虽然现在有很多开源数据集，但是，这些数据集是被用于学术界创新和研究的benchmark数据集。这些数据和真实场景下的用户数据差别很大，场景也不足够丰富。用开源数据训练出来的模型，识别率往往不够理想。因此，真实场景下的海量标注数据集是非常关键的。

小蚁产品的用户量很大，用户使用小蚁产品的场景各种各样，环境也各不相同。有些用户的使用场景也让我们大开脑洞。限于我们的人力物力，我们优先处理主要用户场景。

优化

如前所述，小蚁采用的是一种“端+云”的混合方式。不管是端还是云，优化始终是我们最大的挑战。

在端上，由于硬件限制，无法运行深度神经网络，我们目前使用的是传统方法。即使这样，如何更快的处理视频，也是很大的挑战。

在云上，我们用GPU服务器运行深度神经网络，费用很高。小蚁的用户量很大，用GPU服务器处理，成本压力很大。

我们迫切需要技术的发展，能够把不影响准确率太多的前提下，把处理成本降下来。

CSDN：除了小蚁目前正在做的，您对图像跟踪、识别这一系列技术的落地方向还有何构想？

张骏峰：AI技术现在已经很强大了。AlphaGo颠覆了人们对AI的理解。人脸识别的准确率不断被刷新。但是，AI用到真正的场景上，还是非常困难的。首先是数据问题。上面已经讨论过了。然后是模型的训练调参。这也是一个非常漫长痛苦的过程。然后是模型的验证。周而复始。由于这些问题，AI技术现在做好一个场景，需要花费很大的精力。

期待有一天，AI技术可以做到像使用AWS API这样简单。

CSDN：自从生成网络火爆，图像风格迁移的APP便层出不穷，但似乎都还仅停留在娱乐层面，没有向更深更实用的方向发展，那么小蚁做AI艺术这个应用的初衷是什么，下一步将踩在哪里？

张骏峰：小蚁除了硬件产品，还有很多相配套的移动应用配合硬件产品。其中，小蚁运动相机/小蚁微单App提供了完整的硬件控制，图像视频编辑，社区分享的流程。我们一直在思考如何让用户玩得更好。

2015年底我们已经知道风格迁移的论文，并且做了尝试。那时候我们没有GPU机器，用cpu来实现处理算法，处理速度非常慢。尝试过一次后我们就放弃了。

Prisma的火爆，让我们意识到在风格迁移是可以有很好的移动用户体验的。我们开始使用购买GPU机器，用GPU来实现风格迁移算法。幸运的是，那时候已经有好几篇论文，把风格转换的速度提高了很多。我们在前人的基础上，实现了我们自己的风格迁移算法，应用到小蚁的移动应用上。

小蚁AI艺术上线的时候，正好赶上微信小程序即将上线的消息。我们立刻组织人员实现了小蚁AI艺术微信小程序版。由于时间紧迫，我们在最后一个星期六才提交审核。幸运的是，我们的小程序一次审核通过，得以在小程序放开的第一天，让用户使用。大部分使用过小蚁AI艺术微信小程序的用户，反馈都是非常正面的。在几乎没有推广的情况下，上线第一天获得了超过20万的使用次数。

我们最早上线的小程序只能处理图片。春节之后，我们更新了一版，最新的小蚁AI艺术微信小程序可以处理小视频。相信用户用小蚁AI艺术处理过小视频后，会有更深刻的感受。

现在的小蚁AI艺术，从用户体验上看，还有很多局限性。首先，每一种风格，合适于某一类图片。现在的体验，用户必须手动把所有风格都试一遍，才知道哪种风格合适。某一种风格，或者合适于人像，或者合适于风景。对于同时有人有景的图片，有时候需要做一个抉择。

我们能提供的风格模板也比较有限，用户使用过一阵后，新鲜感减少。最好的用户体验，是让用户任意指定一张照片，和一种风格，我们能把这张照片按照用户指定风格处理。我们现在的技术还无法做到这一点。

CSDN：您觉得图像风格迁移技术的难点在哪里，如何落地，瓶颈是什么？