針對手語表達的整句化的現(xiàn)象，在視頻幀的最后加入了詞級信息挖掘，對特征提取器提出的信息進行核驗，進一步去確定手勢對詞語表達邊界，除了提升識別精準度以外，還能提升對自然手語中地域表達的總結(jié)能力。在此基礎(chǔ)上，還可以算法模型中引入了上下文理解能力，以便于面對更加復(fù)雜的手語識別翻譯需求。

不過技術(shù)雖然得以提升，應(yīng)用場景端仍然會受到一些限制。例如手語識別可能會依賴較強大的算力，短時間內(nèi)很難便攜化、消費化。但完全可以通過和政府的合作，讓手語識別進入一些公共服務(wù)場景。或者像愛奇藝一樣，從手語生成方面入手，同樣也能幫助到聽障人士。

其實我們不難發(fā)現(xiàn)，可如果將技術(shù)拆分來看就能發(fā)現(xiàn)，手語AI取得的進步，并不是因為在某項基礎(chǔ)科學(xué)上突然取得了什么驚人的突破，而是有越來越多的企業(yè)和學(xué)者在研發(fā)和數(shù)據(jù)累積上一貫長期的投入，才能解脫于以往手語語料庫匱乏的困境，在算法上不斷迭代。

換句話說，企業(yè)和學(xué)者們在“少數(shù)派”的AI技術(shù)中投入了幾乎與“大多數(shù)”AI技術(shù)相匹配的精力與財力。對于AI產(chǎn)業(yè)來說，這無疑是一種平權(quán)精神。

從以人為本到科技向善：我們?yōu)楹我獙夹g(shù)洋流的引導(dǎo)更加主動?

騰訊優(yōu)圖在手語AI方面的投入，其實也是AI產(chǎn)業(yè)中一種隱隱冒出勢頭的洋流方向。

幾天以前，在福州的數(shù)字中國峰會上，馬化騰首次提到了“科技向善”這一概念，提出“我們相信，科技能夠造福人類;人類應(yīng)該善用科技，避免濫用，杜絕惡用;科技應(yīng)該努力去解決自身發(fā)展帶來的社會問題?！?/p>

無獨有偶，李飛飛在回歸斯坦福后，就著手創(chuàng)辦了HAI研究所(以人為本斯坦福人工智能研究所)，并在今年開始擔任所長。HAI的研究目標，就是推動AI技術(shù)向造福人類的方向發(fā)展，預(yù)測AI對人類生活的切實影響。

科技巨頭和學(xué)界旗幟都將目光投向了同一方向，是因為人們已經(jīng)開始逐漸發(fā)現(xiàn)AI、5G、產(chǎn)業(yè)數(shù)字化等等技術(shù)力量的勢頭之強，已經(jīng)到了不得不對其加以引導(dǎo)甚至約束的地步。

如同上文所說，科技企業(yè)在這一波技術(shù)發(fā)展的過程中，起到了很大的促進作用，而逐利自然是企業(yè)的本能和天性，因此企業(yè)會率先投身于那些滿足大多數(shù)人、應(yīng)用場景廣泛、研發(fā)成本相對低的技術(shù)。

這種行為本身無可厚非，但AI等等新技術(shù)帶來的效率提升實在過于顯著，是否會會對那些暫時無法接入新技術(shù)的領(lǐng)域和群體進行擠壓甚至邊緣化，是很多人都在思考的一個問題。

例如隨著英漢日法俄等等主流語種的機器翻譯能力不斷增強，那些語料庫不充足、應(yīng)用人數(shù)更少的小語種是否會因為得不到技術(shù)賦能，而被進一步的邊緣化?

同樣的，當公共事務(wù)辦理越來越多的被語音交互、圖像識別等等AI技術(shù)替代，聽障、視障群體在獲取服務(wù)時會不會遇到更多麻煩?

類似的情況其實已經(jīng)發(fā)生：2018年年底，聯(lián)合國發(fā)布了對英國政府數(shù)字化成果的報告，結(jié)果是數(shù)據(jù)顯示在英格蘭，自2010年以來無家可歸者增加了60%，保障住房的等待名單上有120萬人，用來救濟窮人的食品銀行需求量增長了近四倍——因為很多貧困人群并不知道如何在互聯(lián)網(wǎng)上申請貧困補助，甚至家里都沒辦法連接互聯(lián)網(wǎng)，最終只能在貧困中越陷越深。

很多時候，即使是無惡意的技術(shù)，也可能會出現(xiàn)無法預(yù)測走向。我們對于科技向善的引導(dǎo)，或許應(yīng)該更主動一些。

結(jié)束語

最后，我們不如來看看這樣一組數(shù)字：

據(jù)2017年北京聽力協(xié)會預(yù)估數(shù)據(jù)，我國聽障人群數(shù)量約達到7200萬。在全球范圍內(nèi)，世界衛(wèi)生組織發(fā)布的最新數(shù)據(jù)顯示，全世界有共計約4.66億人患有殘疾性聽力損失。

——你看，這世界上所謂“大多數(shù)”和“少數(shù)派”本來就是一個相對性的概念，并不存在黑白鮮明的區(qū)隔。尤其對于AI這種善于模仿人類能力的技術(shù)來說，它的存在本可以推倒阻礙各個群體溝通交流的空氣壁，而不是讓這種趨勢愈演愈烈。我們關(guān)于利用技術(shù)搭建美好世界的目標，既然可以不拋下任何一個人，就不該拋下任何一個人。

好在從服務(wù)于聽障人群的手語識別翻譯上，我們已經(jīng)能看到這種趨勢走向——精于計算的大腦不是AI唯一的模擬對象，還有人類的熾熱心臟。我們相信，在學(xué)界和巨頭的引導(dǎo)之下，未來會有越來越多的企業(yè)關(guān)注到無障礙AI技術(shù)的發(fā)展，不斷的打破各種隔膜阻礙。

愛雖沉默，也有回響。

AI雖沉默，也有回響。