高清不卡！MIT用机器学习让你更流畅的观看在线视频

问耕 编译整理 量子位 出品 | 公众号 QbitAI

摔！在线视频看到关键时刻，突然卡住了！

你遇到过这样的情况么？有时候是卡住了，有时候是画质猛降。出现这种情况，因为现在的算法把视频分解为小块，边播放边加载。如果网速不过给力，视频网站就会尝试降低分辨率，更严重的情况就是卡顿（等缓冲）。

比方YouTube就用了这种自适应比特率（ABR）算法。不过，问题在于很多用户不会从头到尾看完视频，所以有非常多的缓冲数据都被浪费了。

另外，由于需要在视频质量和缓冲频率之间做出平衡，Netflix和YouTube等视频网站渐渐变得不能满足用户的观看期望。视频质量不佳，用户就会走掉，这会进一步影响广告收入。因此，视频网站必须找到创新的方法。

麻省理工学院（MIT）的Mohammad Alizadeh教授，和他在人工智能实验室（CSAIL）的团队为此研发出一套新的AI系统：Pensieve。

这套系统使用机器学习的方法，根据不同的网络条件，选择不同的算法。Pensieve被证明可以比现有的系统提供更高质量的视频观看体验。实验数据表明，Pensieve可以减少10-30%的缓冲，而用户体验的评分要高出10-25%。

Pensieve可以根据网络条件进行调整。比如，一位地铁上的用户即将进入没有网络的区域时，会自动降低视频的码率，以便提前加载足够的视频，这样即便没有网络支持，用户也能不间断的继续观看视频。

“我们的系统在优化方面非常灵活”，博士生Hongzi Mao表示，这套系统可以个性化订制视频体验，比方是否让缓冲的优先级高于画质。Mao也是此次研究论文的第一作者，同时署名的还包括Alizadeh和博士生Ravi Netravali。

这篇论文将在下周的SIGCOMM会议上发表，代码也将开源。

一般来说，ABR有两种算法：基于码率的算法，会根据网速传输数据；基于缓冲的算法，会保证总有一定的数据处于被缓冲状态。

这两种算法的限制在于，他们没有同时兼顾网速和缓冲。因此，这些算法时常会产生比较差的比特率决策，并且依赖人工专家进行仔细的调整。

也有研究人员试图将这两种方法进行结合，CMU的学者就开发出模型预测控制（MPC）系统，这个方法通过预测环境如何随时间变化来优化决策。这是一个重大的提升，但仍然受困于网速等难以建模的因素。

（插播：MPC的介绍可以查看网页 https://users.ece.cmu.edu/~vsekar/mpcdash.html）

而这次提出的Pensieve把ABR算法变成一个神经网络，而且在各种不同的缓冲和网速条件下进行了测试。

这套系统通过奖励和惩罚系统调整算法。研究表明，刚开始看视频时，用户更容易接受缓冲，所以可以据此调整奖惩系统。

目前Pensieve仅仅基于一个月的下载视频进行了训练，Alizadeh表示如果有更多Netflix或者YouTube的数据，这套系统的效果会更好。

接下来，这个团队会在VR场景下测试Pensieve。“4K画质的VR视频，所需要要的码率可能轻松达到数百兆比特每秒，而今天的网络根本无法支持”，Alizadeh说。