斯坦福大学研究人员开发出一款创新的计算机视觉模型，能够识别物体各部分在现实世界中的功能，推动自主机器人工具选择与使用效率的提升。在人工智能领域，传统计算机视觉模型已实现二维图像物体识别，但理解物体各部分功能仍是待解难题。斯坦福大学此次推出的新模型，不仅能识别物体各部分，还能辨别其现实用途，并在物体间以像素为单位进行功能映射。

该模型的核心在于实现“功能对应”，即跨物体类别识别并映射具有相同功能的像素区域。例如，模型能识别玻璃瓶与茶壶的壶嘴，并理解其倒水功能。共同第一作者斯蒂芬·斯托贾诺夫解释：“我们希望构建一个支持泛化的视觉系统，实现技能从一个物体到另一个物体的迁移。”这一突破使机器人能区分切肉刀与面包刀，或泥铲与铲子，并选择合适工具完成任务。

传统方法依赖人工标注实现稀疏功能对应，而新模型采用弱监督方案，利用视觉语言模型生成标签，仅需人类专家控制数据质量。这种方法更高效经济，赵(Linan “Frank” Zhao)表示：“几年前需大量人力完成的任务，现在可用更少资源实现。”例如，水壶与瓶子的例子中，模型能精确对齐壶嘴与瓶口像素，实现密集功能映射。

目前，该系统已在图像测试中验证有效性，虽未在现实机器人实验中测试，但团队相信其将为机器人技术与计算机视觉带来巨大进步。密集功能对应标志着人工智能从模式识别转向物体推理，新系统能推断意图而不仅是识别像素。

更多信息： 弱监督密集函数对应学习。期刊信息： arXiv