我看见的世界(41)_李飞飞

四一

　　▼07 一个假设

　　（A Hypothesis）

　　ImageNet不仅是一个数据集，它是一个假设、一个赌注，即实现真正机器智能的第一步，是沉浸在完整的视觉世界中。这个赌注无论被证明是对是错，我都做好了准备。但我没想到，它被忽视了。

　　我开车沿着206号公路疾驰，阳光透过绿荫的缝隙洒落下来，闪烁着一个个刺眼的光点。这条蜿蜒曲折的双车道公路很好开，两旁是高大的乔木，透过树冠的缝隙，会不时露出地平线上的小镇。但我却无暇留意这些美景。我的思绪完全沉浸在另外一个世界。我能集中注意力不至开错车道，但也仅此而已。

　　此时，我从加州理工学院博士毕业刚刚一年，但生活已经发生了翻天覆地的变化。母亲又病了，这次的病情比以往任何时候都严重，然后又突然稳定下来。我也找到了第一份真正的工作，成为伊利诺伊大学厄巴纳-香槟分校的助理教授，并获得了相应的医疗保险。我和西尔维奥结婚了。他也找到了一份工作，不过是在密歇根州。值得感恩的事有很多，但我确实是刚刚开启学术生涯、个人生活动荡不安的典型代表——我结婚了，但却是分居两地，而且仍然和父母住在一起。

　　对视觉分类本质的研究仍然是我世界的中心。我受邀回到普林斯顿大学，向计算机科学系介绍自己最新的研究成果。对我来说，做讲座已经驾轻就熟，但我感觉到这次邀请另有深意——这是招聘程序的第一步，可能会给我带来在普林斯顿大学的教职。我还不习惯这么大的利害关系，也很庆幸自己养成了每次回到新泽西就先拜访萨贝拉夫妇的习惯。从他们家到母校的蜿蜒道路给了我足够的时间来思考。

　　不过，我想得最多的并不是讲座，甚至不是我的职业生涯。比德曼估计，要为理解视觉世界提供一个完整的基础，大约需要3万个独立的概念。自从我偶然知道这个数字后，我的生活就完全改变了。这个不起眼的五位数成了我脑海中的黑洞，几乎每时每刻都占据着我的思维。

　　一方面，我的直觉与比德曼的一致，我能感觉到他的数字就是对的。“3万”看上去就像一个证据，是我能以某种方式使用的数据。不过，很明显，他从来没有把“3万”当作源于经验的确切数量。这是一个典型的估算，与其说是个假设，不如说是举例说明。然而，出于某种原因，这个数字多年来始终萦绕在我的脑海中。

　　这个数字启发了我的思维，让我对以前从未想象过的规模有了新的认识，但除此之外，它并没有给我带来什么解决之道。3万这个数字当然很有吸引力，但到底是3万个什么呢？我相信，肯定不是将101变成3万、创建包含3万个随机选择类别的数据库这么简单。这样的数据库肯定不仅仅是词典里的一套图解概念。它甚至可能不仅仅是对世界特征的描述，而是对世界进行整体建模的起点，可以逐个描绘出完整的地球生活图景，并暗含事物之间的关系，这样才可以反映整个世界的真正意义。不过这仍然只是我的猜测。

　　车辆疾驶，时间流逝，我又开始陷入白日梦。太阳石油公司加油站黄蓝相间的标志映入我的眼帘，引发了一连串回忆：以前驾车时沿途的印象不断闪现，色彩和情绪交织在一起，有的细节清晰，有的细节模糊，所有的记忆都被朦胧的色调包围，内容丰富，令人回味，却永远无法聚焦。然后，我不由自主地露出了微笑，因为我的脑海中浮现出一些具体的事物：萨贝拉先生提到他每天从巴德湖的家到帕西帕尼高中都要走这条路，还有他总是一丝不苟地跟踪油价——公立学校教师的工资微薄，他要尽量减少油价对钱包的影响。

　　正是这些看似再平常不过的时空场景激发了我的执着。这才是视觉的真正意义所在。视觉不仅仅是一种“感觉”，至少不是那种可以用温度计或盖革计数器测量的“感觉”，而是一种体验的催化剂。加油站的招牌在我每小时80千米的车速下一闪而过，它的颜色让我的大脑释放出了大量信息和情感。视觉是定义人类思维情感最为重要的能力之一，是通往整个记忆、联想、概念和推理世界的入口，所有这些都交织在我们与周围环境的视觉联系中。

　　我的思绪回到了在普林斯顿大学的演讲。至少，这是一个我有机会解决的问题。

　　※

　　“我不知道一个语言学家为什么去听一个计算机视觉讲座，飞飞，但我很高兴他去了。”

　　坐在我对面的是克里斯蒂安·费尔鲍姆（Christiane Fellbaum）。她是一位计算语言学家，也是我在演讲结束后的几天里遇到的众多普林斯顿大学的教师之一。她本人并没有出席讲座，但她的一位同事刚好在听众席上。这位同事觉得克里斯蒂安会对我的研究感兴趣，于是在我的演讲结束后立即介绍我们两个认识。

　　克里斯蒂安在语言学领域的工作与我的工作几乎没什么关联，但我们的工作有一个关键的共同点：我们都深受认知科学的影响，也都对理解（甚至绘制）大脑如何对世界进行概念化有着极大的兴趣。在研究人类视觉的过程中，对感知的内容进行分类的方式深深吸引着我，而这也是她工作中的核心部分，我们的研究内容非常相似。我们都相信类别是视觉（我们看到的事物）和语言（我们描述事物的方式）之间的交叉点。与她交谈了20分钟后，我突然意识到，我甚至不知道是否应该讨论一下工作机会的事。但不管怎样，这件事已经不是关注重点了，因为她接下来问的问题将永远改变我的职业生涯和人生。

　　“你听说过一个叫WordNet的项目吗？”

　　我随后了解到，WordNet是心理学和认知科学领域的传奇人物乔治·阿米蒂奇·米勒（George Armitage Miller）的杰作。乔治出生于1920年，是当代最具影响力的心理学家之一。他与其他心理学家一同致力于超越人类行为的表象，建立起驱动人类行为的心理过程模型。因此，他自然而然地就对语言结构及其在思维中的作用产生了兴趣。他想通过WordNet以极其庞大的规模绘制出语言结构图。

　　这个项目的灵感源于两个同样雄心勃勃的问题：如果我们能够将人类通过语言表达的每一个概念都组织到一个庞大的单词数据库中，会发生什么？如果这些单词不是像词典中那样按照字母顺序排列，而是根据它们之间的意义联系进行连接，会造成什么影响呢？例如，我们不因为拼写接近而把“apple”（苹果）这个词与“appliance”（器具）进行关联，而是将它与“food”（食物）、“fruit”（水果）、“tree”（树）等一系列相关的词汇进行集群配对。这样形成的词汇数据库就像一张地图，将人类所珍视的一切（也就是我们用词汇描述的一切）排列在一个相连的空间里。简而言之，这就是WordNet。

虚阁网(Xuges.com)