|
极客公园微信号：geekpark 图像识别 「国外有谷歌，国内有百度，再想做一搜索产品还有什么机会？」 这是几年前就困惑着黄鼎隆的问题。那时候，他还在微软的 Bing 团队任职产品经理。那是一款 2009 年推出的、被微软寄予厚望的搜索产品，时任微软 CEO 的史蒂夫·鲍尔默甚至承诺将会有 60 亿至 120 亿美元投入到 Bing 的开发——这相当于当时微软运营收入的 5% 至 10%。 但是现实很骨感。在海外，Bing 的市场份额一直屈居于 Google 之后，国内更不敌百度。「竞争对手已经占据了市场先机，技术也非常好，如果一定要打胜仗，唯一的机会就是搜索的对象要有变化。」黄鼎隆说。 这个「搜索对象」最终被他认定为二维图像。2014 年，从微软离职后又先后就职于腾讯、TripAdvisor 公司的黄鼎隆和在微软时的旧搭档 Matt Scott，创办了码隆科技。这家公司目前推出的两款产品都致力于利用 AI 的视觉识别技术来识别商品。 根据平安证券发布的一份关于「人工智能图像识别」的专题报告显示，图像识别正在多领域被广泛应用，而且具有巨大的市场空间。在现实中，图像识别的应用已经在金融、安防和医疗领域被提前布局。但是在黄鼎隆和 Matt 看来，把人工智能技术直接跟「交易」相关的领域结合，提高生产效率，将是把人工智能技术推向成熟商业化的最短路径。 这一定程度上也是这家公司的内在价值观念：高高在上的人工智能技术，必须要找到细分的巷道落地，它必须成为生产力工具，才能产生他应有的效能。
码隆科技创始人黄鼎隆和 Matt Scott 人工智能的商业化落地：2C还是2B，是个问题 真正让黄鼎隆开始感到创业计划可行的起因，是相关产业链的陆续成熟。这个具体的信号来源于 ImageNet 的比赛结果：在 2010 年，ImageNet 比赛图像识别中对象分类项目的准确率是 72%，到了今年，这个数字达到了 97%。这项由斯坦福、卡内基梅隆、北卡以及密歇根等一流名校发起的一项计算机视觉竞赛，一直是计算机视觉方向发展的风向标。而 97% 的分类项目识别准确率则代表着，机器视觉的识别能力已经超过了人类。 这算是质的飞跃。2014 年，黄鼎隆觉得之前自己一直在思考的产品方向终于有机会成型。 关于图片的识别和搜索技术，其实一直在百度、谷歌等公司的搜索框架体系下有所成长，但是由于对图片中各种元素的标记效率低下等原因，搜索的结果准确率与文字搜索相比还有很大差距。 最开始，码隆科技推出的是一款面向 C 端的产品：Style AI。这款产品的功能被定位于用人工智能为用户「打造时尚」，为此，这个技术团队还专门聘请了一位服装设计师作为时尚顾问。通过识别用户上传的图片，Style AI 可以识别出图片中的同款服装商品并给出搭配建议，同时附带购买链接。 用人工智能切入「时尚」领域，这算是一个「讨巧」的方向。但是这个 to C 的 app 面临着较高成本的用户推广问题，这是擅长技术的码隆科技团队相对欠缺的方向。另一方面，为电商导流的「识图」技术似乎很难带来用户积累，的商业想象力也实在有限。 这是黄鼎隆和团队从 Style AI 里摸索出的道理：如果想要更快实现商业化，就必须用更开放的心态，把技术开放给更多成熟的商业力量使用。于是，这家公司的解决方案是及时转型：2016 年，码隆科技又推出了面向 to B 用户的 Product AI。 这款新产品的最大价值是为「以图片为驱动」的商业网站实现低门槛的以图搜图功能。背后的技术逻辑是相通的：通过机器学习，分析上亿个训练素材，从而形成对图片中各种元素的认识和了解后，机器就可以根据某一素材的「内部规律」，识别和搜索目标图片中的语义标签。根据黄鼎隆给出的数据，目前 Product AI 能够识别的?准确率已经优于人工识别，而相对于原本传统的「人工贴标」的方式，这家公司提供的解决方案提高了 8% 左右。 其中，柔性的服装类商品是这家公司最先切点入，也是把识别率磨砺的最为锋利的领域，但放大到其他领域时，这套系统依然能够发挥作用。与此同时，黄鼎隆也提到了自家产品与百度等平台的「以图搜图」功能不同之处：当人们进入某些网站上搜索图片时，希望找到的也许不是与原图「一模一样」的图片或者商品，而是「同款类似」的图片或者商品。他对极客公园记者以 Product AI 的 B 端客户视觉中国为例做了一个展示。 同样以一张「正在化妆的女模特」作为原图搜索时，百度和接入 Product AI 的视觉中国分别给出了以下的搜索结果。
百度展示的搜索结果
植入 Product AI 的视觉中国展示出的搜索结果 视觉中国网站中出现的一排标签，就是 Product AI 根据对原图片的认知自动标注的。 (责任编辑：本港台直播) |
