机器人怎么更懂人类？谷歌：看这五万多个视频

在这个世界中，机器正用一种全新的方式关注着我们的一举一动。谷歌在YouTube上发布了一系列富有洞察力的视频，旨在帮助机器更深入地理解人类如何在地球上生存。它们如同打开了一扇通往人类世界的窗口，为我们展现了丰富多彩的日常生活场景。

这些视频集合，被称为“原子视觉动作”（AVA），是一段仅持续三秒钟的片段，捕捉了人们从事的各种日常活动，如饮水、拍照、演奏乐器、拥抱、站立以及烹饪等。在这短暂的时间里，人工智能被引导去关注特定的人，以及他们的动作和姿态，还有他们是否与其他物体或人产生互动。

谷歌在的一篇博客文章中详细描述了这一创新数据集。文中提到，尽管过去几年在图像分类和物体寻找方面取得了重大突破，但理解和识别人类行为仍然是一个巨大的挑战。因为从本质上讲，动作比视频中的物体更为复杂多样。

这些视频片段总计达到了惊人的57600个，强调的动作仅有80种，但需要给超过96000的人进行标签标注。谷歌巧妙地从流行电影中截取部分片段，确保它们来自不同的流派和国家，以丰富数据集的内容。如果一段视频中有两个人，每个人都会被单独标记，这样机器就能更准确地理解人类社交互动中的微妙差别，比如两个人需要握手，或者人们在拥抱时的亲吻等复杂行为。

这项技术的广泛应用将帮助谷歌分析多年的视频数据，不仅能让我们更好地理解人类行为，还能为广告客户提供更精准的目标消费者。而根据一篇伴随的研究论文，谷歌的最终目标是要教会计算机社交视觉智能。也就是说，让计算机能够理解人类在做什么，下一步该做什么，以及他们想要达到什么目标。这不仅是技术的飞跃，更是对人类与机器互动未来的一次大胆设想。