未來視覺推理的重要基礎(chǔ)

原標題：向視覺版o1出擊，階躍張祥雨團隊推出“慢感知”，實現(xiàn)感知層面的推理時scaling
文章來源：量子位
內(nèi)容字數(shù)：4320字

慢感知：讓AI“慢”下來，才能看得更清楚

本文總結(jié)了慢感知團隊在量子位公眾號上發(fā)表的關(guān)于“慢感知”研究的成果。該研究指出，當前的多模態(tài)大模型過于依賴System 1感知（快速直覺感知），缺乏對視覺細節(jié)的精細化處理，限制了其在復雜視覺任務(wù)中的應(yīng)用。為此，研究人員提出了“慢感知”（Slow Perception）的概念，旨在通過任務(wù)分解和逐步推理，提升模型的視覺感知能力。

1. 慢感知的提出與背景

研究團隊發(fā)現(xiàn)，現(xiàn)有多模態(tài)模型在處理需要精細視覺感知的任務(wù)時表現(xiàn)不佳，例如，簡單的螺旋線字母排序題就難倒了所有模型。這表明，目前的模型對視覺信息的處理過于粗略，缺乏對細節(jié)的深入感知。慢感知的理念是，如同人類思考需要時間一樣，視覺感知也需要“慢”下來，才能更準確地理解信息。這需要對感知過程進行分解，逐步進行推理。

2. 基于幾何解析任務(wù)的慢感知建模

研究人員選擇幾何解析任務(wù)作為慢感知的初步建模對象，原因有三：首先，幾何題是多模態(tài)模型常遇到的挑戰(zhàn)，但許多模型甚至無法準確復制幾何圖形；其次，幾何解析本身就是一個具有挑戰(zhàn)性的視覺感知任務(wù)；最后，幾何圖形是人類對自然場景的抽象，從幾何解析入手可以為構(gòu)建更通用的System 2視覺模型奠定基礎(chǔ)。

3. 慢感知的兩個階段：感知分解和感知流動

慢感知模型包含兩個階段：感知分解（Perception Decomposition）和感知流動（Perception Flow）。感知分解將復雜的幾何圖形分解成最基本的單元——線段，簡化了模型的處理難度。感知流動則模擬了人類使用尺子描繪線條的過程，模型通過虛擬的“感知尺”逐步描繪線段，將長線段的感知過程分解成多個步驟，每個步驟對應(yīng)一個“凝視點”。感知尺長度的設(shè)置影響模型的推理計算量，長度越短，計算量越大，“慢”感知越明顯，模型性能也越好。

4. 實驗結(jié)果與分析

實驗結(jié)果表明，通過縮短感知尺長度，模型的幾何解析性能顯著提升，驗證了慢感知的有效性。即使在加入凝視點抖動的情況下，模型性能依然優(yōu)于基線模型，這表明慢感知的關(guān)鍵在于建模感知的正確流向，而非對凝視點的精確度要求過高，這降低了模型訓練的難度。

5. 結(jié)論與未來展望

研究表明，提升多模態(tài)模型的System 2感知能力至關(guān)重要，而慢感知提供了一種有效的途徑。該研究在幾何解析任務(wù)上取得了初步成功，未來將進一步擴展到更通用的視覺任務(wù)中。慢感知的開源地址和論文地址也已公布，方便研究者進一步學習和應(yīng)用。

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關(guān)注科技行業(yè)新突破