网络视频卡顿？MIT利用人工智能找到了解决方法

点击关注，抢跑AI世代

【AI世代编者按】缓冲和马赛克是影响流媒体视频服务的最主要问题。这破坏了观众体验，不利于广告主展示广告，也给流媒体服务带来了技术难题。来自麻省理工学院计算科学与人工智能实验室（CSAIL）的神经网络或许可以解决这方面的问题。

在流媒体视频的播放过程中，数据并非一次性传入你的电脑，因为这可能会消耗掉所有的带宽。因此，数据被分成小块，并按顺序来传送。

然而为了确保视频有足够高的质量，YouTube等网站利用了ABR（自适应比特率）算法来判断，什么样的视频分辨率是合适的。ABR技术包括两种方式，一种需要测量网络的数据传输速度有多快，而另一种则是在视频开头保证足够大的缓冲量。

如果基于传输速度的算法失败，那么视频就会出现马赛克。这时系统会降低比特率，确保视频仍能继续播放。但如果你快进得太多，那么就会触发缓冲机制。 这时播放将被暂停，你必须等待新的数据缓冲。

这两种ABR技术本质上是从两个方面去解决同个问题，但都无法完全解决问题。而人工智能可以带来帮助。

在这个领域，我们已经看到了一些研究。来自卡耐基梅隆大学的研究团队近期开发了“模型预测控制”（MPC）技术。

这种技术试图预测网络环境如何随时间变化，随后基于模型进行优化决策。然而这个系统的问题在于，实际性能取决于模型，不适合流量剧烈变化的网络。

CSAIL的人工智能名为Pensive，并不依赖某种模型。这种人工智能利用机器学习技术，以确定何时，以及在什么条件下，在基于速率和基于缓冲的ABR技术之间进行切换。与其他神经网络类似，Pensive利用奖励惩罚制度来评价每次尝试的结果。

随时间推移，系统能调整自身的行为，从而持续获得最高的奖励。有趣的是，由于奖励可以调整，因此整个系统可以按照我们想要的方式来调节。

麻省理工学院教授穆罕默德·阿里扎德（Mohammad Alizadeh）表示：“我们的系统非常灵活，你可以按照自己想要的方式去优化。用户甚至可以指定，系统优先关注缓冲还是关注分辨率，从而获得个性化的流媒体体验。”