1993年春天，知名大學(xué)統(tǒng)計(jì)學(xué)教授發(fā)表了一篇論文。他的論文將改變?nèi)斯ぶ悄艿姆绞剑摻淌诘募榷繕?biāo)更為謙虛：分析來自1990年美國人口普查的數(shù)據(jù)，同時(shí)保留受訪者的匿名性。僅對數(shù)據(jù)進(jìn)行匿名化是不可行的，仍然可以通過其家庭住址，電話號碼或社會保險(xiǎn)號來識別個人，所有這些對于該教授的同事想要進(jìn)行的分析都是至關(guān)重要的。為了解決該問題，該教授生成了一組匿名的人口普查響應(yīng)，其人口統(tǒng)計(jì)反映了原始數(shù)據(jù)集的人口統(tǒng)計(jì)。這樣，該教授的同事們可以得出關(guān)于美國膚色的有效統(tǒng)計(jì)推斷，而不會損害其公民的身份。那么合成數(shù)據(jù)如何促進(jìn)計(jì)算機(jī)視覺的？

該教授的解決方案是原始的。他已經(jīng)產(chǎn)生了綜合數(shù)據(jù)，并以此為我們的學(xué)術(shù)詞匯量做出了貢獻(xiàn)。他的方法受到統(tǒng)計(jì)學(xué)家，經(jīng)濟(jì)學(xué)家和醫(yī)學(xué)研究人員的歡迎。

　　機(jī)器學(xué)習(xí)中的合成數(shù)據(jù)

數(shù)十年后，合成數(shù)據(jù)被發(fā)現(xiàn)可以促進(jìn)機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)系統(tǒng)是可預(yù)測的，并且大多數(shù)都需要數(shù)據(jù)-越多越好。

例如，預(yù)測更多選舉結(jié)果的監(jiān)督式機(jī)器學(xué)習(xí)模型的準(zhǔn)確性將提高。但是選舉是很少發(fā)生的事件，這意味著這種模型的數(shù)據(jù)派生預(yù)測能力有限（對模型體系結(jié)構(gòu)的更改可能會產(chǎn)生較小的性能改進(jìn)，但與將其訓(xùn)練數(shù)據(jù)集加倍的影響相形見）。

為了獲得更大的預(yù)測能力，該模型需要更多數(shù)據(jù)。它還必須能夠解釋決定選舉結(jié)果的機(jī)制的變化，以便可以對兩者之間的關(guān)系做出有效的推斷。

生成其屬性可以進(jìn)行有效推斷的合成數(shù)據(jù)是魯賓工作的初衷。受此啟發(fā)，加州理工學(xué)院和加州大學(xué)歐文分校的研究人員創(chuàng)建了綜合選舉數(shù)據(jù)，該數(shù)據(jù)可能已記錄在投票箱中，但沒有。

在該研究中，使用合成數(shù)據(jù)來克服數(shù)據(jù)稀缺性，但是數(shù)據(jù)隱私是另一個嚴(yán)重的問題。諸如醫(yī)療保健等處理高度敏感的個人信息的行業(yè)積極倡導(dǎo)合成數(shù)據(jù)，因?yàn)榉ㄒ?guī)通常會阻止其數(shù)據(jù)科學(xué)家處理真實(shí)的患者記錄。

隱私和稀缺性是重要的數(shù)據(jù)訪問問題，解決這些問題使模型的性能更高。但是在機(jī)器學(xué)習(xí)社區(qū)的另一個角落，合成數(shù)據(jù)被用于賦予模型新的功能-能夠查看原本不會看到的東西并做出新穎的預(yù)測。

　　合成影像

處理圖像的機(jī)器學(xué)習(xí)子集稱為計(jì)算機(jī)視覺。像預(yù)測選舉的模型一樣，大多數(shù)計(jì)算機(jī)視覺模型都隨數(shù)據(jù)而改進(jìn)。

在計(jì)算機(jī)視覺中，數(shù)據(jù)獲取的主要方法依賴于坐在房間里的人類，并根據(jù)其內(nèi)容對圖像進(jìn)行標(biāo)記。這是一個關(guān)鍵但勞動密集的過程（現(xiàn)在著名的名為ImageNet的照片集被手工標(biāo)注了近1400萬次）。

標(biāo)簽之所以重要，是因?yàn)闃?biāo)簽是我們將對世界的語義理解編碼到計(jì)算機(jī)中的方法。例如，坐在那個房間里的人們在貼上圖像的標(biāo)簽時(shí)，可能會將照片注釋為“貓”或“狗”，以向計(jì)算機(jī)展示如何識別差異。但是標(biāo)簽不必局限于人眼可以識別的事物。

由計(jì)算機(jī)創(chuàng)建的合成圖像可能包含標(biāo)簽，這些標(biāo)簽的尺寸甚至不能被人類可靠地量化-諸如深度或透明度之類的參數(shù)。

想象一下如何嘗試測量圖像中成千上萬個單個塑料瓶的相對深度?，F(xiàn)在測量它們的透明度，以及它們反射光的角度。對于人類而言，這項(xiàng)任務(wù)是不可能的，但是具有這些屬性的照片擴(kuò)大了計(jì)算機(jī)視覺模型的推斷可能性。

例如，在零售和廢物管理行業(yè)中，當(dāng)機(jī)器人在包括深度和透明度標(biāo)簽的合成數(shù)據(jù)集上接受訓(xùn)練時(shí)，機(jī)器人可以揀選存貨并回收具有更大靈活性的塑料瓶（研究人員在今年早些時(shí)候證明了這一點(diǎn)）。使用合成數(shù)據(jù)，機(jī)器人變得更加智能。

　　逆勢下注

的確，計(jì)算機(jī)已經(jīng)產(chǎn)生了數(shù)十年的圖像，但是要做到逼真的，具有美學(xué)多樣性并大規(guī)模地進(jìn)行圖像生成是非常困難的。生成對抗網(wǎng)絡(luò)（GAN）是一種復(fù)雜的解決方案。它們以程序方式創(chuàng)建信息，這意味著它們可以提供圖像的無限變化，但與其他深度學(xué)習(xí)模型相比，不需要更多的人工指導(dǎo)。對于那些知道如何使用它們的人，GAN啟用了一條有利的數(shù)據(jù)供應(yīng)鏈。

到目前為止，合成數(shù)據(jù)仍然是一個逆勢賭注，因?yàn)閭鹘y(tǒng)觀點(diǎn)認(rèn)為，使用人工標(biāo)記圖像訓(xùn)練的模型比使用合成圖像訓(xùn)練的模型具有更高的性能。

但是來自學(xué)術(shù)界的證據(jù)表明，傳統(tǒng)觀念是錯誤的。在許多情況下，在合成數(shù)據(jù)上訓(xùn)練或增強(qiáng)的模型比在實(shí)際數(shù)據(jù)上訓(xùn)練的模型更有效，并且它們可以感知其他模型無法做到的事情。

這在自動駕駛汽車行業(yè)已經(jīng)很明顯，因?yàn)楝F(xiàn)實(shí)世界中的不確定性和動態(tài)性對合成數(shù)據(jù)產(chǎn)生了前所未有的需求。除非安全，否則Uber，Tesla，Waymo和Zoox不會在道路上行駛汽車，但是它們?nèi)绾晤A(yù)測可能發(fā)生的每種駕駛情況？

在真正的汽車中讓真正的駕駛員捕捉數(shù)百萬小時(shí)的下雨，夜間和山區(qū)駕駛場景是不切實(shí)際的。這將花費(fèi)太長時(shí)間，并使人們處于不必要的危險(xiǎn)中。更好的解決方案是可以提供無限風(fēng)景多樣性的圖像生成管道。所有主要的自動駕駛汽車公司都有可能將合成數(shù)據(jù)納入其計(jì)算機(jī)視覺系統(tǒng)。

合成圖像的另一個說法是經(jīng)濟(jì)。像其他數(shù)字商品一樣，其邊際生產(chǎn)成本幾乎為零。只要替代方案是人類為圖像加標(biāo)簽，合成數(shù)據(jù)將更便宜，或者這樣的說法就可以了。

實(shí)際上，單位經(jīng)濟(jì)學(xué)更加復(fù)雜。許多高價(jià)值的用例需要自定義3D資產(chǎn)，必須購買這些資產(chǎn)或由CGI藝術(shù)家使用動畫軟件繪制。在第一批合成數(shù)據(jù)初創(chuàng)企業(yè)中，競爭優(yōu)勢可能在于其攤派此類藝術(shù)家固定成本的能力。這樣做的回報(bào)是巨大的，但還需要在客戶之間有一個一致的，重復(fù)出現(xiàn)的用例，而在所有合成圖像市場中尚不存在這種用例。

隨著戲劇性的發(fā)展，綜合數(shù)據(jù)的性能優(yōu)勢將在學(xué)術(shù)界和初創(chuàng)企業(yè)界之外得到認(rèn)可。

盡管如此，能夠識別差異化和高價(jià)值用例并圍繞它們建立可預(yù)測的收入流的初創(chuàng)公司將享有令人羨慕的市場地位。

對于初創(chuàng)企業(yè)和老牌企業(yè)而言，一件事很清楚：社會對機(jī)器學(xué)習(xí)系統(tǒng)的性能期望正在提高，并且使用合成數(shù)據(jù)來滿足它們。

綜上所述，合成數(shù)據(jù)如何促進(jìn)計(jì)算機(jī)視覺的相信大家已經(jīng)清楚了吧，想了解更多關(guān)于人工智能的信息，請繼續(xù)關(guān)注中培偉業(yè)。