MIT CSAIL最新研究：將AI應用於流媒體視頻，可獲得更好的播放體驗

雷鋒網 AI科技評論按：在網上看視頻時，緩衝或色塊問題時有發生，極其影響觀看體驗。現在，MIT計算機科學與人工智慧實驗室（CSAIL）利用神經網路演算法，最大化地緩解了這種現象。將這種演算法應用到YouTube或Netflix等網站之後，觀眾將會獲得更好的體驗。此外，這項技術還能應用於VR，緩解現有的網路帶寬不夠的問題。

Engadget上的一篇文章詳述了CSAIL新的方法，雷鋒網 AI科技評論將其編譯如下。

緩衝和色塊是流媒體視頻播放中常常出現的問題。一旦出現這種情況，會影響觀看體驗，觀眾換台之後，又會影響廣告商的收入。並且，這種情況還給流媒體服務帶來了技術上的難點——很難設計出解決方案。

MIT 計算機科學與人工智慧實驗室（CSAIL）新發明的神經網路AI演算法或許恰好能滿足互聯網所需的流暢流媒體服務。

GIF/9.5M

上面播放的視頻並不是以整段傳輸到電腦上的，那會佔用太大的帶寬。事實上，數據被分成小片段，然後按順序傳送。但是為了保證視頻質量，像YouTube這樣的網站是利用ABR(碼率自適應)演算法來確定視頻播放的解析度。ABR演算法通常有兩種模式:一種是測量網路傳輸數據的速率，另一種是保證視頻開頭有足夠的緩衝區。

如果基於速率的演算法失敗了，系統會降低比特率以確保視頻繼續播放，這會導致色塊問題。

另外，如果試圖將視頻快進太多，將會更加影響播放體驗，這是因為基於緩衝的系統提前載入新的視頻塊和緩衝區時，不得不暫停播放。

這兩種ABR模式本質上是解決同一問題的兩面，他們都沒有完全解決問題的能力。接下來就是人工智慧的用武之地了。

實際上已經有了一些關於這個問題的研究。卡耐基梅隆大學的一個研究小組最近開發了一種叫做「模型預測控制」(MPC)的方案，試圖預測網路環境如何隨時間變化，並基於這個模型做出優化決策。然而，這個系統的問題在於，它只會基於模型自身做出優化決策，不適合那些突然或急劇發生流量變化的網路。

CSAIL的新方法被稱為「Pensive」，它並不依賴模型，而是用機器學習來計算何時（以及何種情況下）在速率ABR和基於緩衝的ABR之間進行切換。和其他神經網路一樣，Pensive使用獎勵和懲罰來強化每次試驗的結果。隨著時間的推移，系統能夠調整自己的行為，始終獲得最高的獎勵。有趣的是，由於可以調節獎勵，我們可以調整系統，讓它執行我們想要得到的行為。

麻省理工學院教授Mohammad Alizadeh在一份聲明中說:「我們的系統很靈活，無論想要什麼樣的效果，都可以優化它來實現。甚至可以想像用戶個性化自己的流媒體體驗，這取決於他們是想要讓緩衝優先還是讓解析度優先。」該團隊對這個神經網路只進行了總長一個月的下載視頻內容的訓練，就已經能獲得與MPC系統相同的解析度，但減少了10%到30%的緩衝問題。

我們最終會看到這一技術被YouTube和Netflix等公司採用，但麻省理工學院的團隊希望先將它應用於VR。Alizadeh說:「VR需要4k的解析度，在使用時，碼率很容易就達到每秒上千兆，而現在的網路根本無法支持。我們很高興看到像Pensieve這樣的系統能夠為VR等這樣的應用做些什麼。這只是我們所做出的第一步。」

via：Engadget

雷鋒網 AI科技評論編譯

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！