3月18日，由中國圖象圖形學(xué)學(xué)會（CSIG）主辦，合合信息、CSIG文檔圖像分析與識別專業(yè)委員會聯(lián)合承辦的“CSIG企業(yè)行”系列活動成功舉辦。此次活動以“圖文智能處理與多場景應(yīng)用技術(shù)展望”為主題，特邀來自上海交大、廈門大學(xué)、復(fù)旦大學(xué)、中科大的知名學(xué)府的學(xué)者與合合信息技術(shù)團(tuán)隊一道，面向行內(nèi)研究者分享圖像文檔處理中的結(jié)構(gòu)建模、底層視覺技術(shù)、跨媒體數(shù)據(jù)協(xié)同應(yīng)用、生成式人工智能及對話式大型語言模型等研究及實踐成果。　

“CSIG企業(yè)行”活動旨在匯集產(chǎn)學(xué)研各界資源，探討圖文智能信息技術(shù)領(lǐng)域的最新發(fā)展動態(tài)和未來趨勢，共同推動圖像圖形領(lǐng)域的發(fā)展。會上，合合信息科技股份有限公司董事長、總經(jīng)理鎮(zhèn)立新博士發(fā)表致辭，并提到希望通過這次活動，創(chuàng)造產(chǎn)學(xué)研合作機會，為推動圖像圖形及人工智能行業(yè)的發(fā)展和進(jìn)步貢獻(xiàn)智慧和力量；CSIG文檔圖像分析與識別專業(yè)委員會主任金連文教授向與會代表介紹了中國圖象圖形學(xué)學(xué)會的組織架構(gòu)、開展的學(xué)術(shù)會議、成果鑒定等服務(wù)，鼓勵參會者積極參加學(xué)會的學(xué)術(shù)活動。

理論探索：生成式人工智能將成為未來十年的研究重心

(資料圖)

據(jù)國際IT研究機構(gòu)Gartner預(yù)測，到2025年，生成式人工智能產(chǎn)生的數(shù)據(jù)將占據(jù)人類全部數(shù)據(jù)的10%。生成式人工智能技術(shù)正加速數(shù)字經(jīng)濟的發(fā)展?！捌髽I(yè)行”活動中，上海交通大學(xué)人工智能研究院常務(wù)副院長、長江學(xué)者楊小康分享了團(tuán)隊在生成式人工智能領(lǐng)域的工作，并表示，目前的生成式人工智能還存在解空間巨大、宏觀一致性差、微觀清晰度受限等問題，需要通過數(shù)學(xué)、物理、信息論、腦認(rèn)知、計算機等學(xué)科交叉研究，進(jìn)一步夯實生成式人工智能的基礎(chǔ)理論，通過“物理+數(shù)據(jù)”聯(lián)合驅(qū)動， “虛擬+現(xiàn)實”深度融合，助力科學(xué)發(fā)現(xiàn)的加速。

楊小康認(rèn)為，以“識別——分析”為代表的判別式人工智能推動了人工智能前十年的發(fā)展，接下來十年，以“合成——重建”為代表的生成式人工智能將成為主流。

近期頻頻上“熱搜”的ChatGPT是生成式人工智能的典型代表。復(fù)旦大學(xué)計算機學(xué)院教授、上海市計算機學(xué)會自然語言處理專委會主任邱錫鵬提到，強大的情景學(xué)習(xí)能力、思維鏈能力和自然指令學(xué)習(xí)能力是以ChatGPT為代表的對話式大型語言模型的主要特點，將加速通用人工智能的實現(xiàn)。

據(jù)悉，今年2月，復(fù)旦大學(xué)自然語言處理實驗室發(fā)布了國內(nèi)第一個對話式大型語言模型“MOSS”，引發(fā)業(yè)內(nèi)廣泛關(guān)注，邱錫鵬是主要作者之一?！拔谋舅休d的知識只是冰山一角，還有很多‘暗知識’并不是以文本形式記錄的。在未來的發(fā)展里，人工智能還有‘具身學(xué)習(xí)、跨模態(tài)學(xué)習(xí)’等更多知識領(lǐng)域需要學(xué)習(xí)?！鼻皴a鵬說。

學(xué)術(shù)前沿：復(fù)雜場景多模態(tài)數(shù)據(jù)分析與理解進(jìn)展迅速

人工智能要實現(xiàn)多場景“通用”，需要解決多源數(shù)據(jù)的問題?！拔谋?、圖像、視頻是互聯(lián)網(wǎng)上存量最大的數(shù)據(jù)，需研發(fā)相關(guān)算法對其進(jìn)行有效管理?！睆B門大學(xué)科技處處長、人工智能研究院負(fù)責(zé)人紀(jì)榮嶸教授認(rèn)為，社交媒體等信息渠道包含了海量非合作、異構(gòu)化、跨模態(tài)的數(shù)據(jù)，既蘊藏了大量的人類知識與高價值信息，也包含了各種自然與人為的噪聲，對其分析與處理需要融合類腦計算、計算機視覺、自然語言處理等多個維度的智能技術(shù)。

紀(jì)榮嶸指出，連接視覺與自然語言的“視覺描述”領(lǐng)域，是最受關(guān)注且最具潛力的人工智能研究任務(wù)之一 。視覺和語言的研究應(yīng)是雙向的，各自的新發(fā)現(xiàn)、新方法可以互相迭代促進(jìn)?？缈臻g、跨領(lǐng)域、跨任務(wù)知識遷移方面有較大探索空間，易于發(fā)現(xiàn)新的科學(xué)問題 。

落地實踐：圖像文檔結(jié)構(gòu)分析、底層視覺技術(shù)發(fā)展受關(guān)注

語言文字和視覺研究的融合也為技術(shù)落地創(chuàng)造出新的發(fā)展空間。近年來，人工智能與OCR（光學(xué)字符識別）技術(shù)的結(jié)合愈發(fā)緊密，圖像文檔中涉及的復(fù)雜結(jié)構(gòu)如漢字結(jié)構(gòu)、表格結(jié)構(gòu)、文檔總體結(jié)構(gòu)的建模問題，逐漸成為研究熱點。中國科學(xué)技術(shù)大學(xué)語音及語言信息處理國家工程研究中心副教授杜俊就團(tuán)隊在文檔結(jié)構(gòu)層次化重建領(lǐng)域的最新進(jìn)展進(jìn)行分享。

“現(xiàn)階段文檔分析任務(wù)中，大多數(shù)研究是針對單頁內(nèi)的文章要素的解析，但從內(nèi)容角度看，許多文檔頁與頁之間內(nèi)容有關(guān)聯(lián)?！倍趴”硎荆瑘D像文檔處理能力要達(dá)到“篇章級”，突破手寫、自然場景下的漢字建模難點，做好跨頁文檔的要素分類、文檔結(jié)構(gòu)恢復(fù)是團(tuán)隊的主要研究目標(biāo)。

底層視覺是智能文檔處理的重要研究方向之一，主要研究如何提高或恢復(fù)各類場景下的圖像、視頻內(nèi)容，如清晰度提升，低質(zhì)量及破損圖像恢復(fù)等，相關(guān)理論和方法在手機圖像采集與處理，醫(yī)療圖像分析等領(lǐng)域發(fā)揮著至關(guān)重要的作用。合合信息圖像算法研發(fā)總監(jiān)郭豐俊博士針對目前底層視覺技術(shù)在處理形變、模糊、陰影遮蓋、背景雜亂的文檔時遇到的典型問題，就公司技術(shù)團(tuán)隊在智能圖像處理技術(shù)模塊、融合技術(shù)典型應(yīng)用、圖像安全領(lǐng)域等領(lǐng)域的研究成果進(jìn)行了分享。

郭豐俊提到，合合信息智能文檔處理技術(shù)基于對圖像目標(biāo)區(qū)域的精準(zhǔn)裁剪，對彎曲、傾斜透視的頁面進(jìn)行形變矯正，在去除陰影、摩爾紋后，通過人工智能技術(shù)對文檔圖像進(jìn)行增強銳化和清晰度提升，達(dá)到“圖像質(zhì)量增強”的效果，在改善閱讀體驗的同時，也提升了識別轉(zhuǎn)換、圖像分析等文檔處理下游任務(wù)的質(zhì)效，相關(guān)技術(shù)已通過“掃描全能王”等智能文字識別產(chǎn)品，服務(wù)全球上百個國家和地區(qū)的上億用戶。