1
整個人類似乎發展地很好：互聯網經濟、奧林匹克運動會、火箭發射、太空漫游......
然而這樣繁榮的圖景并不是人類的全部，世界上還依然充滿了貧困和戰亂。就像這個在敘利亞戰亂剛剛遭遇空襲的5歲小男孩Omran Daqneesh，出人意料地安靜、麻木和茫然，不哭不鬧地擦掉自己臉上的血，而誰又知道他經歷了怎樣的殘酷！
人們樂于分享幸福與富裕，而戰亂和貧困地區人的日常和生活水平，我們很難得知。盡管有那么多國際機構聲稱要去要去幫助，去改變，然而由于無法了解基本信息，很難對癥下藥。
長久以來，研究人員會有一個評估某一地區的發展程度的指標：夜晚燈光的亮度和密度。但是這個方法有個局限，那就是它只能看到亮著的地區，而對于那些夜晚的黑暗之地，我們只能判斷它們大致是貧困的，而究竟貧困到什么程度，就不得而知。
“非洲最窮的地方，是我們最關心的。但在晚上，那里幾乎全部都是黑暗之地。”斯坦福大學的電子工程與計算機科學博士Neal Jean說道。
兩個村莊，一個靠近湖邊，一個靠近森林，在燈光分布圖里都可能是全暗的，但是它們臨近不同的自然資源，富裕程度不一樣。
而且，一般來說，了解一個地區的經濟水平，需要進行調研，而這一方法在戰亂和沖突地區是無法展開的，而恰巧這些地區就是世上最窮之地。
國際組織和當地政府決策者最在乎這些數據。比如，一個公益性國際組織要對不發達地區進行資金援助，資金是有限的，他們就需要確切知道哪些地區的需求最懇切，所謂“把錢花在刀刃上”。
對于政策制定者而言，了解本國個地區的經濟發展狀況是一項必須進行的工作，因為這樣才能制定出針對性的發展方案。但事實是什么呢？世界銀行數據顯示，在2000-20010年的十年時間里，59個非洲國家中，有39個國家只進行了不到2次的貧困水平調查。
斯坦福大學的這撥以Jean為領導的研究人員，他們采取的是現在很流行的卷積神經網絡的機器學習算法，所用的數據分白天的和晚上的，白天的數據來自衛星拍攝的地球高清圖像，夜晚的數據就是燈光分布圖。
整個的算法分兩步。第一步叫做“遷移學習”（Transfer Learning），研究人員把五個國家的白天和夜晚的數據“喂給"系統，包括尼日利亞、坦桑尼亞、烏干達、馬拉維、盧旺達這五個非洲國家。計算機需要學習衛星照片上的物體與夜晚燈光亮度的關系。
比如系統可以學習到：一片湖區和一片森林，他們在晚上應當是黑暗的，這與該地區是否貧困并無關聯；但是，一個房屋聚集的村莊，理應夜晚亮度比較高，如果這片區域是黑暗的，那么極有可能就是貧困地區。
通過這樣的學習，系統將貧困地區的數據都提取出來。接下來，就進行第二步，叫做“嶺回歸模型”（Ridge Regression Model）。研究人員將經過真實調查的數據指標再次“喂給”系統，比如世界銀行生活水平測量研究等。
這次，系統會把未經過調查統計的地區的大致貧困程度預測出來。比如，系統已經知道一個10戶房屋的村莊A的夜晚大致燈光亮度，而調查報告里有一個與A村地理位置相近，而且燈光亮度相似的10戶村莊B的信息，報告顯示B村的家庭收入水平是1.9美元/天。那么系統通過交叉對比，就可以判斷出A村與B村有著相似的經濟水平。
這個分兩步走的算法系統比單一的依靠燈光預測的方法更為準確，在具體的實驗里，其準確率達到81%-99%。
另外，由于該系統使用的數據都是來自公共機構，比如衛星圖像和燈光分布圖就是來自NASA，而調查報告來自于美國政府和國際組織，所以整個系統的花費并不昂貴，可供有需要的公眾和機構免費使用。
Jean表示，系統目前數據只是來自非洲的五個國家，下一步的工作就是用其他國家的數據來訓練，以繪制出全球貧困地圖，幫助政府和機構更好地減輕世界貧困。
Via Spectrum
延伸閱讀：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
