李飞飞老师：寻找计算机视觉的北极星（一）

Fei-Fei Li, Krishna R. Searching for Computer Vision North Stars[J]. Daedalus, 2022, 151(2): 85-99.

【摘要】计算机视觉是人工智能研究中最基本的领域之一。它为近期深度学习革命的巨大进步做出了贡献。在本文中，我们记录了计算机视觉中目标识别任务的最新进展，CV是一个旗舰级的研究方向，促使了ImageNet这一划时代数据集的诞生和紧随其后诞生的算法。我们认为，取得这一进步的大部分原因源于研究者们对“北极星”的追求，当研究人员专注于科学学科的关键问题时，这个学科的研究者们可以被激发出最大的创造力并取得开创性的进展。在ImageNet和目标识别获得成功之后，我们观察到许多令人兴奋的研究领域以及越来越多的北极星问题要解决。本文讲述了ImageNet的简要历史，其相关工作和后续进度。本文的目标是激发出更多的北极星工作来推进CV领域，乃至整个人工智能领域的研究进展。

    人工智能是一个快速发展的领域。人工智能源自现代计算机科学，对很多每天使用人工智能的用户来说，它是一项令人印象深刻的工程成就。不可否认的是，人工智能，尤其是在近几年已经取得了不错的进展。我们身边可以看到很多成功的应用，从垃圾邮件的过滤，个性化的零售推荐到通过自发制动避免交通紧急情况下的碰撞。有一件可能不太引人注意的情况是目前科学落后于工程。作为人工智能领域的研究者，我们非常欣慰地看到科学与工程正紧密地交织在一起，相互促进与补充。至少在某种程度上，人们对于人工智能这一学科的思考可以激发出新的思路，在思考中及时询问也更有可能促进工程的进步。正如在任何学科领域里遇到的情况一样，在人工智能领域中需要解决的问题有很多，但研究者们并不总是很清楚地知道哪些问题是最重要的。但是，一旦你提出了一个基础问题，就像是找到了下一个“北极星”，那么你就可以开始推动你所在领域的研究上限。当然，这是我们的经验之谈，也是我们喜欢爱因斯坦的那句“提出一个问题往往比解决一个问题更重要”名言的原因。

    追根溯源，人工智能的起步是受1950年Alan Turning的“北极星”的驱动。他简洁地提出了如何判断计算机是否能被称为智能的问题（著名的图灵测试，计算机需要能够“欺骗”人类相信对方是人类）[1]。几年后，当这位人工智能的开拓者筹划了在Dartmouth的研讨会时，他们立下了另一个雄心壮志，提出建造一个可以“使用可以形成抽象和概念的语言，解决现在留给人类解决的问题，并可以提升自身性能”的机器[2]。可以说，如果没有那座指引方向的灯塔，我们可能永远无法解决这些新问题。

    我们所在的人工智能领域——计算机视觉，同样是受到一连串北极星的指引而发展至今的。本文将是一篇讲述目标识别的故事，以及它在其他人工智能领域面朝北极星所取得的进展。

[1] Alan M. Turing, “Computing Machinery and Intelligence,” Mind 59 (236) (1950): 433–460.

[2] John McCarthy, Marvin L. Minsky, Nathaniel Rochester, and Claude E. Shannon, “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence,” AI Magazine, Winter 2006.

（未完待续）