2009 年，主要從事數字信號和圖像處理研究、博士剛剛畢業的薛暉拿到了阿里巴巴的 offer，那一年淘寶的全年交易額已經達到 2083 億元，薛暉激動地搓搓小手，阿里巴巴的網站上有大量未被挖掘利用的數據，比如照片、視頻、語音以及非結構化的文本，如果能讓機器做到看清和讀懂這些信息，一定是一件非常有意義和有價值的事。
薛暉的構想很美好，要將圖像識別的技術應用到阿里巴巴的搜索、廣告以及安全審核中。然而，正經如薛博士，萬萬沒有想到，公司先給了他一項重要的任務：解放千千萬萬奮鬥在電腦前的鑑黃師們。
“我來的時候，要解決的最大問題是淘寶的審核問題，當時淘寶有很多違規圖片，色情圖片或是其他違法圖片。鑑別文字時，我們還能通過關鍵詞或者變體詞彙來審核，但是對待圖片，完全沒有能力，都靠人工。”薛暉對雷鋒網說。
所以，接下來雷鋒網要講述的是十年 AI 大佬如何從“解放”鑑黃師起步的故事。
【阿里安全圖靈實驗室負責人 薛暉】
一
有些學霸選專業，哪裡分數高，就去哪裡。
十年前，阿里巴巴搜索部技術很牛，於是，薛暉雄心勃勃地來到搜索部，並在 2010 年，與兩個男同事提出了一個非常創新的方案：將搜圖應用在電商場景，比如用戶搜索時設置顏色導航，只要搜一件格子襯衫，蹦出一個調色板，點選顏色後，就會出來顏色一樣的格子襯衫，他們甚至提出了現在非常流行的“以圖搜圖”的設想。
想象很美好，現實很殘忍。那會，多數人手裡還拿著諾基亞，超過 1 M流量，可能要被運營商收走 5 塊錢，這樣“超前”的業務理念夭折了。
深度學習技術和高性能計算服務器並未成熟，移動端的各類應用也未普及，薛暉還覺得，自己對業務痛點和場景的理解不足，對技術天花板的判斷不足，特別是當兩者遇到矛盾時找不到可以妥善解決的方法。
隨著淘寶業務量的大量級提升，包括商品和社區板塊的 UGC 信息量增長很快，原有的規則加人工的審核模式無法滿足需求，也就是說，幾十個淘寶小二（鑑黃師）面對數據海量增長，筋疲力竭。阿里內部愈發發現，安全更加重要，以淘寶安全為基礎，阿里集團安全部正式成立。
這個部門吸引了薛暉的注意力。
學霸內心一盤算，阿里是一個典型的技術要與業務高度結合的公司，要把之前的技術推下去，得有應用場景啊！鑑於之前在搜索部初試反擊黃賭毒有一定效果，薛暉覺得，自己推行的技術在安全領域可能比較容易落地，於是，他主動申請轉崗到阿里安全部。
薛暉把黃圖鑑別和以圖搜圖的技術用到了這裡。最早，他採用的是利用黑樣本圖片找到類似圖片的方法，並逐漸加上了 OCR 和人臉識別技術，當然，這些都是基於傳統技術，當初並沒有深度學習技術的應用。
比如，當時薛暉等人是這樣區別一張色情圖片與正常圖片的：
有大面積的接近皮膚顏色的像素
像素之間是有連通性而不是很分散
紋理特徵接近皮膚
存在類似軀幹比例的矩形或橢圓
皮膚區域是否集中在人臉以下的特定位置等
所有這些特徵的權重組合通過機器學習模型決定，也因此，機器通過顏色、紋理、形狀來識別黃圖，大量肉色的沙發、地板會被“無辜牽連”，機器鑑黃也只能識別正經臉的蒼老師，動漫版、大幅度傾斜的小黃圖無法識別。
薛暉還面臨剛起步需要“證明自己”的問題——這項業務看起來還沒有那麼重要，大家不相信他們可以做出來什麼，所以薛暉等人要不到研究的錢和資源。比如，他們要想申請一臺幾萬塊的物理訓練機，要把報告打到高層老闆那裡。
要想證明項目可行，就要提效省錢。
雖然上述首次使用的基於統計模型的機器學習方法現在早已被迭代，但在過去，它能把效率提升幾十甚至上百倍。“當時全人工審核沒法篩選圖片，降人力是最關鍵的，也是最直接的。”薛暉說，幾年間，數據量呈線性增長，剛開始負責人工審核的小二是幾十個人，現在依然是幾十個人。
二
薛暉一邊解放著人肉鑑黃師的人力，一邊迎來人工智能發展的大勢。
2016 年，Alpha-go 戰勝了李世石，谷歌也正式發佈了基於神經網絡的機器翻譯系統，神經網絡通過各種應用正在重塑圖像識別、自然語言處理等領域。同一年，阿里安全部將薛暉所在的整個基礎算法團隊更名為“阿里安全圖靈實驗室”。
薛暉忙著將負責業務的模型往深度學習上的遷移，一邊與團隊一起將人工智能技術落地到更多的場景，如知識產權、身份核驗以及各種基於人臉識別技術的 IOT 應用等。
比如，他們將這套鑑黃體系以產品形式推了出來——有“AI 鑑黃師之稱的阿里巴巴“綠網”用人工智能識別網絡上包括色情、暴力在內的違規信息，通過人工智能、深度學習等技術，識別千萬張正常圖片與色情圖片，最終生成一個智能鑑黃模型。
淘寶店鋪邁向實人認證也是其中的應用之一。剛開始，上傳到後臺的信息都由人工比對，兩個人是不是同一個人？身份證號碼是否和人匹配？2016 年，實人認證進入了完全自動化時代，很少有人知道，一個機器大腦正在處理這個龐大的信息庫。店鋪用戶上傳的所有信息經過機器之手，人類卻無權調用。
薛暉所在的團隊在證明可以“提效省錢”的基礎上，面臨了“賺錢”的挑戰。
上面提到的“綠網”是在阿里提出生態戰略的背景下被阿里雲“集成”的技術，這款提供內容安全、實人認證的雲服務產品推出伊始，瞄準的是阿里體系的生態企業，現在也包括阿里雲上的客戶。
“本來對內服務的產品，走到到一個充分面向市場競爭的環境，一下子還不太適應。”薛暉發現，在阿里內部場景積累的經驗和模型並不可以直接拿來使用，尤其是面對雲上形形色色的非電商行業客戶。從阿里內部跳出來看，“綠網”的競爭對手並不是傳統意義的巨頭企業，而是各類做計算機視覺、自然語言處理的獨角獸和創業公司。
沒什麼別的好辦法，只有不斷在標準化、通用性、技術先進性上打磨產品。對於“被集成”的綠網，要靠業績說話，薛暉對雷鋒網透露，綠網現在每年為阿里雲貢獻了不少收入。
證明了自己對業務的重要性後，阿里安全圖靈實驗室從二十幾人一下躍升到幾十人的規模，並且在北京建立了新的小分隊，薛暉不斷在北京和杭州間來回，讓新團隊跟上節奏。
三
他們的節奏不得不提起來了。
對薛暉而言，更多技術的落地並沒有那麼容易。光拿下阿里杭州園區的門禁，他們就費了一番力氣。園區的行政部門的同事對使用門禁刷臉有顧慮：
識別率到底高不高？園區裡這麼多人，誤識別了怎麼辦？
無人值守這些人臉識別設備時，會不會有人就拿著照片或者手機屏幕直接破解？
上班人流高峰期，過人臉識別這一關快不快？不要大家都擠在一起上不了班。
最重要的是，你讓我們增加高清攝像頭，成本會不會蹭蹭上漲？
薛暉帶著人一步一步去說服，通過一些數據和 ROI 的分析說服了業務願意試點，一開始是在一個卡口上進行，為了取得最好的調試效果，工程師們自己扛著攝像頭到現場進行參數調試和角度安裝，甚至要考慮安裝在室外的閘機是否受到環境光照影響，還要人工審核、分析每一個錯誤識別的案例，到底哪裡出了么蛾子。
把攝像頭放在線下的外部商場裡，提供線下新零售的安全解決方案更難。
首先是成本控制問題，不能用太貴的攝像頭，還要解決人群、人體、貨架的遮擋，每個店的地理環境甚至都有影響，比如，有些店是長廊形式，但有些店面是完全開放的，甚至沒有明確的邊界，入口和出口的數量不一，攝像頭擺放的角度和數量都有講究，而這些都只是為背後的“安全 AI 大腦”助力的觸手。
薛暉等人還要解決的是“人”都很難解決的問題。
人工智能技術在很多場景能應用好依賴於幾個條件：第一，場景比較封閉，是一個比較容易定義的問題。第二，有大量的標註數據。第三，計算能力。
線上結構化的信息可以告訴你，那些是垃圾賬號，哪些註冊地和登陸地時常修改，客戶下單的正常、非正常路徑是哪些，依靠這些數據，AI 可以洞悉一切不安全。但是，到了線下，小偷可以從任何一張門進來，買貨之前可能有無數正常的路徑，還可以躲在各種遮擋背後。
上面那些條件很難成立，薛暉只能再次向實際的保安或安全人員學習抓小偷的經驗，再用機器實現。
“現在我們有團隊直接在商場裡點對點做，就是不停地去調現場的問題，不停地跟他們的店長、店員、安全人員溝通，這是一個非常複雜的問題。”薛暉說。
除了內容安全、知識產權保護、實人認證與身份核驗、安防以及新零售的線下安全，薛暉還想把 AI 推到更垂直的安全場景中。
3 月 30 日 18 時，四川省涼山州木裡縣一個名為雅礱江鎮立爾的村落村，發生嚴重的森林火災。30 名滅火員犧牲，其中 27 名消防員，最小的才 18 歲。
薛暉認認真真想了兩天，以前開玩笑說要用 AI 解放全人類，這種高危的場景下更應該有 AI 的應用。比如，火災防控也會涉及到很多圖像和視覺的問題，是否有更好的制定戰術控制火勢的方法？
“30 個人員犧牲，這代價是非常大的，我女兒小學班的家長裡有人是消防員，曾經組織過小學生和家長去參觀消防隊怎麼工作，所以我也特別想到這個點，這是非常重要的工作，我們身邊也會有人在做這件事情，我有時候在想，這屬不屬於 AI 安全或者是安全 AI ，讓我們今天從事的工作更安全，這也是保護人。”薛暉說。
十年前，薛暉隔壁實驗室的同學現在已經做出了卓越的成就——嫦娥四號向地球傳回了世界上第一張近距離拍攝的月背影圖像。
有些人“上了天”，薛暉想做的，是讓人工智能和安全“落了地”。
4 月 10 日，坐在雷鋒網編輯面前的薛暉聊了這些故事。18 天后，阿里安全圖靈實驗室將 AI 圖像識別技術應用在 AI 安全廚房解決方案，這個值守廚房的“AI 防火員”開啟了薛暉夢想的第一步。
閱讀更多 雷鋒網 的文章
