明敏 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

想不到，有了AI加持，我也有在我司鲨疯的一天！

同事的压箱底黑照，被我3秒钟就翻了出来，光速做成表情包先发制人。

喏，只需要在网盘的搜索框里输入“大笑的男人”，立马就能检索到相关图像。

然后选中想要“攻击”的对象、点击编辑，就能一键加文字变表情包。

整个过程相当丝滑，我图都做完了，同事那还在找图呢（doge）。

而且这个搜索还能直接理解“什么是表情包”，可以一键找到之前做好的图。

咱就是说，在堆满陈年老照片和资料的网盘里用上精准搜索，斗图大王舍我其谁。

除了照片，它甚至还能直接搜同事的视频、或识别表情包中的文字，搜索灵活度很高。

所以，这个功能究竟在哪里开启，相比传统相册搜索又有啥不一样的地方？

典藏表情包搜索“神器”

首先，在百度网盘里启用这个智能搜索功能。

打开网盘搜索框，输入“高级图片搜索”，就会显示一个功能入口，进入后点击“立即体验”并等数据升级完成，系统就会发送通知，可以上手开玩了~

启用高级图片搜索功能后，在网盘主页的搜索框里就能一键搜图，不用再特意进入某个工具中。

怎么搜？“脑子里想啥就搜啥”。

以搜索单个词汇为例，比如“比耶”和“挤眉弄眼”这种模糊的表达，智能搜索就秒懂：

像“修狗”这样的网络热词，也在它的掌握之中。

甚至还进化出了自己的“偏见”，比如和“发布会”关联的往往是“PPT”（doge）：

不止是单个复杂词汇或形容词，搜图时还可以直接说一整句描述，甚至加多个限定词。

同时，随着输入的细节增加，它的搜索结果还会实时调整。

比如只输入“睡觉的”，可以看到系统找到的第一张照片，是一张猫猫躺着的表情包。

但随着关键词完善到“睡觉的人”以后，这张猫片就马上被系统筛了出去。

除了准确把握图片精髓外，这个智能搜索还能识别图片中的文字，搜索结果也很全面。

比如搜“绷不住了”，它不仅能给出图文完全一致的表情包，还会放出其他相似图片：

搜索范围上，不止是找图，这个功能就连视频也能搜。

总之，网盘的智慧搜索新功能，让找照片、视频等文件不再是个费力的“提示词工程”。

要想搜到自己的照片，只用和网盘“聊聊天”就行，它就能像人一样准确get你要找的那张照片。

所以，这个功能究竟是怎么实现的？我们扒了扒背后的技术原理，发现还真没那么简单。

背后果然用上了大模型

智慧搜索，本质上有点像一个自带图片+视频智能查找功能的“私人定制版”网盘搜索引擎。

但为了实现这个功能，百度网盘团队甚至连大模型都用上了，核心目的，在于解决传统图片搜索的四大问题——

搜不到、搜不准、搜不快、搜索方式单一。

首先要解决的、也是最大的难点之一，是“搜不到”的问题。

传统按标签搜索的相册，内置搜索引擎没有真正将图片和文字之间的“含义”关联起来，换言之就是“文不对图”。

△普通手机的标签式搜索

为了解决这一问题，团队选用了百度文心的多模态大模型VIMER-ViLP，并用海量图片和文本数据对它进行了训练，来实现基于向量的语义搜索。

这类方法的核心原理，是将文本和图像的特征向量映射到同一个语义向量空间，向量之间距离越近，相似度就越高，同时也能避免语义丢失，降低“搜不到”的概率。

相比CLIP，VIMER-ViLP在训练时采用的中文数据更多，因此搜特殊中文名词也会更准确。例如，在博物馆内拍摄的文物“中华第一龙”：

不过，虽然大模型能增强图片的理解能力，但面对地点、时间、人名这类涉及照片拍摄的信息，它就无能为力了。

接下来，还需要结合照片本身的信息，解决“搜不准”的问题。

传统标签式搜索，需要精准到具体日期（年月日）和拍摄经纬度等照片拍摄数据，但用户输入的搜索词往往比较模糊。

为此，团队基于语义理解实现了组合查询，也就是用AI将输入文本和照片拍摄数据进行对应，相当于做了个翻译。例如输入“前年”，语义理解就会自动提供2021年拍摄的所有照片。

甚至更精细的某个具体地名，如“西单”也没问题，还能将搜索范围精准到“照片”，筛掉不想搜的资料：

准确度被解决后，就是这类智能搜索“搜不快”、成本高的问题了。

毕竟，光是给已有图片建立索引就能让手机算力爆炸，更别提还有新增图片后重建索引、查询期间使用大模型的成本。

因此在索引上，团队设计了一套端云融合的语义检索系统。首先用云端算力进行向量计算，再用终端设备部署本地索引并检索，这样既能降低终端计算量，又确保了搜索的速度；

为了进一步降低终端耗电量，团队还对索引格式进行了压缩优化，确保搜索时搜的是图片中最“精华”的数据。

在算力上，团队还开发了一套统一管理CPU、GPU等异构资源的调度系统，充分利用“闲置”资源来计算云盘上的数据。

这样一来，即使你的网盘中珍藏了10万张照片，搜索用时也在毫秒级——不到1秒就能找到想要的图像。

解决了这三个问题，最后就是“锦上添花”，让搜索方式更加多样化了。

例如，网盘团队还引入了以图搜图、OCR和视频检索等AI技术。

以图搜图可以直接上传图片，通过对比照片内容，来查找网盘内或是全网的相似图片：

甚至还能连接百度百科：

OCR识别则可以通过AI识别图片中的信息和知识，即使是标点符号很狂乱的图片也OK：

至于视频检索技术，则是通过AI算法，先快速筛选出最能代表视频的一张封面图，以加速视频搜索。

据了解，图搜功能在百度网盘已经覆盖千万级用户，一年累计图片搜索服务超过2.5亿次。即使在如此大的数据量下，百度网盘始终将用户数据安全及隐私保护放在首位。

以存储安全为例，百度网盘依托百度云计算（阳泉）中心，数据可靠性高达99.9999999999%（12个9），极大提升了用户数据稳定性和可靠性。同时，也持续通过三项ISO安全认证的年度审核，全方位保障每位用户的数据安全。

总结来看，百度网盘正是通过包括大模型等前沿技术来实现了核心功能的“进化”，从而在一众相似APP中脱颖而出。

但为何大模型率先引发变革的领域，会是百度网盘这样的APP？

大模型正在重写所有应用

其实不止是百度网盘，市面上已经有不少应用开始吸纳大模型这样的新技术。

但无论从产品技术、行业，还是百度自身来看，网盘都必须是率先发力大模型的一个“立足点”。

从产品本身来看，网盘作为一个管理海量数据的在线存储数据库，必然和Excel等数据处理软件一样，面临着更智能的交互方式需求。

正如一句话自动做图成为Excel的刚需一样，一句话“搜图”也必然成为用户使用数据库的刚需。

大模型的出现，直接在文本和图片之间架设了一座桥梁，使得网盘不再只是一个“硬盘”，而真正成为了用户的“第二大脑”。

从行业发展趋势来看，搜索本身也会成为大模型最先落地的领域。

包括谷歌AI snapshot和百度“AI伙伴”在内，国内外在线搜索引擎都已经迅速引入大模型能力。

但除了搜索外部知识以外，无论是网盘这样的内部数据库搜索、还是移动端本机搜索，对于智能数据搜索同样有着极大需求。谁能率先将智能搜索技术引入产品，谁就能率先改善用户体验、吸引更多人使用产品。

最后从百度本身来看，在大模型最初火热之时，CEO李彦宏就留下过名言：

要用大模型把所有应用重做一遍。

而网盘APP，正是百度最先拿出来、最有竞争力的大模型产品之一，其所变革的功能也不仅仅停留在智能搜索层面。

换而言之，智能搜图、搜视频，还只是百度网盘变革的开始。如今在大模型加持下，网盘具备的AI和数据处理能力被彻底激发出来，彻底成为用户的智能助理。

它以大模型为核心大脑，通过调用知识、AI模型和API们，能快速实现个人知识管理，马上还将实现多模态创作和多设备互联互通——

个人知识管理：包括搜索在内，对网盘数据进行全方位智能管理。如对英文财报进行快速总结、依据文件中的资料回答问题、与用户互动等。多模态创作：网盘内的图文视频内容，都已经能用AI实现再创作。如图片自动转视频、视频字幕自动转文本等。多设备互联互通：基于IoT，迅速将网盘内容在多个智能设备上互联互通，传输文件非常方便。

这个智能助理，正是网盘前不久开启内测的“云一朵”，有了它，找图、摘要、翻译等能力，都是一句话的事儿。

从智能搜索到百度网盘“云一朵”，被大模型“重写”的百度网盘，已经率先走在了行业变革的前列。

感兴趣的童鞋可以去体验下啦~

参考链接：

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态