人工智能模型可以通過物體識別提昇機器人智能

斯坦福大學的研究人員開發了一種創新的計算機視覺模型，可以識別物體的真實特徵，有可能使自主機器人更有效地選擇和使用工具。

在被稱為計算機視覺的人工智能領域，研究人員已經成功訓練了可以識別二維圖像中的物體的模型。對於能夠獨立導航世界的機器人的未來來說，這是一項至關重要的技能。但物體識別只是第一步。人工智能還必須了解物體各部分的功能——區分噴嘴和手柄，或者麵包刀的刀片和黃油刀的刀片。

計算機視覺專家將這種實用程序的重疊稱為“功能匹配”。這是計算機視覺中最困難的問題之一。但現在，在 紙 它將在計算機視覺國際會議上發表（ICCV2025），斯坦福大學的科學家們將提出一種新的人工智能模型，該模型不僅可以識別物體的不同部分並確定其真實目標，還可以在物體之間逐像素地顯示它們的細節。

未來的機器人可能能夠區分牛排刀和麵包刀、抹刀和鏟子之間的區別，並為工作選擇正確的工具。研究人員表示，機器人有一天可能能夠將使用抹子的技能轉移到鏟子上，或者將瓶子轉移到水壺上，從而使用各種工具來完成工作。

“我們的模型可以查看玻璃瓶和茶壺的圖像，識別每個瓶子上的壺嘴，但它也知道壺嘴是用來倒水的，”合著者、斯坦福大學博士後斯特凡·斯托亞諾夫（Stefan Stoyanov）解釋道，他的建議是資深作者吳嘉俊（Jiajun Wu）和丹尼爾·亞明斯（Daniel Yamins）。 “我們希望創建一個視覺系統來支持這種概括——進行類比，將一項技能從一個物體轉移到另一個物體以實現相同的功能。”

對應是確定兩幅圖像中的哪些像素屬於世界上同一點的藝術，即使照片是從不同角度拍攝或描繪不同的物體。如果圖像顯示相同的對象，這是相當困難的，但正如瓶子和茶壺的例子所示，現實世界很少如此公式化。自主機器人必須在物體類別之間進行概括，並決定使用哪個物體來完成特定任務。

研究人員希望有一天，廚房裡的機器人能夠選擇一個水壺來泡一杯茶，知道如何抓住它的手柄，並使用水壺從壺嘴倒出熱水。

自治規則

真正的功能匹配將使機器人比目前更具適應性。家庭機器人不需要接受培訓來使用所有可以使用的工具，但它能夠通過類比來理解，雖然麵包刀和黃油刀都可以切割，但它們都有特定的用途。

研究人員表示，在他們的工作中，他們實現了“密集”功能匹配，而之前的努力僅實現了稀疏匹配，僅識別每個對像上的幾個關鍵點。到目前為止，問題一直是缺乏數據，通常必須通過人工註釋來收集數據。

“傳統的監督學習有輸入圖像和相應的人工書寫標籤，而傳統的監督學習則不同，不可能手動註釋數千個像素，分別對齊兩個不同的對象，”合著者 Linan“Frank”Zhao 說，他最近從斯坦福大學獲得了計算機科學碩士學位。 “所以我們請人工智能幫忙。”

該團隊能夠使用他們所謂的弱監督找到解決方案：使用視覺語言模型創建標籤來識別功能部件，並僅使用人類專家來控制數據管道的質量。這是一種更有效且更具成本效益的培訓方法。

“幾年前通過監督學習很難掌握的事情現在可以通過更少的人力來完成，”趙補充道。

例如，在茶壺和瓶子的示例中，茶壺壺嘴中的每個像素與瓶口中的像素對齊，從而在兩個對象之間提供緊密的功能映射。新的機器視覺系統可以識別不同物體結構內的功能——這是功能定義和空間一致性的有價值的結合。

看到未來

目前，該系統僅在圖像上進行了測試，尚未在真正的機器人實驗中進行測試，但該團隊認為該模型在機器人和計算機視覺領域是一個有希望的進步。緊密的功能對應是人工智能更廣泛趨勢的一部分，其中模型正在從簡單的模式識別轉向對對象的推理。雖然早期的模型只能看到像素組，但較新的系統可以檢測意圖。

“這是形式追隨功能的一課，”斯坦福大學計算機科學研究生張雲志說。 “一個物體中執行特定功能的部分往往在所有物體中保持相同，即使其他部分非常不同。”

展望未來，研究人員希望將他們的模型集成到具體代理中並創建更豐富的數據集。

“如果我們能找到一種方法來獲得更精確的功能匹配，那麼這將是向前邁出的重要一步，”斯托亞諾夫說。 “最終，教機器通過特徵的鏡頭看世界可以改變計算機視覺的軌跡，使其不再關注模式，而更加關注實用性。”