本文經AI新媒體量子位（公眾號 ID: QbitAI）授權轉載，轉載請聯系出處。

“令人震驚的是，在打假這方面，美國竟然遠遠落后！”一個月前，美國司法委員會副主席、共和黨參議員道格·柯林斯痛陳美國被假貨所困的問題，其話言猶在耳，近日阿里打假技術又拿下國內高規格的技術大獎。

8月9日，由工信部、公安部及網信辦三部委指導主辦的“中國人工智能高峰論壇”在廈門召開，經過層層評選，阿里巴巴知產保護科技大腦被三部委評為“人工智能創新之星” 。

知識產權保護所指，更喜聞樂見的叫法就是打假。而阿里的知產保護科技大腦是一套阿里20年間積累的海量線上線下假貨特征庫、打假經驗聚合而成的算法技術系統，獨創“安全AI”大腦是核心。

這套系統24小時自動運轉，96%的疑似侵權鏈接在發布的那一剎那就已被秒殺。在過去3年，阿里已使用這套技術協助全國31個省份、227個區縣的警方抓獲制售假嫌疑人4439人，搗毀制售假窩點4289個。

從美國議員點贊到國內技術大獎，可以說時節已至，阿里打假正進入爆發性收獲階段。量子位也了解到這背后的安全AI運作之力、創新之功，接下來為大家一一揭秘。

1 AI 大腦=5 萬人類

知產保護科技大腦，就是誠心和技術創新的集大成產品。

該“大腦”完全由阿里自主研發，已經被廣泛應用于阿里生態內外，對假貨、山寨、侵權盜版等進行偵測和打擊。

而且作為一支上崗AI，各方面實力，不僅比人類干得好，而且很多能力人類干不了。

阿里方面公布了一系列驚人數據表現：

如果人工查看1張圖片的信息需要10秒鐘，那么5萬人同時工作的效率才能勉強趕上“知產保護科技大腦”掃描甄別圖片的速度。淘寶天貓平臺每日新發商品量以千萬計，如果人工巡查，138889人工作1天才能把這項工作完成。

阿里安全圖靈實驗室負責人薛暉透露，這套系統的樣本數據總量相當于186個中國國家圖書館藏量，僅累積的打假圖片樣本量就超過137億張，用0.3毫米的標準相紙打印疊加后高達4110千米，是世界最高建筑迪拜塔的4964倍，約等于464個珠穆朗瑪峰。

驚人的效果背后是阿里在安全場景里不斷進化技術力量所鍛造的“安全AI”風控體系。

安全AI如何服務知識產權保護？

所謂安全AI，是指安全場景中進化出的AI，擁有更強、更多元化的能力；與當前通用AI的理念不同，阿里安全更注重在業務安全領域垂直縱深的技術積淀，開發出適應更多安全場景的新一代AI，讓傳統的安全問題找到新的AI解法。阿里在今年年初提出這一全新理念，稱其將成為未來網絡安全問題的核心解法。

據悉，阿里知產科技大腦的秘密在于四大智能核心引擎，涵蓋阿里上百項自主研發的安全AI技術。分而解之，涉及感知引擎、認知引擎、決策引擎和計算引擎。

實際也是通用人工智能（AGI）必不可少的四大引擎，只是阿里垂直為打假服務。

從項目申報說明里，也能尋得宏觀架構脈絡。

感知引擎：核心技術是計算機視覺技術及語音識別技術，是整個系統的感官系統，是對象識別的基礎，為形成后續一系列處理動作邁出第一步。

包括，用于開店身份認證環節的人臉識別、聲紋識別、活體檢測等生物識別技術；用于開店資質核驗環節的證件識別、篡改檢測技術；用于線上商品識別的商標檢測、物體檢測、光學字符識別技術；用于營銷環節檢測的廣告圖片分析和視頻直播監測技術，以及用于原創作品保護的多媒體檢索和圖像水印技術等。

正是“感官系統”精準的語音、圖像、音頻、視頻感知能力，整個系統才能在數億復雜數據中準確識別出需要保護和防御的對象，進行下一步處理。

認知引擎：核心技術是自然語言處理技術

認知引擎是系統的“翻譯官”，讓機器懂得文字的意思、人類聲音的含義，以及人們動作的性質，從而判斷善意惡意、危險安全。

具體包括針對海量商品結構化與非結構化數據構建的知識圖譜技術；面向海外電商的多語言分析和機器翻譯技術，針對外部反饋的評價、輿情進行識別的語義分析技術；以及融合多模態信息，對商品的全面認知和理解的技術。

第三，決策引擎：核心技術包括深度學習和強化學習兩塊，用來解決現實中的復雜決策問題。

它是系統的“軍師”，決定了系統該如何動作，如何更合理有效地作出最佳應對。例如當面臨商家實時博弈、信息內容的變異，以及黑產的惡意攻擊時，在全局視角下做出更有利的決策。

最后還有計算引擎，包括實時指標計算系統、分布式異構計算系統、和大規模圖神經網絡系統。

這是打假AI大腦的發動機，它強大的性能保證了系統在數千并發、數十億數據面前坦然自若、精準高效。

計算引擎背后，支撐的是阿里云機器學習平臺 – PAI 3.0。

它可以實現單任務支持上千worker并發訓練，并支持5k+超大規模異構計算集群，保證全天候監控數十億商品異常情況，以及對經營者行為的全方位監督。

臺上一分鐘，技術20年功

值得一提的是，四大引擎架構宏觀，但背后每一項技術積累，都是工程師們日夜苦功的結果。

值得一提的是，打假AI大腦是阿里安全“安全AI”落地應用場景之一。阿里在高風險、強對抗的場景中不斷進化AI的力量，通過小樣本學習、多模態、自監督學習等新技術的持續應用，在內容安全、新零售安全、交易安全等百余場景中持續應用，其凝聚著阿里安全圖靈實驗室在AI領域超過10年的技術積淀，實現水滴石穿。

從最近阿里安全圖靈實驗室在人工智能頂會的論文中，不難發現其功力所在。

這是阿里發表于ECCV Workshop 2018的論文，核心分享了其在視頻分析領域的技術進展。

也是阿里從視頻中識假打假，保護原創的秘訣所在。

當前業內通行的視頻分析，往往先預訓練CNN網絡提取特征分類，其后采用循環神經網絡（RNN、LSTM）進行序列建模。

但視頻的特征序列一般較長，且含有多級結構（hierarchical data structure），即一個視頻包含幀、鏡頭、場景、事件等。

而且幀與幀、鏡頭與鏡頭間的關系十分復雜，不僅僅是前后幀的順序關系，通過一般的序列建模方法，RNN無法表達如此復雜的關系，建模效果較差。

因此阿里研究團隊通過深度卷積圖神經網絡（DCGN）對視頻的幀、鏡頭、事件進行多級的建模，逐漸地從幀級、鏡頭級，一直到視頻級進行抽象，從而獲得視頻全局的表達，進而進行分類：

最后方法在youtube8m數據集上驗證后，效果相對其他經典的序列建模方法，都有提升。

論文傳送門：https://arxiv.org/abs/1906.00377

還有自然語言處理領域的進展，同樣是知產保護科技大腦的關鍵技術。

阿里安全圖靈實驗室入選IJCAI 2019的文章，主題是面向對象的情感分析，主要目標是挖掘出評論對象，同時判斷情感表達的極性。

一般而言，很多對于商品質量描述的蛛絲馬跡，會隱藏在用戶對商品的評論中，卻很難從商品本身中發現問題，這也是NLP技術能夠施展拳腳的場景。

論文中提出的方法，通俗來說是利用全局信息、結合上下文語境去識別情感對象，而不再是預測每個字對應的序列標簽。

這種方法基于詞塊方法，提出更簡單高效的聯合模型，同時抽取情感表達對象以及判斷其情感極性。

具體步驟上，首先對評論語句中的所有候選詞塊進行向量表示，然后提出了一種基于詞塊的注意力機制來預測詞塊對應的標簽和極性。

最后公開數據集評測對比后，證明比現有方法表現更好。