獨家採訪 | 蘋果首篇AI論文獲獎遭質疑，是價值有限還是實至名歸？

雷鋒網AI科技評論按：蘋果第一篇AI論文一經投放，便斬獲CVPR 2017最佳論文。隨後便有外界不斷猜測蘋果的論文質量有水分，似乎不能匹配最佳論文的頭銜。雷鋒網記者隨後從學術角度採訪了幾位學術界人士。看看他們怎麼說。

蘋果的AI研究消息首次進入公眾視野的是在去年的12月初。

• 2016年12月8日，在西班牙NIPS 2016大會上，蘋果AI研究負責人Russ Salakhutdinov承諾將會公布和分享他們的最新AI研究成果。

• 2016年12月22日，首篇機器學習論文通過康奈爾大學圖書館出版，顯示的提交時間是11月15日。

• 2017年7月19日，蘋果開通機器學習博客（Apple Machine Learning Journal ），同時發表一篇題為「Improving the Realism of Synthetic Images」的文章。這篇文章用更通俗的語言介紹了之前發表的論文。

• 2017年7月22日，蘋果的這篇論文獲CVPR 2017最佳論文。

回顧一下這篇論文的主要內容：

這篇題為《通過對抗訓練從模擬的和無監督的圖像中學習》是圖像識別領域的論文。論文中，提出了一個「模擬+無監督學習」（simulated + unsupervised learning）的學習方法，使用的是如今非常火的深度學習「對抗訓練」。GANs（對抗訓練）發明者Ian Goodfellow得知蘋果的第一篇機器學習論文是關於GANs，也十分興奮，並在自己的推特中第一時間轉了這篇論文。

GANs模型，簡單的說就是讓兩個網路相互競爭，玩一個「貓鼠遊戲」。

一個叫做生成器網路G（ Generator Network），它不斷捕捉訓練庫里真實圖片的概率分布，將輸入的隨機向量轉變成新的樣本。一句話，G負責生成假圖片。

另一個叫做判別器網路D（Discriminator Network），它可以同時觀察真實和假造的數據，判斷這個圖片到底是不是真的。

G嘗試用自己的生成的仿品來「矇騙」D，而D也不斷提高自己鑒別真偽的水平。這樣G的造假能力和D的鑒別能力都會越來越高超。

而蘋果的「對抗訓練」是對原有的GANs模型做了稍加的修改，形成了自己的SimGANs模型。其中sim是單詞 Simulator的縮寫，即模擬器的意思。

蘋果的SimGANs其實包括三部分：模擬器（Simulator）和精製器（Refiner），然後再加上一個判別器（Discriminator）。模擬器合成圖像，再用精製器做優化使得更像真實圖片，最後再由判別器做識別訓練。

蘋果也在自己的論文摘要中提到： 「我們的模擬+無監督學習方法，使用的對抗網路跟GANs很類似。但是，輸入值是合成圖像，而不是隨機向量。

隨後便有學術界人士質疑，指出蘋果的創新並不是具有突破性的，似乎不夠資格評選為「最佳論文」。

甚至在知名問答社區知乎上有人從論文的第一作者背景開始懷疑，最佳論文評選過程有暗箱操作的嫌疑。

點贊數最多的答主回答：

論文第一作者Ashish Shrivastava，馬里蘭大學計算機視覺博士

隨後雷鋒網駐國外記者也就「今年的CVPR 最佳論文是否實至名歸」這個問題採訪了幾位學術界人士：

CrowdAI 研究員Jigar Doshi接受採訪說：

（因為總共有兩篇最佳論文，他先從第一篇談起）第一篇Densely Connected Convolutional Networks（密集連接的卷積網路）中，DenseNet模型有兩大貢獻，一個是計算效率提升，大幅度地減少了參數數量，模型訓練出來的精確度和質量都要比之前好。還有就是模型能夠泛化，研究者用了好幾個數據集，用來展示研究成果可以用到其他數據集和場景中。這是一個大家都能用，一個通用的方法。大家都在看，都在討論，這篇論文是值得評為最佳論文的。

談到蘋果的SimGANs，Jigar評論到：SimGANs的優點是無需標註自動生成新數據，但是他在演示過程中只用了一個數據集，對它的泛化能力表示存疑。半年前自己也試過類似的方法，不過不起作用，不理解為什麼在蘋果的試驗中起了作用。同時很奇怪為什麼這篇論文能評為最佳論文。

南洋理工大學一位研究手勢識別的計算機視覺博士評價蘋果論文說道：

蘋果SimGANs的手勢識別效果並不好，還沒有自己做的模型效果好。

另一位MIT生物圖像博士：

感覺SimGANs並不是很有意義（not very meaningful）,相比其他方法並沒有很大的提升。

不過也有AI學界人士支持蘋果獲最佳論文，一位亞馬遜研究員告訴記者：

SimGANs 很簡單。但也開了一個新口子，針對一個具體問題有了新方法，未來其他人可以研究如何把類似方法用到其他領域，算是「拋磚引玉」。另外，由於該方法的特殊性，需要做許多工作才能用於某一領域，因此確實難以在一個研究中提出一個通用方案，解決一個具體問題已經可以了。

來自國內的一位中科院教授說道：

SimGANs 論文第一作者 Ashish Shrivastava 的導師是 CVPR 大會主席 Rama Chellappa，算是「舉賢不避親」（意思是只要是真正有本領的賢能人才，不管與舉薦人是否有關係，都可以正常舉薦，讓賢能的人才發揮其作用。）雷鋒網記者也跟其他參會的學生老師提了這個疑問，很多人認為論文評審流程嚴格，未必有多大不公平。

最後採訪的幾位大牛總結了一下今年的兩篇最佳論文：這兩篇論文沒什麼理論突破，只是技術上的提升改進。同時也表示，今年的CVPR創新突破已經很少，差不多都是在原有的基礎上有一點點提升。

雷鋒網小結：三位反對蘋果獲最佳論文的統一看法是：蘋果SimGANs的泛化能力差，只能用到具體的某個領域。另外單從表現效果上看，和其他方法相比也沒有很大的提升。兩位支持者看法是：由於SimGANs方法的特殊性，確實難以形成一個通用方案，不過蘋果給出了一個新思路，能啟發大家就夠了。這屆CVPR總體來說沒有學術界期待的那種劃時代的研究成果出現，蘋果論文之所以不那麼出色也能從中脫穎而出，恐怕不是蘋果「有關係」，而是「矮子裡面選高個」的原因吧！

雷鋒網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！