谁是谁的眼

鲍宇辰

从读书看报到眼神控制，作为人类“心灵窗户”的眼睛早已超脱了简单的器官属性。

从阿尔马托和斯皮纳发明眼镜以来，在这700多年的光阴中，它一成不变的主导性功用就是矫正视力，期间还因为外形不讨巧而变成了“隐形”的。而当布林戴着Google Glass站到聚光灯下的那一刹那，眼镜突然被赋予了全新的含义——人类和电脑的沟通交流似乎一下迈进了一个崭新的时代。

这个酷酷的玩意儿激发了人们对未来生活的无尽遐想。那些原本停留在实验室和少数工业中的技术，以一种近乎粗暴的方式挤在这一架小小的眼镜中，瞬间打破了AR（Augmented Reality，增强实境）技术和生活之间的距离。

最近有人调侃地写出了对4年后人们拥有“类Google Glass”设备之后的生活的畅想，比如戴上眼镜后抬眼一看外面的天空，温度、雾霾指数以及出行建议即刻直达眼镜前，直接为你的出行提供专业参考意见；或者整合社交网络数据，一打眼就知道这个人的基本信息、喜好等等，眼球一转，社交过程已经走过了几个维度；地理位置信息和导航与眼镜相结合后，你几乎再也不会“迷失”了……

布林曾直白地指出：“智能手机像‘阉割品，对人类而言显得很笨拙，人们只是一直在触控毫无特色的玻璃。”用眼睛看一块玻璃，这就是我们期待已久的在线方式吗？显然不是。

不必说正被热炒的三星Galaxy SⅣ的眼球控制功能，其实来自瑞典的Tobii公司早在2001年就开始研究眼球追踪和眼球控制技术。用了10年的时间，它们去年拿出了Tobii眼控电脑的概念式技术原型产品，并得到了英特尔的注资。在今年的CES上他们继续带来了眼球追踪硬件设备REX，这个小家伙已经可以实现利用眼球控制Windows 8操作系统，甚至有一家名为NUIA（Natural User Inter Action）的德国公司基于REX开发了更易编写眼球控制的软件，现在已经可以用眼睛来玩切水果了。

但视觉控制并不是这一领域的难题所在，难题在于如何让计算机拥有“视觉”。在过往的算法之中，计算机之所以能够识别图像，是因为人工为图片添加了索引标签，而计算机是通过标签来得知图片上的内容的。但如何让计算机自主识别图片的内容一直是业界研究的重点方向。

作为人类感知的最主要输入渠道，我们所接收到的信息中的90%来自于眼睛，但二元的视觉信息和一元的声音信息比起来处理难度可是天壤之别。不过，“在图像识别领域，可预期的前景非常广阔。”百度多媒体事业部副总监余凯给出了乐观的答复，“人脑在进行图像识别时，利用的是语义环境；而计算机不同，根据现有的算法它只能从像素到像素进行识别，识别环境中的物体还是有难度的。”百度在iOS端推出的搜索客户端已经可以支持宠物狗的识别，只要你给狗狗拍摄一张照片，那么搜索引擎就会告诉你狗狗的品种和售价等相关信息。

而打破这一难题的核心技术也在有条不紊地开发中，那就是模拟人脑思考方式的深度学习研究。无论Google、IBM、微软还是百度，一旦任何一家取得了突破性进展，都将为计算机拥有视觉乃至其他感觉提供有力的技术支持。

那么如果计算机拥有了视觉会怎样？

一旦发生了意外事故造成人员的受伤，只需拍一张伤口的照片，计算机就会分析创伤的类型、受损程度以及治疗方案，为医护人员提供优质快速的指导意见；

当监控摄像头拍下交通事故的瞬间，计算机就可以对事故的原因进行分析，同时第一时间进行应急响应报警，确保将事故的边际成本降至最低；

广告公司梦寐以求的精准广告推送可以很容易地实现，只要你公开上传或分享照片，它们就能从中得知你的喜好，完成它们的工作。

除此之外，3D技术的蓬勃发展已让屏幕中的世界与现实世界的边界越来越模糊。裸眼3D技术无需借助眼镜就可让屏幕中的人物“走出”屏幕；全息3D投影更是索性彻底抛弃屏幕，让所投射的人物与真实世界完美融合。值得一提的是，虚拟偶像初音未来是全世界第一个利用全息3D投影技术举办演唱会的虚拟偶像，这场演唱会有2500人前去现场观看，3万人在线付费观看。信息量很大了吧？这项技术却离我们不太远，国内的技术宅们甚至自己动手利用简单的材料完整再现了这一场音乐会。

人们一直在寻求通过互联网进行交互时的满足感，而这种感觉更多来自于交互时是否是在和一个“人”进行交流。著名的MIT媒体实验室在研究人机交互时发现，人们更倾向于与“类人格体”的对象进行互动，因为人类对于自然感觉的印象更为深刻。

视觉交互似乎已经做好准备来到我们身边，即使我们还没准备好如何去接受。