長期以來，AI的目標就是準確地描述圖像，而不僅僅是像笨拙的機器人。谷歌在2016年表示，其人工智能可以為人類提供幾乎與人類一樣的字幕圖像，準確度達到94%。現(xiàn)在，微軟表示，它走得更遠：它的研究人員建立了一個AI系統(tǒng)，甚至比人類更準確-以至于現(xiàn)在坐上了榜首的nocaps圖像字幕標桿。微軟聲稱其自2015年以來一直使用的圖像字幕模型要好兩倍。

盡管這本身就是一個顯著的里程碑，但微軟不僅僅是將這項技術保留在自己手中。現(xiàn)在，它作為Azure認知服務的一部分提供了新的字幕模型，因此任何開發(fā)人員都可以將其引入他們的應用程序中。今天，它也可以在Seeing AI中使用，Seeing AI是面向盲人和視障用戶的Microsoft應用程序，可以描述周圍的世界。今年下半年，字幕模型還將改善您在PowerPoint中針對Web，Windows和Mac的演示文稿。它還會在桌面平臺的Word和Outlook中彈出。

Azure AI的CVP Eric Boyd在接受Engadget采訪時說：“圖像捕獲是AI中最難的問題之一。它不僅代表理解場景中的對象，還包括它們之間的交互方式，以及如何描述它們。”精細的字幕技術可以為每個用戶提供幫助：它使在搜索引擎中查找所需圖像變得更加容易;對于視障用戶，它可以使瀏覽網(wǎng)絡和軟件變得更加出色。

看到公司吹捧他們的AI研究創(chuàng)新并不少見，但是將這些發(fā)現(xiàn)迅速部署到運輸產(chǎn)品中卻很少見。Azure AI認知服務的CTO Huang Xuedong出于對用戶的潛在好處，推動將其迅速集成到Azure中。他的團隊使用標記有特定關鍵字的圖像對模型進行了訓練，這有助于使它成為大多數(shù)AI框架所沒有的視覺語言。通常，這些類型的模型是使用圖像和完整標題訓練的，這使得模型更難于學習特定對象的交互方式。

“視覺詞匯預訓練本質(zhì)上是訓練系統(tǒng)所需的教育;我們正在嘗試教育這種運動記憶，”黃在博客文章中說。這就是這種新模型在nocaps基準測試中的優(yōu)勢，該基準測試側(cè)重于確定AI可以如何為字幕創(chuàng)建字幕，這些字幕從未見過。

但是，盡管要打破基準很重要，但微軟新模型的真正考驗將是它在現(xiàn)實世界中的功能。據(jù)博伊德說，Seeing AI開發(fā)人員Saqib Shaik也在自己的盲人手中推動了Microsoft的更大可訪問性，他說這是對他們先前產(chǎn)品的巨大改進。既然微軟已經(jīng)設定了一個新的里程碑，那么有趣的是，看看來自Google和其他研究人員的競爭模型也將如何競爭。

責任編輯：lq