麻省理工学院电脑科学和人工智慧实验室近日开发了AI系统Pensieve ，可依照用户网路频宽的情况，挑选处理影片的演算法，让用户观看影片时，可以不受影片缓冲停顿干扰，同时又可以确保影片保有高画质。

研发团队表示，用户看影片时，若是在低频宽的条件下，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演算法，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，若是用户的网路速度缓慢，就可能会降低下个几秒影片的解析度，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。

采用自适性串流技术，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频宽的情况下，在影片的品质和缓冲次数之间取捨，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，无法精准地预测用户的偏好，且该演算法需要专家用人工的方式调整演算法，来符合不同的网路状况。

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慧实验室的教授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演算法有两种，一种是根据测量的网路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，这些演算法通常会做出不够好的决策，且为了符合不同的网路状况，需要专家人工调整演算法中的参数。

因此，Mohammad Alizadeh和他的团队开发的AI系统Pensieve，利用机器学习技术，根据用户网路的条件，来挑选适合的演算法，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%的停顿机率，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的方法，尝试将两项方法结合，藉由预测网路状况的变化，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，像是由于网路的速度是动态的，因此很难建立预测模型。

Pensieve则不需要预测的网路的模型，或是对网路速度既有的假设，Pensieve透过类神经网路演算法执行ABR技术，在需要缓冲影片的网路状态下，重複训练及测试演算法。

Pensieve藉由奖惩制度来训练演算法，举例来说，若是系统解决一个缓冲停顿的状况，并提供高画质的观看影片，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。