給AI下指令時，總覺得和人溝通不太一樣？
沒錯，雖然AI能聽懂一些具體的人類指令，例如：
幫忙從餐廳搬個椅子過來。
但要是換成只有代名詞（他/她/它/這/那/東西…）和動詞的模糊指令，AI就一頭霧水了：
幫忙找個能墊腳的東西。
現在，終於有研究人員想出了一種新的應對方法：讓AI學會理解動詞不就行了？
動詞本身就和一些特定的名詞綁定，例如「抹黃油」這個動作肯定離不開「刀」、「叉」這樣的名詞。
只需要將它們進行匹配，不需要「刀叉」這類名詞指令，AI也能準確找出目標物：
##目前，這篇論文正式被NeurIPS 2022收錄，相關模型也已經開源：
所以它究竟是如何訓練AI理解動詞的？
遮住名詞讓AI「看圖找物」
論文提出了一個名叫TOIST的框架。
TOIST即「任務導向的實例分割Transformer」（Task Oriented Instance Segmentation Transformer），是一種基於Transformer的實例分割新方案。
實例分割與語意分割的「全圖切割」不同，它也具備目標偵測的特點，例如下圖憑藉著名詞「掀背車」（hatchback car），直接找出對應物體：
先前，實例分割模型通常分為“兩個步驟”，第一步檢測可能的目標，第二步對可能的目標進行排序，預測出最有可能的結果。
但與此方式不同，TOIST框架直接採用一整個Transformer架構，其中解碼器中的自註意力機制可以建立候選目標之間的偏好關係。
TOIST框架整體分為三個部分。
其中，多模態編碼器（棕色部分）負責提取特徵標記，Transformer編碼器（綠色部分）負責將兩種模態的特徵聚合起來，並基於Transformer解碼器（藍色部分）中的注意力機制來預測最適合的目標。
隨後，論文提出了一種新的名詞-代名詞蒸餾方法 （noun-pronoun distillation）來訓練模型。
具體來說，即基於知識蒸餾（上圖教師-學生模型）框架，以無監督學習的方式，訓練AI憑藉上下文來「猜測」名詞原型。
例如原本的實例分割任務是“用滑板挖洞”，但在訓練模型時，會把名詞“滑板”（skateboard）用代名詞“某個東西”（something）替換：
這樣AI在不知道名詞的時候，也能憑空猜出正確的名詞，並在圖中分割出正確的目標：
這樣的分割效果，在實際案例中表現如何？
目標偵測提升10.9%精確度
論文在大規模任務資料集COCO-Tasks上對TOIST進行了測試。
評估方法採用的是目標偵測等視覺任務中常見的mAP（mean Average Precision）。
簡單來說，TOIST比先前的實例分割和目標偵測模型SOTA模型表現更好，而有了名詞-代名詞蒸餾方法加成的「強化版」TOIST，表現又比TOIST更上一層樓。
其中在目標偵測任務上，相較於目前最好的Yolo GGNN，「強化版」TOIST的判定框精確度mAP提升了10.9%，在實例分割任務上，遮罩精準度則比Mask- RCNN GGNN高6.6%。
至於提出的名詞-代名詞蒸餾方法，相較於TOIST原版，在實例分割任務上分別提高了2.8%和3.8%的精確度。
具體到案例表現上，模型效果也與實際分割真值非常接近。
例如在圖（d）中，演算法甚至辨識出來了能用桌子開啤酒瓶蓋，可以說是理解能力滿分了：
對於做這項研究的初衷，作者回應稱：
我們實驗室其實是負責研究機器人的，但在平時的研究中發現，用戶有時會更傾向於給機器人描述“需求”，而不是直接告訴機器人要做什麼。
換而言之，就是用AI演算法讓機器人“多想一步”，而不是只是一個聽從命令的助手。
作者介紹
這篇論文的作者來自清華大學智慧產業研究院（AIR）、北京大學和英特爾研究院，AIR院長張亞勤也是作者之一。
論文一作李鵬飛，清華大學智慧產業研究院的在學博士生，本科畢業於中國科學院大學，研究方向為自動駕駛、電腦視覺等。
通訊作者趙昊，清華大學智慧產業研究院助理教授（incoming Assistant Professor）、英特爾中國研究院研究科學家、北大聯合博士後，本博畢業於清華大學電子工程系，研究興趣是機器人、電腦視覺方向。
論文網址：https://arxiv.org/abs/2210.10775
計畫網址：https://github.com/AIR-DISCOVER/ TOIST
以上是AI理解不了「他她它」咋辦？動詞成為新突破口，機器人聽到抹黃油就知道拿刀叉的詳細內容。更多資訊請關注PHP中文網其他相關文章！
