MIT CSAIL最新研究：将AI应用于流媒体视频，可获得更好的播放体验

雷锋网 AI科技评论按：在网上看视频时，缓冲或色块问题时有发生，极其影响观看体验。现在，MIT计算机科学与人工智能实验室（CSAIL）利用神经网络算法，最大化地缓解了这种现象。将这种算法应用到YouTube或Netflix等网站之后，观众将会获得更好的体验。此外，这项技术还能应用于VR，缓解现有的网络带宽不够的问题。

Engadget上的一篇文章详述了CSAIL新的方法，雷锋网 AI科技评论将其编译如下。

缓冲和色块是流媒体视频播放中常常出现的问题。一旦出现这种情况，会影响观看体验，观众换台之后，又会影响广告商的收入。并且，这种情况还给流媒体服务带来了技术上的难点——很难设计出解决方案。

MIT 计算机科学与人工智能实验室（CSAIL）新发明的神经网络AI算法或许恰好能满足互联网所需的流畅流媒体服务。

上面播放的视频并不是以整段传输到电脑上的，那会占用太大的带宽。事实上，数据被分成小片段，然后按顺序传送。但是为了保证视频质量，像YouTube这样的网站是利用ABR(码率自适应)算法来确定视频播放的分辨率。ABR算法通常有两种模式:一种是测量网络传输数据的速率，另一种是保证视频开头有足够的缓冲区。

如果基于速率的算法失败了，系统会降低比特率以确保视频继续播放，这会导致色块问题。

另外，如果试图将视频快进太多，将会更加影响播放体验，这是因为基于缓冲的系统提前加载新的视频块和缓冲区时，不得不暂停播放。

这两种ABR模式本质上是解决同一问题的两面，他们都没有完全解决问题的能力。接下来就是人工智能的用武之地了。

实际上已经有了一些关于这个问题的研究。卡耐基梅隆大学的一个研究小组最近开发了一种叫做“模型预测控制”(MPC)的方案，试图预测网络环境如何随时间变化，并基于这个模型做出优化决策。然而，这个系统的问题在于，它只会基于模型自身做出优化决策，不适合那些突然或急剧发生流量变化的网络。

CSAIL的新方法被称为“Pensive”，它并不依赖模型，而是用机器学习来计算何时（以及何种情况下）在速率ABR和基于缓冲的ABR之间进行切换。和其他神经网络一样，Pensive使用奖励和惩罚来强化每次试验的结果。随着时间的推移，系统能够调整自己的行为，始终获得最高的奖励。有趣的是，由于可以调节奖励，我们可以调整系统，让它执行我们想要得到的行为。

麻省理工学院教授Mohammad Alizadeh在一份声明中说:“我们的系统很灵活，无论想要什么样的效果，都可以优化它来实现。甚至可以想象用户个性化自己的流媒体体验，这取决于他们是想要让缓冲优先还是让分辨率优先。”该团队对这个神经网络只进行了总长一个月的下载视频内容的训练，就已经能获得与MPC系统相同的分辨率，但减少了10%到30%的缓冲问题。

我们最终会看到这一技术被YouTube和Netflix等公司采用，但麻省理工学院的团队希望先将它应用于VR。Alizadeh说:“VR需要4k的分辨率，在使用时，码率很容易就达到每秒上千兆，而现在的网络根本无法支持。我们很高兴看到像Pensieve这样的系统能够为VR等这样的应用做些什么。这只是我们所做出的第一步。”

via：Engadget

雷锋网 AI科技评论编译