承认吧，每次开启视讯聊天，我们总得花上至少 1 分钟调整位置，才能确保大家不是盯着对方的双下巴和大鼻孔。
从这个角度来看，Facebook 去年 10 月发表的智慧聊天装置 Portal Plus 提供的解决方案颇为创新。
简单来说，Portal Plus 采用的智慧镜头可自动追踪用户，确保你不会走出可视范围，且还会根据用户离装置的实际距离来调整音量。也就是说，即使你聊天聊到一半，忽然起身去房间另一头拿东西，对方也不会因此看不到或听不清楚你讲话。
这种体验，就像有摄影师专门在拍你。实际上，为了达到这个效果，Facebook 的工程师的确找来好莱坞专业摄影师咨询学习。
和很多智能手机的相机算法不同，Portal 背后的算法追踪的不是人脸，而是人的姿势和动作。
早在 2017 年，Facebook 的人工智能团队就已建立一套名为 Mask R-CNN 的计算机视觉模型，可追踪人类 2D 动作姿态。Portal 将这套算法精简优化至小型行动装置芯片也能跑的 R-CNN2Go 模型。
在这个阶段，虽然镜头已懂得跟人走，但影像看起来还是“僵硬又死板”，于是 Portal 团队找来好莱坞外援──摄影师、电影摄影技师和纪录片制作人，一方面学习广泛接受的摄影“基本功”，另一方面，抛出在家聊天情景下可能遇到的刁钻角度，看看专业人士会如何处理。
我觉得团队算是成功让镜头拍出比较成熟的构图，就是那种得有点技术、以及对人的行为有了解才能做的决策。
Rafa Camargo 说，她是 Facebook 硬件业务副总裁，同时也是 Portal 计划的负责人。加入 Facebook 之前，Camargo 是 Google 创新部门 ATAP（Advanced Technologies and Projects）的成员。
对发展人工智能来说，“自然”这个标准门槛其实很高，因为那意味着机器（或背后的工程师）找到了让模拟成果“像人”的关键。
2018 年的 Google I/O 大会，打电话到理发店预约的 Google Assistant 曾以语气词“Mm-Hmm”惊艳全场，而现在的 Portal，则借用好莱坞培养好观众的观影习惯来打造“自然”感。
这给人的感觉很自然。其实他们在电视和电影采用这种构图，也是因为在这些年里，大家发现这就是人类大脑喜欢的方式。
除了要做到“自然”，Portal 团队在设计模型时还做了一些很有意思的选择题。
譬如：一家人和奶奶视讯聊天，突然间，孩子从妈妈怀抱里跳起来，开始到处跑，最后还跑到很暗的角落。这样的情况下，Portal 要不要继续追踪孩子呢？
有人从偏理性角度出发，觉得如果小孩跑太快，追踪他会让画面效果不好，所以还是别拍小孩了。但当 Portal 团队询问奶奶类用户这问题时，大部分人都说，用视讯聊天大多只为了见见镜头另一边的人，尤其是孩子。
Portal 团队最后还是为用户留下手动控制权，他们既可用自动模式跟拍所有进入镜头的人，或选择专注在特定人身上，忽略其他人。
虽然在这里，Portal 将选择权交给用户，但我们不能忽视的是，现在一些智能手机的相机甚至视讯聊天会默认“美颜”，用户看不到“原始模样”；而 Netflix 这类串流媒体服务也默认只提供“推荐内容”，想看“原始”的完整列表还要“秘密代码”。
这些算法服务的本质，是用户“缴械”了选择权，很多时候这不止于决策权，同时还有获取“原始”内容的权利。
也许这也是为什么，当谈论到人工智能服务，“信任”是用户选择服务方的关键之一。
这不仅牵涉隐私权，还关乎我们让谁为我们选择。经过过去两年种种丑闻，Facebook 这个名字成为 Portal 尚未热销的主要原因，同时，这个名字也让一般人对安全性特别敏感。
无可否认的是，Facebook 在 Portal 背后的算法对视讯聊天体验的确带来全新提升，或只需要换个名字，它就能红起来。Facebook 团队也有计划将 R-CNN2Go 这套模型推广到手机应用等产品。多项调查指出，大部分美国人都不知道 Instagram 和 WhatsApp 是 Facebook 的。
（本文由 爱范儿 授权转载；首图来源：Portal）
延伸阅读：
- Facebook 发表智慧家庭装置 Portal，主打追着人跑的视讯功能
