编者按：无论你正在观看 YouTube 视频，流媒体或玩游戏，与缓冲相关的同步信号都可能会严重影响用户体验。MIT 研究用机器学习减少影片缓冲时间，他们应用了人工智能的机器学习技术制作 Pensieve 系统，分析用户所在的网络环境，例如正进入网络连接不佳的隧道或位于人口密集的地方等，即时调节下一段影片的载入画质，减少重新缓冲的时间，同时保障最高画质影片。

没有什么能比看视频时遇到加载中更让人出戏了，如果你是曾在你最喜爱的电视节目或游戏中某个重要时刻受缓冲困扰的受害者，放心，你并不是一个人。每天有超过500万小时的视频通过流式传输，意味着流式服务的用户很有可能遇到大量的缓冲。

缓冲厌恶者应该会很欣喜地听到到MIT研究者已经提出了一种解决缓慢加载时间的一劳永逸的方法，MIT研究者们开发出了一套独特的人工智能系统，能够优化视频的流式传输并提高可靠性。

要理解这个解决方案，首先你必须明白缓冲是什么，为什么会发生缓冲。

技术背后的烦恼

互联网流量或数据以数据包为单位传输，也称为数据块。当涉及到视频，流播或加载时，就是数据分成各个碎片。

数据碎片按整个文件的顺序连接在一起，这就是为什么你看视频的时候开始很流畅，但中途可能会遇到问题。在此过程中，如果你的网路连接断开或减少，这些块可能会停止流入，导致整个文件或视频的性能下降。

这个想法是不断下载这些内容，并在你观看时将素材拼接在一起。 但是当这个过程被中断时，你就会遇到缓冲和加载时的旋转圈。这取决于无线信号的强度、互联网连接或附近的流量而变化。 例如，在拥挤的公共网络上观看视频可能会导致明显的缓冲和性能问题。

YouTube，Vimeo 甚至社交媒体平台都依赖称为自适应比特率（ABIT）的算法。这种算法测量连接速度，总带宽可用性和内容的分辨率，以提供恒定的流量或数据流。

高分辨率显然需要更多的资源，所以有时你可以通过降低质量来消除缓冲，这也是为什么 Netflix 有时看起来比较模糊。 该服务或应用已经调低内容的分辨率以匹配更高连接的需求。

那么 AI 如何解决这个问题？

MIT 的解决方案

麻省理工学院计算机科学与人工智能实验室的团队依靠自动化智能系统在适当的算法之间进行切换。 神经网络可以分析数据，并决定连接何时需要哪一种特定的算法。该团队通过奖励和惩罚为基础的系统训练人工智能系统。在一个月的时间里，他们播放视频流，让系统运作。失败就惩罚，成功就奖赏。这最终允许 AI 系统计算哪些算法对于各种场景最有效，何时在它们之间进行交换。

更有前景的是可以根据服务，连接或媒体类型的要求调整系统。Netflix 这类内容提供商可以选择质量超过性能，反之亦然。 系统将考虑这一输入，并通过自动化和定期监控来做出相应的选择。麻省理工学院教授  Mohammad Alizadeh 在做这个项目，他表示该系统可以完全定制。 该解决方案允许用户选择高分辨率或快速缓冲，从而个性化“自己的流式传输体验”。

对其他媒体流媒体的影响也令人兴奋。 想象一下，例如，能够通过 VR 提供高分辨率和强烈的游戏体验。但是消除缓冲的想法本身就很吸引人。

原文链接：https://venturebeat.com/2017/11/03/enterprise-growth-is-changing-in-the-age-of-ai/

编译组出品。编辑：郝鹏程