AI自動挑選串流處理演算法，低頻寬也能流暢播放高畫質網路影片！

麻省理工學院電腦科學和人工智慧實驗室（CSAIL）近日開發了AI系統Pensieve，可依照用戶網路頻寬的情況，挑選處理影片的演算法，讓YouTube或是Netflix的用戶觀看影片時，可以不受影片緩衝停頓干擾，同時又可以確保影片保有高畫質。

研發團隊表示，用戶看影片時，若是在低頻寬的條件下，常常遇到兩個問題，不是影片變得模糊，就是影片因為緩衝而停止播放，這兩個問題都是因為用了特定的演算法，將影片細分為多個小區塊，讓影片可以在播放的同時，一邊下載，若是用戶的網路速度緩慢，YouTube就可能會降低下個幾秒影片的解析度，確保用戶可以持續觀看影片，若是用戶跳過尚未下載的影片，影片就會中斷來緩衝未下載的部分。

YouTube採用自適性串流（Adaptive Bitrate，ABR）技術，試圖給予用戶較流暢的觀看體驗，自適性串流技術就是在低頻寬的情況下，在影片的品質和緩衝次數之間取捨，但是有些用戶會因為影片畫質太低而不繼續觀看影片，有些則是因為影片中斷而不繼續觀看，隨著用戶量持續攀升，YouTube無法精準地預測用戶的偏好，且該演算法需要專家用人工的方式調整演算法，來符合不同的網路狀況。

若是為了保持影片不中斷而降低畫質，麻省理工學院電腦科學和人工智慧實驗室（CSAIL）的教授Mohammad Alizadeh指出，研究結果顯示用戶會因為畫質太低而停止觀看影片，這樣的原因會導致影片創造者的廣告收入，受到很大的影響。

Mohammad Alizadeh表示，ABR演算法有兩種，一種是根據測量的網路速度決定要降低畫質繼續播放影片，還是要中斷影片緩衝下載，另一種方法則是會確保接下來有一定固定的秒數，是已緩衝後的影片，不過，這兩種方式都因為要從影片品質和緩衝之間擇一而受到限制，因此，這些演算法通常會做出不夠好的決策，且為了符合不同的網路狀況，需要專家人工調整演算法中的參數。

因此，Mohammad Alizadeh和他的團隊開發的AI系統Pensieve，利用機器學習技術，根據用戶網路的條件，來挑選適合的演算法，不但可以減少影片停頓的次數，還能同時保有較高的影片品質。

在實驗中，結果顯示，相比其他方法，採用Pensieve的方法可以讓影片減少10%～30%的停頓機率，影片的品質經過用戶評價，提升了10%～25%。

卡內基美隆大學的研究人員過去也有用模型預測控制（Model Predictive Control）的方法，嘗試將兩項方法結合，藉由預測網路狀況的變化，來優化影片處理的結果，Mohammad Alizadeh表示，即使這是一項相當大的突破，但仍然有許多問題，像是由於網路的速度是動態的，因此很難建立預測模型。

Pensieve則不需要預測的網路的模型，或是對網路速度既有的假設，Pensieve透過類神經網路演算法執行ABR技術，在需要緩衝影片的網路狀態下，重複訓練及測試演算法。

Pensieve藉由獎懲制度來訓練演算法，舉例來說，若是系統解決一個緩衝停頓的狀況，並提供高畫質的觀看影片，就可以得到一個獎勵，但是影片若是停頓則會得到懲罰。

研發團隊將會在下週於洛杉磯舉行的SIGCOMM會議上發表此項研究，之後也會將Pensieve的程式碼開源釋出。