李彦宏会赏花：“88年美女博士＋视觉搜索”花

        在百度第五届 Hackathon（百度内部编程马拉松）上， 李彦宏一如既往地参与点评。据百度内部同学爆料，这次李彦宏尤其被一个美女博士领衔的学生团队“赏花宝典”应用所吸引。

        88 年美女博士与“赏花宝典”

        据百度同学说本次 Hackathon 是首次对外开放，有 6 支校园高手组队参加 Hackathon。其中一支名为 TAGroup 的校园代表队 leader 是 88 年美女博士古晓艳，目前在中科院计算所读大数据方向的博士。

        通过主动争取李彦宏的注意，这个团队的 Demo（原型）吸引了李彦宏。这个 Demo 被命名为“赏花宝典”。基于手机拍照实现花卉识别，主动提示百度百科内容；同时还可智能推荐赏花地、导航信息，并引入百度贴吧，方便花友们交流。在百度最 大的会议室“五福”，李彦宏详细了解他们的 Demo，与四名学生相谈甚欢，主要探讨的是技术问题。这个学生团队最终也摘得“黑马奖”。

        记得在 2013 年极客公园大会上，李彦宏坦言自己爱好上网，他没说的是，自己还喜欢花草。据说李彦宏最喜欢逛的贴吧不是“李彦宏吧”，而是“白皮松吧”、“植物吧”等等。除了在自家花园种植外，李彦宏连去国外出差也不忘抽空网购植物。

        Robin 酷爱花草，这在百度内部已经不是秘密。或许是因为这个，李彦宏被“赏花宝典”吸引。

        还有一个原因可能是，“赏花宝典”与百度正在攻坚的“视觉搜索”有紧密联系，这是一项面向未来但又复杂浩大的工程。

        随着百度魔图凭“PK 大咖”功能迅速走红，百度在人脸识别技术的进展获得业界关注。与此相似，“识花应用”也是“视觉搜索”的一种，视觉搜索更直白地说是“以图搜图”。几个月前我曾进行过分析，认为“视觉搜索”是移动搜索的未来。

        百度 Hackathon 鼓励天马行空，更鼓励解决实际问题。因此，每次产生的上百个创意产品或者半成品，除了要本身创意足外，还要考虑、实用性强，以便参赛成果真正转换为产品， 或为产品所用。比如这个识花应用，就可能在进一步突破之后，纳入百度 APP 的移动搜索当中。

        视觉搜索的难点

        见微知著，“赏花宝典”虽然是个技术 demo，却也集中体现了未来视觉搜索技术发展需要解决的问题。

        1．  识别准确率

        视觉搜索在对平面或刚体（书籍、CD、建筑物、油画、明星照片等不易变形的物体）的搜索方面，召回率（反映搜索引擎查得全不全的技术指标）已超过 90%；但对“非刚体”的柔性图像（比如动物、衣服、环境）的识别，就对机器算法有更高的要求。

        鲜花属于与动物类似的“非刚性”图像。如果再将范围扩大到植物，识别难度会更大。鲜花之间的区别除了形状，还有大小、色彩甚至细节。据了解， “赏花宝典”目前支持 20 多类花卉识别，种类不算多，召回率可以接受，但距离百度正式上线的视觉搜索项目还有不小差距，当然，作为 24 小时优化的成果，这已经是非常赞的成绩了。

        目前识别率较高的垂直领域，很多都已成为视觉搜索的切入口。例如条码、二维码、人脸、图书、CD 封面，这些在 iOS 版的手机百度 APP 中都已经作为标配置入了。但这也是垂直品类的细分，生活中的物品千千万，类别是无法穷举的。水果、盆景、树木、昆虫等领域都得一个个分别来，百度的程序猿 们也必须得根据使用率来排个优先级，否则从此就可以不用睡觉了。

        2．大数据与海量计算

        图像识别需要云端积累的海量数据。百度魔图的明星脸识别之所以能运转，最基础的是百度拥拥有海量的明星图片库。“赏花宝典”4 人团队中，也有一个成员是专门负责获取花卉图片库。

        在视觉搜索的服务器端，数据被聚类提取特征。形成“长这样的是什么”的规律，搜索引擎在获得用户上传的图片并提取出特征后，通过比对来了解这个图片的意义。数据越多，规律越准确越细，识别准确率越高。

        从数据信息提取出规律并形成知识，这是“深度学习”技术在做的事情。也就是说，机器像人脑一样思考，自动从海量数据中找出规律来，整个过程中自我完善。有些需要人工纠正干预，有些干脆就是无监督学习。

        百度在深度学习方面布局很早，延揽人才之手早已伸向硅谷腹地，国家千人计划学者余凯、非死book 前资深科学家徐伟、新泽西州立大学统计学教授张潼，均被李彦宏招至麾下。深度学习也不是万能的，要有计算能力和大数据做基础，没有这两样，一切都是空谈。 好在，百度这两样都有。

        3．理解用户意图

        视觉搜索当前的流程是上传一张图片，搜索引擎返回结果。这个信息输入往往是不够的。仅仅通过一张图片便知道用户的搜索意图，除了特别信息特别明确的图片，这几乎是机器现阶段难以完成的任务。

        视觉搜索目前的处理逻辑有三种：第一种是默认用户要搜索的是：这张图片是什么？例如宠物狗搜索；第二种是只返回相似图片，不提供具体信息，例如 百度 PC 端的图片搜索；第三种是在特定领域提供个性化信息——图书、CD 封面和条形码是比价，“PK 大咔”是比对明星脸，赏花宝典则进一步提供社交、知道、百科信息。但这三种都还是“猜测搜索意图”。而不是理解用户搜索意图。

        如何通过识别图片，进而理解用户搜索意图是当前的难点。这与语音搜索遇到的困难类似，语音转换为文字已经相对成熟，但人机对话目前依然停留在很初级的阶段。这也需要深度学习来解决。只有期望深度学习继续带来惊喜了。

        视觉搜索的趋势

        1．与可穿戴设备结合：手机当然是目前使用起来最自然的，可也不能忘了 Google Glass，它让拍摄-上传-搜索的流程更加顺畅，百度内部也在加强百度眼镜工程版的调试。不仅如此，后期一定还会出现比眼镜更隐形、便捷的设备。

        2．与语音搜索结合：与人交谈时，我们同时向对方传递视觉信息和声音信 息。因此要解决视觉搜索的“一张图无法表明搜索意图”的问题，或许需要与语音搜索结合。例如拍摄菜市场的蔬菜上传时，可以语音问这是什么菜？这个菜适合与 什么搭配？这个菜要怎么炒？一步一步逼近你要的结果，而这样的语音交互，甚至可以是多几轮很自然的对话交流。

        3．动态视觉搜索：解决“看一眼”的问题。在移动网络瓶颈消失后，所见即所搜，拍照、上传等带来的延时消失。用户需要的不是拍照，而是要让搜索引擎与之分享眼前所见。现在的 AR 实景，能算是这类应用的雏形。

        以上种种，都是让视觉搜索变得更自然，或者让“搜索”消失。就好像钢铁侠里面的“贾维斯”一样，这个隐形的管家无处不在，他比你还了解你自己， 帮你安排生活，解答问题，与你分享和帮助你认识这个世界。现实残酷，未来依然很丰满。这需要搜索科学家们的持续努力，早日带来我们一种全新的搜索引擎。