摘要： 「数据就是新一代石油」的论断已成为行业共识，而在通往机器智能的路上，除了海量的（影像）数据，还需要更优的算法以及强大廉价的计算能力。

2016 年的杭州云栖大会上，当被问及比来一年对行业的最大感受时，阿里云总裁胡晓明曾不假思索地回答：「人工智能」。彼时，集阿里云人工智能大成的 ET 刚刚问世两个月，却已经成为杭州城市大脑项目中的「大脑」。

随后的半年时间里，阿里云的人工智能随着 ET 的快速发展而广泛布局，尤其是随着阿里巴巴发布「NASA 计划」之后，阿里云的人工智能步伐明显加快在完成了城市大脑、工业大脑、医疗大脑、环境大脑等一系列落地项目之后，阿里云在上海云栖峰会上推出一款新产品：视觉智能办事。

严格意义上说，比拟于之前任何一个领域的「大脑」产品，这款视觉智能产品看起来只不过是一种基础能力，或者更准确地说，这只是 ET 的「视力」——它让机器可以看清楚图片、视频，也能读懂其中的含义。

但事实并非如此简单，尤其是在 2017 年这个特殊的时间节点。十年前，乔布斯带着 iPhone 重塑了智能手机行业，也拉开了移动互联网的大幕。十年后，阿谁曾经被 iPhone 改变的世界又重新走到了另一个十字路口，这一次「拯救世界」的主角之一就是影像。

影像正在「吃掉」世界

影像曾是构成消费主义的核心要素。在过去，无论是时装杂志的封面人物还是电视屏幕上的明星红人，这些或静态或动态的图像不停向世界各地传递着买买买的「福音」。而现在，无处不在的摄像头正在时刻记录着人类的方方面面。

好比卫星和无人机，过去几年，小卫星公司的出现大大降低了通过卫星进行拍摄的成本，Google 就收购了一家叫 Skybox Imaging 的小卫星公司，随后将其改名为 Terra Bella，其商业模式就是向商业机构售卖卫星图像；而民用无人机的出现和逐步普及，也开启无人机的一系列企业级、消费级的应用浪潮。

而监控摄像头、摄像机的平民化则更近一步。过去动辄上千甚至几万块的监控摄像头越来越多地进入家庭，与价格下降成反比的则是家庭监控摄像头的拍摄精度大幅提升，1080p 的视频早已普及。

另一方面，Gopro 这样的运动相机越来越流行，与之相对的一组数字：目前 Youtube 上每分钟上传的影片总长度为 400 小时。而不管是国内的直播还是国外的 Snapchat 、Facebook，都在鼓励大家拍摄更多的影像。

但这并非故事的全部。

当摄像头成为新的输入工具......

如果你仔细去看本年以来包孕 Facebook、Google、苹果在内的开发者大会，你会发现一个共同点：手机摄像头正在成为新的输入工具。

支撑手机摄像头成为新输入工具的关键要素有两个：其一，手机拍照摄像已成为一种生活方式；其二，机器具备了处理与输出影像（图片或视频）的能力。

在机器学习尤其是深度学习的帮手下，计算机视觉在过去几年已经有了天翻地覆的变革，下面这幅图是英国知名投资人 David Kelnar 绘制的计算机视觉发展路径，在图像识别领域，机器已经超过人类：

而就在上月，阿里巴巴 iDST 视觉计算研究员华先胜的团队打破了机器视觉算法测评平台 KITTI上车辆检测的世界纪录，将其准确率提升到 90.46%，这项算法被认为是实现无人驾驶的关键技术，重点解决多视角，多姿态以及车辆遮挡等等。

此前，ET 在该平台的成绩也十分突出，在通用图片的识别方面，准确度达到 96% 以上，，涵盖从水果、蔬菜、交通工具、到植物、动物等上千种物品。

上述的视觉智能领域的红利正在被释放。从 FB、Google、苹果以及此次阿里云的新产品，所有这些都是巨头们引领行业发展潮流的关键布局，也是赋能开发者、构建生态体系的重要一环。

以此次阿里云的视觉智能的两款产品为例，不管是图像识别还是人脸识别，都是历经阿里巴巴内部多个应用场景考验后的技术输出，这也意味着这些技术具备了应对绝大多数应用场景的能力。

好比，基于机器学习以及卷积神经网络，ET 的人脸识别技术已经实现了人脸检测、器官轮廓定位、1对1人脸认证和1对多人脸识别等多个功能，其在LFW上识别率超过99.5%。目前该人脸识别系统已经应用于机场通关等场所，可以极大提高安检人员工作效率。

而在阿里巴巴 iDST 视觉计算研究员华先胜看来，来自城市里的摄像头所「输入」的数据更具挑战性。