阿里的追光者：每天为数亿张图片把脉 帮数十万盲人“听图”

　　听取顾客发来的评论意见、发布最新制作的商品介绍图片，这是淘宝店主小峰 5 年来每天起床后必做的两件事。

　　来自浙江的小峰自幼双目失明，2015 年在淘宝开了一家专卖电子产品的店铺。通过“手耳并用”的方式，小峰可以和明眼人一样，毫无障碍地和众多买家进行沟通交流。

　　这一切得益于 OCR（光学字符识别）技术。在阿里达摩院读光 OCR 团队的努力下，数十万盲人登陆淘宝时，只要手指划过相关页面和商品，手机就会准确地读出的信息 。

　　OCR 技术的应用并不止于为视障人群修建“盲道”，小峰和数以百万计的商家每天会在淘宝发布超过 1 亿张商品图片。

　　广告发布是否违规？商品图片是否侵权？在每天为海量图片“把脉”的过程中，锻造了读光 OCR 强大的能力，这项原本只专注于商品治理的安全技术，逐渐进化为不同行业提供人工智能服务的全能识图产品。

　　不久前，阿里达摩院和阿里安全成立联合实验室，意味着“读光”这一高精尖技术将在更多场景落地，而在“新基建”快速发展的当下，数字技术将展示出前所未有的普惠性。

　　每天为数亿张图片把脉

　　每天在淘宝新增的商品图片达数亿张。

　　如果用相纸把这些图片打印出来，假设每张相纸厚度为 0.2 毫米，摞在一起的厚度超过 20 公里。

　　从这些图片中找出违规发布的商品和信息，依靠人的肉眼，即使每秒钟能查看一张图片，24 小时内看完这些商品图，需要 1158 人团队不间断持续作业才能完成。

　　在商品图片内容丰富、场景复杂多样的状况下，读光 OCR 技术的出现大大提高了平台治理的效率。

　　读光 OCR 团队负责人、高级算法专家永攀介绍说，“读光”的前身是成立于 2011 年的“图像把脉团队”。

　　部分读光 OCR 团队成员合影

　　彼时，淘宝商品主要信息传递方式是图片，消费者搜索任何商品，映入眼帘的是首先是各个搜索结果的商品主图，这张图片传递的信息可以在很大程度上影响用户的购买判断。

　　当图片成为抢夺消费者注意力最直接的手段，很商家把商品主图和呈现文字做得异常夸张，就像电线杆上的“牛皮藓”广告。

　　为了改善淘宝的商品呈现，“图像把脉团队”上线治理“牛皮癣”的专项技术，判断商品图片中的文字以及整体图片是否违规。

　　对图片的识别、判定的意义并不只是是否美观和夸张。更重要的是，通过对商品发布图片的审核，可以及时发现销售假货侵权产品的商家。

　　今年 2 月 2 日，身在重庆的永攀在药店买口罩时，发现线下要点的口罩已经被抢购一空。永攀很快意识到，大量口罩购买需求涌入线上，很多不法商家也可能会趁机混水摸鱼。

　　与此同时，淘宝、天猫成立了“保卫口罩小分队”，他们的任务就是守住口罩商品上线的关口。

　　这一天，读光 OCR 团队紧急优化技术，确保有货源的商家能发布商品的同时，让疑似假冒伪劣的商品无法上线。

　　“由于口罩以前是个小众产品，突然爆发的需求和商品发布量，让图片扫描以及识别的工作量非常大。”永攀回忆说，这一仗把能调用的全部服务器都用上了。有了每天检测数亿张图片的磨砺，读光 OCR 在口罩保卫战这一役圆满的完成了任务。

　　在阿里安全图灵实验室负责人薛晖看来，读光 OCR 技术在知识产权保护领域的应用，不仅可以对商品发布进行检测，配合其他技术的应用，还能对制售假分子予以限制。

　　一名曾因店铺售假被淘宝关店，为再上淘宝开店，伪造了 8 次假身份，连户籍地址都配套换了 8 次。但每次都被系统识别拦截，无缘再上淘宝的他，终于选择放弃。

　　从管理到服务的有温度治理

　　2015 年 9 月 1 日，新广告法开始执行，这为“读光团队”带来了巨大的挑战。

　　新广告法禁用“最佳”、“最优秀”、“世界级”、“独家”、“史上第一”等多种“极限词”表达。

　　淘宝的存量商品超过了 15 亿个，每个商品平均有 17 张描述图片，90% 的商品描述都在图片中。由于很多商家并不具备专业知识，根本无法判断自己是否违反了广告法。

　　很多商家违法了但却不自知，不但面临处罚，还会遭遇恶意索赔团伙的敲诈勒索。

　　阿里安全在集团内部拉几支团队一起 PK 解决方案，最终“读光团队”接下了这个难题。

　　永攀回忆说，当时统计发现，淘宝存量商品图多达数百亿张，图片上的文本内容非常复杂，常用字体就有 100 多种，还有一些非常个性艺术创造的字体。此外，图片中经常会有各种透明半透明的背景，识别难度很高。

　　为了实现高效提速，“读光团队”做出了有别于市面通用的解决方案。

　　如果说外界当时处理一张主图需要 3 到 5 秒，处理复杂图需要 1 分钟的话，“读光团队”提出的解决方案可将识别图片的平均时间降到 0.25 到 0.3 秒。产品上线后，所有违规图片可以在 24 小时内被处理。

　　一年之内，“读光团队”将技术能力进化到了实时处理，让商家发布的违规图片根本无法上线。

　　“当我们的安全技术能力从单纯的管控变成风险服务，可以帮助到那些无意犯错的商家，让违反广告法的图片在没有产生任何影响的情况下就被拦截下线。”永攀说，通过技术打击作恶的坏人，而让无意犯错的商家“少踩坑”，这是“有温度治理”的应有之义。

　　为数十万盲人修建网络盲道

　　在数字经济时代，依托人工智能技术的治理模式和经验，不仅在解决商业问题上发挥作用，创造新的商业机遇，在参与社会治理和解决各类社会问题上，提供了更多的想象空间，为社会创造更多新价值。

　　从 2011 年开始，“读光团队”为视障群体提供文字识别服务。不过，很多盲人朋友反馈依然存在理解障碍和错误的情况。

　　永攀解释说，淘宝的图片版式包括了广告图、商品图、表格图、图文注解图等，不同页面的阅读方式差异很大，绝不仅是把所有文字从左到右、从上到下阅读一遍这么简单。这就需要研究将文字以合理的顺序进行组织后，为视障人士阅读，帮助他们正常理解。

　　团队一边与浙江大学、中国残联合作，共同研究商品图片无法被视力残疾人阅读的问题，一边邀请盲人测试者参与研发。

　　2019 年，“读光团队”开始研发和落地版式分析和阅读顺序的深度学习技术，盲人商家小峰参加了无障碍工作组的测试，并以团队成员的身份参与到优化读光 OCR 的文本语序识别算法的工作中。

　　“对普通人来说，新兴互联网技术的发展很多时候发挥着锦上添花的作用，但对盲人而言，具备着雪中送炭的意义，实实在在的帮助我们回归社会、融入社会、参与社会。”小峰感慨。

　　借助手机旁白功能，视障者用耳朵购物

　　截至 2019 年，数十万视障人士因为“读光”团队的努力，在淘宝享受着足不出户，购遍全球的互联网新生活。2019 年双 11 期间，淘宝对“盲道”进行升级后，视障人士在实现无障碍购物的基础上，首次可以用手机在双 11 参加游戏互动体验，并得到更多实惠。

　　在数字时代主动寻找未来的光

　　2019 年底，阿里达摩院与阿里安全成立联合实验室，读光团队与阿里安全图灵实验室实现了“握手”。

　　事实上，在日常平台治理的业务中，两个团队早已并肩战斗多年，联合实验室的负责人薛晖与永攀更是老相识了。

　　永攀（左）与薛晖（右）在阿里

　　两人同毕业于浙江大学光电系，永攀是薛晖隔壁实验室的师妹，永攀所在的实验室为嫦娥四号探测器提供了的相机光学技术，让嫦娥四号向地球顺利传回世界上第一张近距离拍摄的月背影图像。

　　在隔壁实验室技术“上了天”的时候，薛晖正在阿里安全死磕 AI 图像识别技术，将其落地应用在线下新零售场景中，两人开玩笑地说这样的场景恰好印证了人工智能“上天入地”的说法。

　　如今，两人的愿景是让高精尖的视觉技术在更多场景中落地。

　　“这个联合实验室要在数字化浪潮下，开拓‘AI+ 办公’、‘AI+ 教育’等新模式，为新基建铸就城墙；在技术上要以建设高效、通用、安全的 OCR 系统为抓手，聚焦小样本学习、迁移学习与领域自适应、模型可解释性研究、对抗鲁棒性等课题，探索下一代人工智能技术，为新基建构建安全的技术底座，这也是阿里提出的新一代安全架构的核心理念。”薛晖为团队规划出了大的方向，接下来团队的重点将聚焦在图片、视频治理和办公数智化两个方面。

　　薛晖说，人们在日常看到的是清朗网络空间，这背后其实是安全算法团队与违法违规图片视频的持续对抗。而 OCR 技术具有非常强的办公属性，如财务票据报销、文件电子化、证件审核等，未来的办公数智化解决方案可以辐射金融、司法、教育、医疗等行业，将人们从机械的、重复性的工作中解脱出来。

　　“我们想要两条线推进，为 OCR 技术找到对业务、社会真正有价值的新方向。”永攀说，疫情中兴起的非接触式会议和教学已经证明，AI 技术已经改变了传统的内容生成方式。

　　这也是“合并”赋予读光 OCR 团队的新意义：不仅要读光、追光，更要在数字时代主动寻找未来的光。