达摩院VQA首超人类，会带给我们什么？(2)

这个问题，对人类来说似乎不太难，但是对AI来说非常大的挑战。
整个测试都是各种各样不同的图和各种各样不同的问题，2016年水平的AI，在进行VQA测试的时候，分数很低，最高准确率仅能达到55%。
而经过多年的努力，2021年，阿里在这个测试中取得了非常好的成绩，这是与微软、Facebook、伯克利、百度等一流公司、一流大学、一流研发机构竞争，取得高分来之不易。
而且，这也是VQA测试以来，AI第一次超过人类水平，是标志性的重大突破。

最近几年，AI的成果一直在转化，今天，我们用自然语言可以给智能音箱下命令，让AI像管家一样帮我们控制联网的家电。
这在短短十年前，都是科幻片的情景。但我们和音箱的交互技术主要是语音语义识别，仍然是单模态的。
那么，这次阿里达摩院在VQA这个高难度领域突破，超越人类，又会给我们带来什么？
皇冠上的明珠
过去几年，人类在AI上有很多突破，这些突破主要都是单模态的，也就是替代人类一种感官。譬如机器视觉用于人脸识别、物体识别。语音识别用于识别人类语音，判断语义。这些都依赖深度神经网络的发展。
从DNN（深度神经网络）到RNN（循环神经网络），CNN（卷积神经网络），GAN（生成式对抗网络），Transformer(机器翻译模型)，AI在最近10多年中取得了巨大进步。
我们用上了智能音箱，普及了基于AI技术的人脸识别，有了能够交谈的AI客服，但AI与人类跨模态的交互问题一直没有解决。
VQA给AI一幅图像，一个用自然语言描述的问题，让AI用自然语言回答，要求多模态的技术能力。
首先，要让AI非常准确地理解图像和问题，这是第一步。
人类理解自然语言描述的一个问题，首先要懂语言，譬如一个英文问题，你先得懂英语才行。要懂英语，你得学单词，背语法，了解固定搭配，知道句型。而AI要看懂也得经历这个过程。除此之外，AI还要像人一样拥有常识和推理能力。