几年前，我十分想要一个能够识别出任何东西的 App。事实证明，解决这个问题的困难程度远超想象，但这没能阻止高中毕业生 Michael Royzen 的尝试。
他的 SmartLens App 便试图解决这一问题，对指定物体进行识别，并获取更深入的信息。当然，这款 App 并非完美无缺，但多安装一个也无妨。
之前 Royzen 找到我，我对这个想法既好奇又怀疑——迄今为止，谷歌和苹果都双双失利（至少尚未发布任何好产品），一个利用业余时间的高中生会成功吗？
我与他约在一家咖啡馆见面，想亲自体验一下这款 App。我很惊喜，还有点困惑。
当然，这个想法很简单：你把手机摄像头对着某物，这个 App 就会试图对其进行识别，它利用的是一个巨大的分类代理，但被高度优化过，是基于数千万张图像训练而成。
它可以链接到维基百科和亚马逊，让你立即了解有关产品的更多信息，或者把它买了。
它能识别超过 17000 个物体——比如不同种类的水果和花、地标、工具等等。这款 App 可以轻松区分出（长相奇特的）芒果与香蕉，甚至能够识别出我买的开心果。
后来我用它来识别社区里的植物：周旋、银莲花、木酢浆草。它竟然把它们全部识别了出来，真的很有用，即便有时会稍作犹豫。
而且最有趣的是，所有这一切都是离线完成的，没有通过蜂窝网络或 Wi-Fi 来给服务器发送图像。一切都在设备上进行，只需一两秒钟的时间。
Royzen 通过各种渠道搜刮素材，建立了自己的图像数据库，并花费数天利用 AWS EC2 进行计算，以训练多卷积神经网络。
相较于通过读取条目文本和查询亚马逊数据库的方式，这种方法识别出的产品数量要多得多。
它几乎立刻就能够识别出书籍、一瓶药丸和其它包装商品，同时提供了购买链接。如果你也在线，界面就会弹出维基百科的链接，不过设备中也存储有详细的产品信息。
但关于这一点必须说明的是，SmartLens 的装机内存超过 500 M。
Royzen 的模型很大，因为它必须在手机中存储所有的识别数据和离线内容。这种解决方案不同于亚马逊给 Fire Phone（已卒）开发的产品识别引擎，或是 Google Goggles（已卒），以及 Google Photos 的扫描功能（完全比不上 SmartLens 的识别速度和准确度）。
Royzen 在一封电子邮件中写道：「随着带有桌面类处理器的智能手机的迭代，以及能够对其（以及 GPU）进行利用的本地机器学习 API 的出现，响应快速的视觉搜索引擎应运而生。」
但没有一家大公司这样做了。为什么？
当然，App 的大小和处理器上的收费不可忽略，但它的边缘处理和离线识别的功能不容小觑，毕竟 Royzen 才刚刚起步。
但它可能会面临两个问题：1. 很难赚钱；2. 搜索质量还不够高。
必须指出的是，SmartLens 虽然聪明，但准确性还远远不够。它的识别参考几乎总是离正确答案存在一步之遥。
譬如，它将我的一本书识别成了《White Whale（白鲸）》，不过那并不是《Moby Dick（白鲸）》。被它认作鲸脂镇纸的其实是一把小铲刀。
在获得更为确信的结果前，许多条目只是简要地闪过诸如「人」或「产品设计」等参考结果。它将一种开花的灌木鉴定为 4~5 五种不同的植物——当然，包括人类。
我的显示屏识别参考是「计算机显示器」、「液晶显示器」、「计算机显示屏」、「计算机」、「计算机屏幕」、「显示设备」等等。
游戏控制器的识别结果是「控制」。一把铲子被认为是一个木勺（已经够接近了），还配了一个莫名其妙的副标题「安慰奖」。（下图，此处应有黑人问号脸，what？！）
如果是谷歌或苹果所发布的独立产品，这种表现水平（一般称为怪诞，尽管有趣）是不可容忍的。Google Lens 响应缓慢，体验糟糕，但它只是某个实用的 App 中的一个可选功能。
如果它发布了一个视觉搜索 App，将花卉识别成了人类，这家公司将被口水淹没。
另一个是变现问题。
虽然从理论上说，你可以在拍下书籍封面的同时就即刻下单，但这并不比拍照搜索或谷歌/亚马逊搜索来得更为方便。
同时，用户仍然对此心存困惑。它能识别哪些东西？不能识别哪些？我需要它来识别什么？它可以识别很多东西，从犬类品种到商品店面，但可能无法识别其他一些东西，例如一个很酷的蓝牙音箱，或是你朋友戴的机械手表，或当地画廊里展出的某幅画作的作者（不过有些可以被识别出来）。
我在使用它时觉得，我只会用它去识别一些它认为自己能够识别出来的东西，比如花朵，但在一些它无力识别或可靠性不高的事物方面，我就会犹豫。因为我怕自己会感到沮丧。
然而，在不久的将来，人们会慢慢开始接受 SmartLens 的想法。很显然，几年后我们都会认为这是理所当然的。它会直接在设备上进行分析，不需要把图像传到服务器上。
Royzen 的 App 肯定有其自身的问题，但在很多情况下，它表现得很好，实用性很强。
你可以把手机摄像头对着街对面的餐厅，并在 2 秒钟后收到 Yelp 上的评论——不需要打开地图或键入地址或名称——这个想法是对现有搜索范式的一个极其自然的扩展。
「视觉搜索仍然是一个利基市场，但我的目标是让人们认识到，在未来，一个 App 就可以提供关于周围所有事物的有用信息——如今，」Royzen 写道，
「然而，不可避免的，大公司最终将会推出其竞对产品。我的策略是成为市场上的首款通用型视觉搜索 App，并尽可能多地聚集用户，这样我就可以保持领先（或被收购）。」
然而，最让我不满的不是功能问题，而是 Royzen 决定如何使其变现。
虽然用户可以免费下载它，但当打开 App 后，立即就会收到 2 美元/月的订阅注册提示——甚至是在查看该 App 的效果之前。
如果我还不知道这个 App 可以做什么以及不能做什么，我会在看到付费提示后果断将其删除，并且即使我知道自己会用它来识别哪些东西，也不可能为它永续付费。
一次性激活收费将更为合理，并且还得有亚马逊的推荐码。但是，要让从未体验过产品的用户支付月租，这是不可能的。我告诉过 Royzen 我的担心，我希望他对此重新考虑。
最好还可以扫描相册中的图片，或者保存与搜索结果相关的图片。UI 方面需要改进，比如对识别准确度的衡量，或是某种反馈，可以让你知道它仍然处于识别状态。这些功能至少已被提上理论日程。
最后，Royzen 的努力令我印象深刻。我在回顾这一切时感到震惊，一个人竟然可以独自开发出这样一款 App，完成如此复杂的计算机视觉任务，何况他还是一名高中生。
这就是那种野心勃勃的 App——企图用一款工具创造出一家好玩的科技巨头，像是十年前的谷歌那样。
或许，它所代表的更像是一种好奇心，而非一个工具，而曾经的那些文本搜索引擎也是如此。
