向善而生的AI助盲，让AI多一点，障碍少一点******
有人说，盲人与世界之间，相差的只是一个黎明。在浪潮信息研发人员的心中，失去视力的盲人不会陷入永夜，科技的进步正在力图给每一个人以光明未来。
AI助盲在人工智能赛道上一直是最热门的话题之一。以前，让失明者重见光明依靠的是医学的进步或“奇迹”。而随着以“机器视觉+自然语言理解”为代表的多模态智能技术的爆发式突破，更多的失明者正在借助AI提供的感知、理解与交互能力，以另一种方式重新“看见世界”。
新契机：多模态算法或将造福数以亿计失明者
科学实验表明，在人类获取的外界信息中，来自视觉的占比高达70%~80%，因此基于AI构建机器视觉系统，帮助视障患者拥有对外界环境的视觉感知与视觉理解能力，无疑是最直接有效的解决方案。
一个优秀的AI助盲技术，需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展，才能构建信息无障碍的交互界面。仅仅依靠“一枝独秀”超越人类水平的单模态人工智能比如计算机视觉技术还远远不够，以“机器视觉+自然语言理解”为代表的多模态算法的突破才是正确的新方向和新契机。
多个模态的交互可以提升AI的感知、理解与交互能力，也为AI理解并帮助残障人士带来了更多可能。浪潮信息研发人员介绍说，多模态算法在AI助盲领域的应用一旦成熟，将能够造福数以亿计的失明者。据世卫组织统计，全球至少22亿人视力受损或失明，而我国是世界上盲人最多的国家，占世界盲人总数的18%-20%，每年新增的盲人数量甚至高达45万。
大挑战：如何看到盲人“眼中”的千人千面
AI助盲看似简单，但多模态算法依然面临重大挑战。
多模态智能算法，营造的是沉浸式人机交互体验。在该领域，盲人视觉问答任务成为学术界研究AI助盲的起点和核心研究方向之一，这项研究已经吸引了全球数以万计的视障患者参与，这些患者们上传自己拍摄的图像数据和相匹配的文本问题，形成了最真实的模型训练数据集。
但是在现有技术条件下，盲人视觉问答任务的精度提升面临巨大挑战：一方面是盲人上传的问题类型很复杂，比如说分辨冰箱里的肉类、咨询药品的服用说明、挑选独特颜色的衬衣、介绍书籍内容等等。
另一方面，由于盲人的特殊性，很难提取面前物体的有效特征。比如盲人在拍照时，经常会产生虚焦的情况，可能上传的照片是模糊的或者没有拍全，或者没拍到关键信息，这就给AI推理增加了难度。
为推动相关研究，来自卡内基梅隆大学等机构的学者们共同构建了一个盲人视觉数据库“VizWiz”，并发起全球多模态视觉问答挑战赛。挑战赛是给定一张盲人拍摄的图片和问题，然后要求给出相应的答案，解决盲人的求助。
另外，盲人的视觉问答还会遭遇到噪声干扰的衍生问题。比如说，盲人逛超市，由于商品外观触感相似，很容易犯错，他可能会拿起一瓶醋却询问酱油的成分表，拿起酸奶却询问牛奶的保质期等等。这种噪声干扰往往会导致现有AI模型失效，没法给出有效信息。
最后，针对不同盲人患者的个性化交互服务以及算法自有的反馈闭环机制，同样也是现阶段的研发难点。
多解法：浪潮信息AI助盲靶向消灭痛点
AI助盲哪怕形式百变，无一例外都是消灭痛点，逐光而行。浪潮信息多模态算法研发团队正在推动多个领域的AI助盲研究，只为帮助盲人“看”到愈发精彩的世界。
在VizWiz官网上公布的2万份求助中，盲人最多的提问就是想知道他们面前的是什么东西，很多情况下这些物品没法靠触觉或嗅觉来做出判断，例如 “这本书书名是什么？”为此研发团队在双流多模态锚点对齐模型的基础上，提出了自监督旋转多模态模型，通过自动修正图像角度及字符语义增强，结合光学字符检测识别技术解决“是什么”的问题。
盲人所拍摄图片模糊、有效信息少？研发团队提出了答案驱动视觉定位与大模型图文匹配结合的算法，并提出多阶段交叉训练策略，具备更充分的常识能力，低质量图像、残缺的信息，依然能够精准的解答用户的求助。
目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点，在AI助盲领域斩获世界冠军两项、亚军两项。
真实场景中的盲人在口述时往往会有口误、歧义、修辞等噪声。为此，研发团队首次提出视觉定位文本去噪推理任务FREC，FREC提供3万图片和超过25万的文本标注，囊括了口误、歧义、主观偏差等多种噪声，还提供噪声纠错、含噪证据等可解释标签。同时，该团队还构建了首个可解释去噪视觉定位模型FCTR，噪声文本描述条件下精度较传统模型提升11个百分点。上述研究成果已发表于ACM Multimedia 2022会议，该会议为国际多媒体领域最顶级会议、也是该领域唯一CCF推荐A类国际会议。
在智能交互研究方面上，浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA，同时给出首个智能体交互行为理解算法模型ARE。该研究成果已发表于ACM Multimedia 2022会议。该研究项目的底层技术未来可广泛应用于AI医疗诊断、故事续写、剧情推理、危情告警、智能政务等多模态交互推理场景。
眼球虽然对温度并不敏感，但浪潮信息的研发团队，却在努力让盲人能“看”到科技的温度，也希望吸引更多人一起推动人工智能技术在AI助盲、AI反诈、AI诊疗、AI灾情预警等更多场景中的落地。有AI无碍，跨越山海。科技的伟大之处不仅仅在于改变世界，更重要的是如何造福人类，让更多的不可能变成可能。当科技成为人的延伸，当AI充满人性光辉，我们终将在瞬息万变的科技浪潮中感受到更加细腻温柔的善意，见证着更加光明宏大的远方。
让“无声世界”感受赛场魅力！带你看看冬奥手语数字人有哪些奥秘******
2022年2月4日，第24届冬季奥林匹克运动会在北京举行，让世界目光再次聚焦中国。本届北京冬奥会秉持绿色、共享、开放、廉洁的办赛理念，凝聚中国科技力量，面向世界、面向未来，向全球奉献了一场精彩、非凡、卓越的奥运盛会。
本届冬奥会运用最新科技手段，为全世界观众提供了惊艳的现场转播和全方位覆盖报道，北京冬奥会也成一场上科技含量高的奥运会。赛事活动期间，为了让各类人群都能平等地享受本届冬奥盛会，北京电视台上线了智能手语播报数字人，在《北京新闻》和《北京您早》等节目中进行冬奥专题手语播报，为听障人士带来精彩赛事报道。
最新数据显示，我国听障人群超过2700万，这部分人群与健听人一样，他们对教育、社交、娱乐等信息获取都有巨大的需求。但长期以来，传统人工手语翻译工作量大，且主持人和手语主持人配合难度极高。手语动作表情复杂，语序与正常语序差异大，正常情况下想要熟练掌握手语大约需要2年左右的时间，还要结合语境进行猜测。
受北京市科委科技冬奥专班委托，北京电视台联合凌云光、智谱AI等业内科技公司，在北京市残疾人联合会和市残联聋人协会等支持下，用3个多月时间，让手语播报数字人完成了近10万条手语语料学习，且翻译准确率高达90%。
在如此短的时间内实现这项高难度动作，智能手语数字人是如何做到，在这背后又有哪些技术创新难点？
在多位业内人士看来，近年来人工智能体系建设重点布局在算法层和应用层，数据层建设远远不足，并且针对数字人相关产业，底层数据库的数量、质量和开源程度还明显不足。尤其是国内现有的手语语料数据库数量少，且多以图像、视频等二维平面为主，无法满足AI（人工智能）训练的需求。
同时，因手语语序与中文语序差异大，方言分化更加复杂，且需要通过表情、口型、动作等方式来传达信息。除了传统的二维平面图像、视频采集，三维肢体运动、表情信息数据采集及结构化参数表达外，手语语料数据库建设对三维运动信息捕捉也十分重要。
凌云光手语数字人产品相关负责人介绍，在建设高质量手语语料库的同时，他们充分调研了2022北京冬奥专用手语术语，并联合北京市残联、聋人协会等相关组织机构，进行数据标注，建设手语语义映射关系，不仅完善了国内手语数据库的建设，也为手语推广和AI研究留下了宝贵的数据资产。
该负责人举例说，基于“悟道2.0”超大规模人工智能模型的技术支撑，手语数字脑用计算机模仿听障人士的大脑，将看到的中文文本信息转换成手语词汇序列，包括中文语义蒸馏模型和AI手语分词快编算法的研究。中文语义蒸馏模型用于从输入的文稿或文本中提取出关键的语义信息，将中文文本语义提炼和精简，形成精准匹配适合手语表达的文本；AI手语分词快编算法则用于将蒸馏得到的中文文本，根据冬奥手语语料库划分成相应的手语词汇序列，供数字人做表达输入。
该负责人还提到，数字人是冬奥手语播报的载体和展现形式，通过高精度写实数字人全流程制作方案，可实现一键数字建模，高度还原真人发肤，重新毛孔等细节，更加真实亲切。同时，通过跨模态拟人生成算法，还可以将手语词汇序列，生成相应的动作信息，驱动数字人模型做出相应的动作、手势和表情。（姚坤森）
