获取训练数据的方式是非常多的，数据训练也是非常重要的，我们也是最大努力获取最好的数据。对于旷视的研究员来说，获取数据是研究责任的一部分，想办法获取也好，造也好，拿到数据是工作职责之一。

关于计算机视觉的过去和未来

机器之心：您涉足图像领域已经有近二十年的时间，在您看来这个行业有什么样的特点？到今天有哪些可以称之为里程碑的事件？

孙剑：我至今还觉得我还是这个行业的新手，好多东西了解还是比较浅的，不敢妄自评判里程碑事件，这绝不是谦虚。当然深度学习是最近、最重要的事件，再之前可能是机器学习方法引入计算机视觉，改变了计算机视觉中很多问题的研究方式。在现在火热的深度学习之前，atv，更多的是怎么用机器学习、统计学习来研究和思考视觉问题。

这不是某一个时间点突然发生的，而是一段时间内慢慢发生的。这对计算机视觉改变很大，以至于今天非常大比例的计算机视觉人员都是非常懂机器学习的人。

有一个里程碑是深度传感器的普及。2009 年，微软 Kinect 诞生是当时的一个大事件，因为终于可以很方便和低成本地获取 3D 信息 了。计算机视觉有两大问题，一个图像理解，一个三维重建。求解 3D 是梦想，原来需要拍两张或多张照片，费很大的劲儿来重建。今天有 sensor 直接可以测量 3D。它一下就开启了今天和未来的很多应用。

至于未来，我的导师沈向洋博士经常引用的一句话是：「The best way to predict the future is to create it.」

机器之心：接下来计算机识别或者说图像识别的发展，哪些问题是亟待解决的？

孙剑：我觉得挺难预测的。今天大家都在研究无监督学习，因为监督学习已经比较成熟了，但无监督学习不够好，这是非常大的问题。我在很多年前读过《On Intelligence》，最近又读了一遍，再次受到很多启发。无监督学习当然很重要，现在有很多人研究，但还没做到马上能解决问题，从一堆无标注的数据生成另一堆无标注的数据，很难说立刻能带来多大的实际价值。

《On Intelligence》，副标题为「How a New Understanding of the Brain will Lead to the Creation of Truly Intelligent Machines」

我现在看好两个研究方向，一个是深度神经网络，必须能记住东西。并非长短时的短期记忆，而是像小孩长大一样的长时间记住，有一个大的记忆库，把事物放进去还可以决定要不要拿掉，或者把它们关联在一起，都需要有记忆机制。现在大多数有监督学习都记在网络参数里，并没有显式的记忆。虽然已经有很多不错的研究了，但还没到实用，我觉得这会是一个非常大的突破。

还有一个方向是，如何完成连续的输入－输出。人之所以能处理这些视频、做好无监督学习，因为在实时处理各种视频，连续输入、连续输出。现在的问题是，大家不知道怎么准备这样的训练数据来教计算机。可以把视频输入进去，可你想教它什么呢？教它什么，教到什么颗粒度还不清楚。

送入连续的、动态的内容，少量的有标注（数据）、大量的没标注，因为不可能将所有的内容都标注。在学术领域中组织一个大的训练问题让大家研究，才能推动下一步的进展。因为现在数据的进出都在拟合一个单一的函数 F(x)，深度学习完成得非常好。但当函数不是静态的输入－输出时，是不断变化的输入，该怎么做是非常大的挑战。

机器之心：有一种声音认为，我们现在的计算机视觉太专注于研究人脸识别这样的功能分支，这还是停留在识别（或者说是感知）层面，是否也应该去关注认知这个更加重要的目标？

孙剑：这是个误解，计算机视觉领域从来就没有太专注研究人脸这个问题，Face++ 也不是只研究人脸。我们主要做我们最关心的 4 个计算机视觉的核心问题（图像分类、物体检测、语义分割、和序列学习），还有核心网络训练问题、底层构架问题、深度学习平台问题等。