---

AI在一定程度上重塑了我們觀察和記錄世界的方式。

DJI大疆推動機器視覺、深度學習技術與無人機等設備結合起來，將複雜的操作變成簡單的指令，讓專業影像記錄門檻不斷降低，普通人也能輕鬆地實現自己的創作構想。

航拍無人機進入機器視覺時代

當精靈2被冠以Vision之名起，大疆就已經顯露出它在機器視覺領域的野心。2015年，初代智能跟隨的雛形成功在研究室中誕生。

次年3月，大疆精靈 Phantom 4 誕生，這款消費級無人機具備環境感知與避障、視覺追蹤、指點飛行三大創新功能，標誌著消費級無人機從此擁有了「視力」與「智力」，能夠識別周邊物體、判斷飛行環境，並在一定條件下實現自主飛行。無論在當時還是現在看來，都是革命性的創新。

什麼是機器視覺呢？機器視覺是人工智慧正在快速發展的一個領域方向。簡單說來，機器視覺就是用機器代替人眼來做測量和判斷，先將被攝取目標轉換成圖像信號，得到被攝目標的圖像後，通過數學模型計算，提取目標的多層次表徵，再結合立體幾何與運動學模型的計算，對目標的位置進行測量、估計和預測，進而根據一系列觀測數據來控制設備動作。

當時的精靈4通過程序預設好的參數和演算法來識別物體的主要特徵，在識別目標對象後，協同飛控完成空中自動構弧等操作，極大降低了使用者的操作門檻。

在實際操作中，用戶只要在DJI GO App中選擇「智能跟隨」模式並點擊被跟隨目標，精靈4便會在視野中自動掃描該對象，將相機鏡頭牢牢鎖定在被跟隨對象身上，而且在被跟隨對象進行不規則運動的時候，精靈4也能進行跟拍。

先進的機器視覺技術讓航拍不再是專業人士的權利。「精靈4開啟了一個全新時代，讓初學者也可以自如操控無人機，將用戶從繁瑣操作中解放出來，專註於航拍。」

引入深度學習演算法，識別能力也更為精確。

如果你聽說過AlphaGo那次震驚世界的人機圍棋大賽，那你一定對深度學習不陌生。從16年至18年，歷時3年的跨步，人工智慧所採用的深度學習演算法，被成功引入到無人機開發當中。

無人機的深度學習，就是通過對大量物品和身體的樣本學習，讓它能夠更加智能而準確地識別出被攝物體。

當時，為了讓大疆精靈4P能夠對運動物體進行自動跟隨拍攝，研發人員加入了更多特徵模型，也通過大量的樣本學習，讓飛行器可以分辨人、汽車、船隻，根據物體運動速度調整靈敏度，拍攝更加流暢穩定。

最後先進的圖像識別演算法讓精靈 4 Pro V2.0能識別和追蹤拍攝對象，在運動中保持構圖一致，讓高難度航拍變得輕而易舉。

深度學習演算法的運用，也為御2無人機航拍效果錦上添花。

強大的跟隨性能，讓御2除了主動繞行之外，還實現了軌跡預測、高速跟隨等更多效果，識別能力也更為精確。

語義理解作為計算機視覺領域的一個重要研究方向，大疆在該領域的研發成果為精準農業提供了新的科技支持。

比如在果園場景中，果樹往往分布不均勻，高矮差異大，期間也經常夾雜建築物、電線杆等障礙物，針對果樹的全自動噴洒作業難度較大。而利用三維重建和深度學習技術，精靈 4 RTK版、多光譜版可以對植保機作業區域進行三維場景的精準掃描，通過大疆智圖軟體構建果園場景的三維模型。

基於深度神經網路的三維模型識別系統，即可在三維模型中識別出果樹、建築、電線杆等物體，並標記出每棵果樹的位置與樹冠大小，構建果園三維語義地圖。就這樣，地塊區域狀況一目了然，就可以即時洞察植物健康，根據準確數據進行打葯、施肥等精細作業。

人人都能用得上的人工智慧

在航拍場景中，大疆的智能跟隨技術已趨成熟，但是他們並未止步於此。

大疆針對手持場景進行了專門的優化，引入了基於頭肩的檢測與跟隨演算法，並把學習樣本增加到千萬量級，從而覆蓋更多場景，這就是2019年推出的全新智能跟隨3.0。

基於頭肩模型演算法，智能跟隨3.0可以智能識別頭部與肩部的協調關係，不僅跟隨目標時不易丟失，對於用戶的低頭、轉身、跳躍等豐富的動作變化，都可以被捕抓到。

而且，採用頭肩演算法的智能跟隨3.0，從遠到近都能夠精準識別判斷，相比身體與臉部識別而言，能給用戶提供更大的創作空間。

當然，智能跟隨3.0最有意義的地方還不僅於此。

在這個全民vlog的時代，每個人都亟需一個功能強大且操作門檻低的拍攝設備。而智能跟隨3.0，就實現了這一點。它是一個真正意義上的，人人都用得起的人工智慧。

之所以說它變得「人人用得起」，是因為之前的智能跟隨技術，因為涉及龐大的計算量，必須依靠特定的硬體模塊才能實現，所以基本只能應用在無人機產品上，使用門檻相對較高。

而智能跟隨3.0極大優化了演算法，在保持演算法精度的前提下，使得技術更加的輕量化，讓即便是晶元能力稍遜的千元手機，都可以用上這個功能。大疆在2019年發布的靈眸手機雲台3、如影SC都應用了這項技術。

未來，依然有無數的可能

2019年RoboMaster 機甲大師賽的全國賽事的直播中，最新一代AI技術應用讓畫面更趣味性和觀賞性。

可以看到，畫面上可以動態顯示對戰小車類型、種類和血槽進度。注意了，這不是事後加的特效，而是直播實時渲染的結果。

這樣的效果看似簡單，但在技術層面實現相當不容易。識別物體運動變化非常豐富，現場環境光照不僅很弱而且還有各種光影變化，加上實時顯示不能有拖影的限制，對演算法的要求非常高。

未來，這項技術與AR增強現實結合後，必將大放異彩。

隨著以人工智慧為代表的新一輪信息技術革命的突破性進展，影像技術必將迎來高速發展和革新的歷史時刻。

我們可以一起期待，屬於大疆的下一個「不可能」。

關注 @DJI大疆創新 ，為你分享最新鮮專業的內部技術乾貨及產品資訊~

---

學科教育。

從我的設想來看，我認為AI將是未來教育的趨勢。一直以來，我都在想一個問題，我們的教育缺乏什麼。個性化和定製化。因為我們從事教育的都是老師，給學生解答問題都只能來一個講一次，或者選擇大部分人錯誤的集體講解。也就是說，作為一個老師，我們對學生的指導最小單位為班級。但是作為變化不算大，或者說幾乎沒有變化的知識，引入Al進行定製，將最小單位到達個人。

其實，我們平時所做的作業，目的是什麼？不就是為了將不會的地方暴露出來嗎，不知道各位有沒有看過一個魔術。就是給你一張紙，你在上面挑一個字，然後魔術師依次給你看5張不同的紙，你只需要回答他上面有或者沒有即可，然後他就會告訴你那個字是什麼。實際上就是一個交集和補集之間的應用而已，而在我們的教學上，其實作業的設計也可以利用類似原理，通過這種方式對學生的知識盲區進行鎖定。想想都知道沒有一個老師能夠做到，但是對於AI來說確是可以。

同時，大家有沒有想過，我們每個人在學習上的成長其實會反應在我們的每次考試中，當然一個人只是個例，可是每年每屆有多少的學生？這些學生的數據，甚至能做到包含每個階段不同類型的學生，我就問問大家高考前做這麼多模擬題，每份都是你需要的嗎，做完之後你知道自己應該往那個方向查漏補缺嗎？學生太容易迷戀在題海裡面，而老師只能根據全級或者全班的情況布置模擬題，甚至老師也不會分析哪些模擬題適合。

我希望，有一天，我們每個人的備考都能做屬於適合自己的模擬題，希望每個人做完每次考試後，都能拿到屬於自己的反饋。這些靠老師做不到的，但是靠AI卻可以。

當然這是我們對Al最理想的期待，能夠完成自主的分析，題目的推薦等等。

其實從信息技術上，我認為各個互聯網大廠都完全有能力去實現這個，但是從我接觸來看，各大互聯網大廠都有向教育業進軍的想法，但是他們都只是著眼於將線下課程搬至線上，主要招聘還是一些前端後端等技術人才。

但是要完成我上述的期望和設計，沒有一個厲害的教育團隊是做不到的。

奈何我不勝碼力，亦無資本。希望有朝一日，我能把這個夢想實現了吧。

---

我目前在做的一件事，就是利用AI反射人類的學習方式，以AI為鏡而明己身。如何理解呢？

像其他回答所講的AI革新與進步，本質上都是將AI當作一件工具或一個發明，與計算機、汽車似乎沒有什麼差別，作為一種技術手段來看，這樣的理解非常準確。不過，讓我們再稍微思考一下這其中的不同。

AI在做的，是將人類的認知、學習、記憶等功能剝離出來，並在二進位計算機上復現，以獲得特定任務上快速、準確的處理能力。在某些任務上，比如自然語言處理中的文本分類，BERT衍生的最新模型甚至已經達到超越人類基準線的水平。歸根結底，AI學科在誕生之初，就是從腦科學以及認知神經學衍生而來的，也就是說，AI的底層學習方式，本質上就是在模仿人類，比如最著名的深度神經網路，其神經元激活方式和多層結構就是直接效仿了人腦神經網路的機制。

既然如此，我們能不能將AI看作人的多個子集，不同子集中活躍的某些模型或系統機制，正好對應著人類所具有的某種思考、學習模式？更進一步，這些模式是否可以被用來借鑒，甚至提升人類的思維方式？

答案是肯定的。

雖然我的研究從去年開始，在各個平台已經發表了一些成果，目前也幫助了上萬名對思維、學習方式感到困惑的學生，但因為只是個人的業餘興趣，缺少系統性的計算機科學、神經學及心理學的實驗結論支撐。不過，有趣的是，Deepmind前段時間發表的論文，正好印證了我的假說：

Prefrontal cortex as a meta-reinforcement learning system?

www.nature.com

這篇paper論證了人腦的前額皮質與AI強化學習系統的聯繫。為了證明導致人工智慧元強化學習的關鍵因素也存在於大腦之中，DeepMind 研究者提出了一個理論，也就是我所說的AI反射理論。該理論不僅符合多巴胺和前額葉皮質的現有知識，而且也解釋了神經科學和心理學的一系列神秘發現。尤其是，該理論揭示了大腦中如何出現結構化的、基於模型的學習，多巴胺本身為什麼包含基於模型的信息，以及前額葉皮質的神經元如何適應與學習相關的信號。

根據論文中的描述，對人工智慧的深入了解可以幫助解釋神經科學和心理學的發現，這也強調了領域之間可以互相提供價值。比如在目前進展較快的強化學習領域，根據智能體的學習模式，我們已經可以從特定的腦迴路組織中獲得許多逆向思維的益處。

舉個例子，我的第1期文章從強化學習講起，最後通過智能體的學習方式，解構了日常生活中遊戲的成癮機制，最後藉助強化學習系統的知識，總結出了如何高效利用大腦的系統機制進行學習

圖靈的貓：【思維論01】如何讓自己像打王者榮耀一樣發了瘋、石樂志的學習？?

zhuanlan.zhihu.com

在未來，希望有更多科研成果出現，讓我們可以通過通俗易懂的語言，將這種思維方法普及給更多人，提高我們獲取知識的能力，並改變對事物的認知和思考習慣。

---

不是AI從業人員，就從兩個身份入手回答嗷。科研人員和城市規劃師，還都非常初級，觀點不成熟，看官輕拍。我的觀點都是基於ai能做好，做不好的大概只能叫機器，所以比較誇張哈。

城市科學。AI可以自動做研究，寫基金，寫論文。個人三年文獻閱讀量估計在2000篇左右，寫作量去年大概不到20萬字。有了科研AI。我這種弱雞大概可以被導師辭退退學了。分分鐘成千上萬的文獻檢索量，分分鐘寫出科研八股文。。即便未必有特別大的價值。可架不住人家做的多啊。。這種科技創新能力不敢想像。。。甚至可以發展一些新領域，會不會有一些領域的開拓創新是純粹的ai引領，發現新的規律是ai做的，莫非後來的科研人員，文章裡面會這樣引用「AI（2050）提出新的科學理論，AI(2070)對此有不同觀點，本研究認同AI(2075)的理論」。。哇。酸爽。

城市規划行業呢。一直收到新技術的刺激。CAD,Gis各種吧。好像現在就有城市大腦這個東西，已經能做很多東西了。規劃有了Ai大概我們就可以失業了。自動招商引資，自動策劃項目，自動做發展戰略，自動做強排方案，自動做設計凹造型方案，自動做效果圖，自動做ppt。然後自己彙報，自己列印成果，自動審批，自動檢測管控。哇。我們主要做一些輔助調整，坐享結果。以後規劃就是這樣的名稱某市國土空間總體規劃（2030年AI/非AI）主要規劃人員：規劃AI（教授級工程智能系統），設計AI(高級設計智能系統)等等。目前強排的人工智慧應該可以實現了吧，所以其他部分的實現是時間、成本等問題。

總結一下。AI很好，也很重要。但只是輔助人的智慧工作，而非代替。人與AI相處還是要有絕對的信息優勢，大概就是可操作和可控制，即使某個個體、某個領域無法實現優勢，那麼打破也是一種優勢。城市規劃這個領域，AI也不能做到絕對的公平公正，提高效率減少錯誤倒是可以的。

---

作為圍棋界的一員，相比其他傳統行業，AI對我們的革新可以說是「讓圍棋換了個遊戲方式」。

眾所周知2016年AlphaGo戰勝了李世石，但大家不知道的是大致從2017年開始，AI就從伺服器級才能到達九段水平，變成了家庭電腦就可以輕鬆戰勝人類最頂尖的高手。

因此圍棋的訓練方式也發生了天翻地覆的改變，原本與對手復盤總結的方法，變成了「瞎琢磨」。找問題變成了交給AI，幾秒後AI就會告訴你正確的下法。

不過招法上的革新倒是其次，最重要的是AI的思路與人完全不同。因為圍棋的空間和變化太多，因此以前人類是先去邊角這些能算得清的地方下棋，棋盤中間的廣闊星空留到後面爭奪，而AI最令人震驚的一點就是它能分析出中間天文數字的變化，然後給出最佳一手。

這使得現在再去看2016年以前的棋譜，感覺恍如隔世一般，甚至像DOTA1和DOTA2一樣，圍棋在短短几年間變得陌生得像兩個遊戲似的。

現如今，圍棋的訓練深受AI的影響，因此隨著對AI的模仿，大家開始主動往棋盤中間的去探索。一方面是令人類距離完美的「圍棋之神」越來越近。另一方面是改變了此前略顯單調的布局下法和戰鬥思想，讓比賽也變得更有觀賞性。

同時由於AI對訓練方式的改變，使得原本認為「年輕力壯」才能下好棋的觀點出現了改變，近兩年出現了一些原本默默無名，靠AI訓練逆生長的選手。比如李昊承等人。

由於AI出現後，大家都能在技術上跟上年輕人。所以我相信隨著時間的推移，圍棋選手會變成經驗+技術的結合體。這會給棋界發展帶來新的變化。

---

說完AI對圍棋職業圈的影響，接下來說一下目前AI下沉到業餘圈對圍棋培訓的影響。

以前在圍棋的初學階段，為了激起學生的興趣，所以對圍棋的解釋是4個圍一個的「圍」棋

後面再慢慢改回圍空圍地盤的「圍」棋。而現如今隨著AI也進入圍棋教學中，「愛思通」等軟體則用畫圖標記等方式讓學生跳過4個圍一個的第一階段，直接進入「圍」棋第二階段。

並且在作業方面，現在可以利用AI分析，每道題是做了多久、試了幾次、哪種類型的題容易錯等方面，從而更有針對性的去教學。

---

推薦閱讀：