2019年被譽為中國的“5G元年”，它將為視頻行業(yè)帶來巨大的改變。在5G技術(shù)的支撐下，傳輸速度較于4G將快百倍，高速度、泛在網(wǎng)、低功耗、低時延的5G優(yōu)勢將革新當(dāng)前的視頻產(chǎn)業(yè)。第七屆中國網(wǎng)絡(luò)視聽大會上，圍繞這一話題，金山云高級技術(shù)總監(jiān)韓博發(fā)表主題演講，重點闡述5G背景下，AI內(nèi)容服務(wù)產(chǎn)業(yè)隨著視頻生產(chǎn)、服務(wù)、消費方式的升級，在技術(shù)演進(jìn)過程中的突破性進(jìn)展。

　　金山云高級技術(shù)總監(jiān)韓博在大會發(fā)表主題演講

　　AI內(nèi)容服務(wù)隨5G同行

　　5G網(wǎng)絡(luò)是信息基礎(chǔ)設(shè)施又一次全面升級，能為跨領(lǐng)域、全方位、多層次的產(chǎn)業(yè)深度融合提供堅實支撐。韓博表示，5G將促進(jìn)數(shù)字內(nèi)容制作、分發(fā)、呈現(xiàn)的全產(chǎn)業(yè)鏈升級。AI內(nèi)容服務(wù)作為貫穿視頻內(nèi)容生產(chǎn)全過程的重要“參與者”，已做好了迎接5G時代到來的準(zhǔn)備。

　　以金山云金睛為例，它基于金山云強(qiáng)大的云計算基礎(chǔ)資源能力和海量數(shù)據(jù)積累，專注于圖像識別、語音識別、多模態(tài)視頻分析、文本識別、人臉識別、行人車輛識別等人工智能領(lǐng)域的研究，提供跨行業(yè)、多場景的AI解決方案。在AI內(nèi)容服務(wù)方面，已覆蓋內(nèi)容生產(chǎn)、內(nèi)容風(fēng)控、內(nèi)容分發(fā)全環(huán)節(jié)。

　　“我們的生活不僅是一系列的靜態(tài)快照，而是隨著時間變化在現(xiàn)實世界動態(tài)發(fā)生事件，視頻內(nèi)容更是如此。內(nèi)容趨勢的變遷，同時也會推動人工智能技術(shù)的演進(jìn)。基于此，金山云金睛在單模態(tài)識別的基礎(chǔ)上，升級為多模態(tài)融合理解，以應(yīng)對5G時代低延時、高速率、龐大體量的AI內(nèi)容服務(wù)需求。”韓博介紹道。

　　多模態(tài)融合理解帶來認(rèn)知升級

　　多模態(tài)，簡單來說是相對于單一的視覺、語音、OCR識別等，將多個模態(tài)的信息結(jié)合起來，也就是視頻中的音視圖文內(nèi)容進(jìn)行綜合判定、理解。相比傳統(tǒng)單一的交互模式，多模態(tài)融合技術(shù)。表達(dá)效率和表達(dá)的信息完整度更高，是智能交互的發(fā)展趨勢。

　　韓博介紹，多模態(tài)融合理解技術(shù)可以對視頻內(nèi)容進(jìn)行精準(zhǔn)的場景識別、對象跟蹤、行為理解、圖文聯(lián)想等。比如基于單模態(tài)的圖像識別很難判斷出直播過程中，主播是在抽煙，還是在吃棒棒糖。但是基于多模態(tài)的視頻理解，我們可以通過將連貫主播的行為動作進(jìn)行分析，判斷是否有點煙行為，是否有吐煙行為，從而準(zhǔn)確的判斷主播是否在抽煙。

　　除此之外，在視頻內(nèi)容的生產(chǎn)過程中，多模態(tài)融合理解技術(shù)優(yōu)勢明顯。例如自動進(jìn)行語音轉(zhuǎn)寫，并且放到指定位置;實現(xiàn)智能BGM功能，根據(jù)視頻內(nèi)容自動推薦背景音樂;支持視頻特效功能，對應(yīng)視頻場景或者動作，給出視頻特效等。

　　相對于 AI 目前所展示出在圖像和語音領(lǐng)域的單一感知能力，視頻理解更加復(fù)雜，也更加困難，這體現(xiàn)在理解視頻是二者的疊加，實現(xiàn)多模態(tài)融合理解的背后，需要技術(shù)的突破。韓博在現(xiàn)場重點介紹了金山云金睛在多模態(tài)理解技術(shù)上的突破——AI算法團(tuán)隊通過訓(xùn)練超千萬個高質(zhì)量的短視頻，得到的具有很強(qiáng)的泛化能力的內(nèi)容理解模型和金山云金睛專利時序算法。

　　多模態(tài)融合理解必須全面捕捉視頻內(nèi)容中的時序信息。金山云內(nèi)容理解模型通過三維時空卷積(3D conv)和三維時空卷積長短時注意力循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM and Attention)來精細(xì)捕捉視頻單幀圖片的局部與整體時空信息。受人腦注意力機(jī)制的啟發(fā)，引入“時空注意力機(jī)制”，使得模型可以聚焦關(guān)鍵幀、關(guān)鍵位置的信息，降低無關(guān)幀對模型性能的影響。整個模型不需要任何人工干預(yù)，輸入原始視頻，就可以得到最終的預(yù)測結(jié)果，整個模型精度高、速度快。

　　金山云金睛內(nèi)容識別已經(jīng)全面運用多模態(tài)視頻識別技術(shù)進(jìn)行視頻內(nèi)容處理，可以更加精準(zhǔn)的理解視頻內(nèi)容，幫助內(nèi)容平臺快速、精準(zhǔn)審核視頻內(nèi)容，以及對視頻進(jìn)行精準(zhǔn)的標(biāo)簽分類和特征提取，用于內(nèi)容推薦和分發(fā)。為平臺優(yōu)質(zhì)內(nèi)容產(chǎn)出、打通作者和用戶間壁壘，實現(xiàn)平臺差異化布局夯實了技術(shù)基礎(chǔ)。