谷歌(微博)多名研究人员日前发博客透露，谷歌想要为复杂图片开发一种能够提供自动字幕的技术，其可精准描述图片中的内容，而且他们正接近实现这个目标。
谷歌的机器学习系统可以“看到”照片，然后自动生成描述和相关说明。这套系统通过识别图片上不同对象以及它们之间的互相关系，对图片上的内容进行更深层次的解读，最后翻译成更为自然的描述。
谷歌研究员奥利奥尔·温雅尔斯（Oriol Vinyals）、亚历山大·托舍夫（Alexander Toshev）、萨米·本吉奥（Samy Bengio）以及杜米特鲁·艾尔罕（Dumitru Erhan）等人写道：“这种系统最终可以帮助视障人士了解照片，在世界上移动连接速度很慢的部分地区提供替代文本，使用户更容易在谷歌上搜索图像。”
谷歌团队的关键创新是，将计算机视觉系统（在图片中将对象分类）与自然语言程序模式结合起来，当这套系统看到图片后，可以直接生成语句描述它。
谷歌研究人员承认，这套系统依然有许多工作需要改进。他们称：“我们将继续研发这套系统，期望它能够读取照片，并能生成足够好的自然语言描述。”
