近日，谷歌发布了最新版机器学习系统，通过识别图像中的内容，配上对应文字，效果达到了历史最佳。谷歌已经在 TensorFlow 上开源了这项成果。自 2014 年以来，谷歌一直致力于这个项目，现在这个算法描述图像的准确率已经高达 93.9% 。

因为他们正在使用一个使用一个开始架构的最新的迭代，所以对于谷歌团队来说，有个大问题是该算法是否可以做的比简单识别图像中的对象更多。要真正解释和描述一张照片，人工智能不仅需要了解图片中是什么，更要了解图像中这些对象有什么相互关系。谷歌的开发人员表示这不只是一个数据的倒推。该算法必须能够自然地理解图像中的对象和它们的用途。

谷歌研究的博客发文说：令人兴奋的是，在展示全新情境时，我们的模型的确可以产生准确的配文，这显示出系统对图像中目标和背景的理解更深了。同样重要的是，它还学会了如何表示知识在自然的英语短语，尽管它只读了人类给的说明字幕，没有在接受其他额外的训练。

至少从目前来说，相对于视频，机器学习算法能更好地理解静止图像的内容。

viaGoogle Research Blog