AI自动挑选串流处理算法，低带宽也能流畅播放高清网络影片！

麻省理工学院电脑科学和人工智能实验室（CSAIL）近日开发了AI系统Pensieve，可依照用户网络带宽的情况，挑选处理影片的算法，让YouTube或是Netflix的用户观看影片时，可以不受影片缓冲停顿干扰，同时又可以确保影片保有高清。

研发团队表示，用户看影片时，若是在低带宽的条件下，常常遇到两个问题，不是影片变得模糊，就是影片因为缓冲而停止播放，这两个问题都是因为用了特定的算法，将影片细分为多个小区块，让影片可以在播放的同时，一边下载，若是用户的网络速度缓慢，YouTube就可能会降低下个几秒影片的分辨率，确保用户可以持续观看影片，若是用户跳过尚未下载的影片，影片就会中断来缓冲未下载的部分。

YouTube采用自适性串流（Adaptive Bitrate，ABR）技术，试图给予用户较流畅的观看体验，自适性串流技术就是在低带宽的情况下，在影片的品质和缓冲次数之间取舍，但是有些用户会因为影片画质太低而不继续观看影片，有些则是因为影片中断而不继续观看，随着用户量持续攀升，YouTube无法精准地预测用户的偏好，且该算法需要专家用人工的方式调整算法，来符合不同的网络状况。

若是为了保持影片不中断而降低画质，麻省理工学院电脑科学和人工智能实验室（CSAIL）的教授Mohammad Alizadeh指出，研究结果显示用户会因为画质太低而停止观看影片，这样的原因会导致影片创造者的广告收入，受到很大的影响。

Mohammad Alizadeh表示，ABR算法有两种，一种是根据测量的网络速度决定要降低画质继续播放影片，还是要中断影片缓冲下载，另一种方法则是会确保接下来有一定固定的秒数，是已缓冲后的影片，不过，这两种方式都因为要从影片品质和缓冲之间择一而受到限制，因此，这些算法通常会做出不够好的决策，且为了符合不同的网络状况，需要专家人工调整算法中的参数。

因此，Mohammad Alizadeh和他的团队开发的AI系统Pensieve，利用机器学习技术，根据用户网络的条件，来挑选适合的算法，不但可以减少影片停顿的次数，还能同时保有较高的影片品质。

在实验中，结果显示，相比其他方法，采用Pensieve的方法可以让影片减少10%～30%的停顿概率，影片的品质经过用户评价，提升了10%～25%。

卡内基美隆大学的研究人员过去也有用模型预测控制（Model Predictive Control）的方法，尝试将两项方法结合，借由预测网络状况的变化，来优化影片处理的结果，Mohammad Alizadeh表示，即使这是一项相当大的突破，但仍然有许多问题，像是由于网络的速度是动态的，因此很难建立预测模型。

Pensieve则不需要预测的网络的模型，或是对网络速度既有的假设，Pensieve透过类神经网络算法执行ABR技术，在需要缓冲影片的网络状态下，重复训练及测试算法。

Pensieve借由奖惩制度来训练算法，举例来说，若是系统解决一个缓冲停顿的状况，并提供高清的观看影片，就可以得到一个奖励，但是影片若是停顿则会得到惩罚。

研发团队将会在下周于洛杉矶举行的SIGCOMM会议上发表此项研究，之后也会将Pensieve的程式码开源释出。