“其實我之前一直很發愁。”郭長征嘆了口氣，“你知道搞我們這一行的痛點在哪裡。”
“資料。”楚一航脫口而出，直接指出了核心問題。
“沒錯，就是資料。”郭長征拍了一下大腿。
“演算法邏輯寫得再好，沒有海量的資料去投餵，最後訓練出來的模型就是個弱智。”郭長征抱怨道。
楚一航深有同感地點頭。
“影像識別這個領域，現在學術界主流還在搞特徵工程，用支援向量機那些老套路。”郭長征繼續說道。
“大家都在手工提取影像特徵，效率極低，而且準確率一直上不去。”
“我認定神經網路才是未來，但是苦於沒有一個龐大且標註清晰的影像資料庫。”
郭長征說到這裡，語氣突然變得興奮起來。
“不過，我今天下午查資料的時候，發現了一個絕佳的契機。”
“什麼契機？”楚一航也被勾起了好奇心。
“美國那邊有個叫李飛飛的華裔教授，她搞了一個龐大的專案，叫IgeNet。”郭長征說道。
此時，有必要詳細拆解一下這個名為IgeNet的龐然大物。
在2009年這個時間節點，人工智慧正處於一個不上不下的尷尬期。
傳統的專家系統和邏輯推演已經走到了死衚衕。
機器學習雖然興起，但大部分學者都在研究如何精雕細琢演算法本身。
大家都在追求用最少的資料，透過最複雜的數學公式來實現目標。
這種思路在當時是絕對的主流。
但李飛飛的思路截然相反。
她認為，想要讓計算機認出一隻貓，不應該去教計算機貓有幾根鬍子、耳朵呈什麼角度。
而是應該直接給計算機看幾百萬張貓的照片。
只要看得足夠多，計算機自己就能總結出規律。
這個思路在當時被很多傳統學術界的大牛嘲笑。
因為收集並標註幾百萬、上千萬張圖片，是一項非常繁瑣、耗時且看起來毫無技術含量的體力活。
但這恰恰是深度學習爆發的絕對前提條件。
IgeNet專案就是在這個背景下誕生的。
這個專案致力於構建一個包含數千萬張圖片的龐大資料庫。
並且每一張圖片都要經過人工的精準標註。
。車輛一是裡片圖張那，狗隻一是裡片圖張這如比
。臺平包眾的遜馬亞了用至甚隊團飛飛李，量作工的大龐這完了為
。籤標打片圖些這為上線，工勞路網的萬上千地各球全了傭僱
。程工的大偉且狂瘋個一是這
。料資的teNegI於關的到閱查天今他了述複細詳航一楚向征長郭
。來起了亮睛眼，完聽航一楚
。道歎讚航一楚”。了前超太路思這“
。價評的高極了出給航一楚”。學力暴的題課們我合符常非這，足不的法算演碾去量料資的對絕用，跡奇出力大“
。了激加更，同認航一楚見征長郭”！吧對“
。料資的來出印打份一出掏，包文公的邊旁過拿征長郭”。片圖的好註標量大了含包，模規初經已集料資個這“
”。賽戰挑別識覺視模規大屆一第辦舉，集料資個這於基會們他，間時段過，息訊切確到得我，且而“
。訊資賽比的上紙印列著擊敲地重重指手用征長郭
。來起了看料資過拿航一楚”。了思意有太就這“
。興臉滿征長郭”。了決解底徹就題問源來料資的題課我，集料資個這了有“
”。作工的籤標打、片圖集收去哈哈苦裡室驗實在己自們我了去省就這“
”。臺平試測的開公、平公對絕個一了供提賽比個這，是的鍵關最且而“
