最近幾年人工智慧技術大幅成長，許多應用也如雨後春筍冒出，能自動判斷錄影時機的 Google Clips 攝影機，就是在人工智慧與機械學習的協助下，讓演算法辨識鏡頭下的人、微笑、寵物、日落、地標等景色，但演算法如何進一步判斷攝影時機，仍是個艱困的挑戰。

透過真人評分

Google Clips 是款不需額外操作，就能自動判斷錄影時機的攝影機，設計理念有三大要點，首先開發團隊希望所有運算能在 Clips 完成，並保有長效電池續航力與降低攝影延遲，優點是不需上傳任何資料到伺服器，不但更能保障使用者隱私，也能在沒有網路連線的環境使用。

再者開發團隊規劃以拍攝短片為主，而非靜態照片，不但有助於記錄歡樂時光的氛圍，也能透過較長的影片彌補單張照片不易抓到完美時機的缺陷。最後，Clips 只專注透過內容的趣味性判斷錄影的起迄時間，並不考慮構圖、光線、色調等攝影技巧。

接下來的問題，就是如何訓練 Clips 演算法，讓它知道怎樣的場景有趣。如同一般機械學習，開發團隊著手建立數千部不同主題影片構成的資料庫，並讓攝影與影片剪輯專家評定影片優劣，讓演算法能以此衡量影片趣味的素材為何。然而這樣又會產生新的問題，那就是我們該如何將影片有系統、平順地 0~100 分中評分。

為了解決這個問題，開發團隊準備了第二套資料庫，他們將影片切割為許多片段，隨機挑選 2 片段，詢問受測者（人類）比較喜歡哪段。讓受測者以「2 選 1」評定，比直接為影片定分數容易許多，且受測者給予的答案也相當接近，當分析 1,000 支影片切出的 5,000 萬片段「2 選 1」數據後，就能透過計算方式得到整部影片（而非片段）的分數（對，數字沒錯。靠人類分析 5,000 萬筆片段是相當累人的工作）。


▲ Clips 是款輕巧並搭載人工智慧的攝影機。


▲ 開發團隊讓受測者觀看隨機挑選的 2 片段，讓他們判斷哪段比較吸引人。


▲ 收集大量資料後，就可以推算出整部影片的分數。


將資料庫交給類神經網路

有了評分的資料後，接下來開發團隊要定義「影片有趣的原因」，於是他們假設影片中如人物、動物、樹木等景物可能是吸引人的元素，並從 Google 圖像資料庫超過 27,000 筆不同的標籤挑選數百種重要的標籤，用於辨識影片中的景物。

再使用伺服器級的電腦訓練後，開發團隊為運算效能有限的裝置，打造了較小巧的 MobileNet Image Content Model 演算法模型，並挑選更關鍵的標籤，以利將運算能力集中於刀口。

訓練的最後一步，就是將 Image Content Model 演算法模型計算出的數據，與人類評定的分數互相比較，如此一來演算法就知道哪些特徵是人類覺得有趣的部分。如此一來操作過程中，即便畫面景物從未出現於訓練資料，但系統仍可以判斷哪些是人類覺得有趣的部分，進而自行判斷最佳拍攝時機。


▲ Image Content Model 演算法模型可以計算每張畫格的分數，並經分段式線性回歸（Piecewise Linear Regression）後取平均，就可以統計出影片的「趣味分數」。

開發團隊也提到，由於 Clips 並不像自駕車那類裝置有移動能力，需要使用者放於特定位置或配戴在身上，因此「喬角度」就需依賴使用者的人肉智慧。

加油加油加油加油加油