给AI下指令时，总觉得和人沟通不太一样？

没错，AI虽然能听懂一些具体的人类指令，例如：

帮忙从餐厅搬个椅子过来。

但要是换成只有代词（他/她/它/这/那/东西…）和动词的模糊指令，AI就一头雾水了：

帮忙找个能垫脚的东西。

现在，终于有研究人员想出了一种新的应对方法：让AI学会理解动词不就行了？

动词本身就和一些特定的名词绑定，例如“抹黄油”这个动作肯定离不开“刀”、“叉”这样的名词。

只需要将它们进行匹配，不需要“刀叉”这类名词指令，AI也能准确找出目标物体：

目前，这篇论文正式被NeurIPS 2022收录，相关模型也已经开源：

所以它究竟是如何训练AI理解动词的？

遮住名词让AI“看图找物”

论文提出了一种名叫TOIST的框架。

TOIST即“任务导向的实例分割Transformer”（Task Oriented Instance Segmentation Transformer），是一种基于Transformer的实例分割新方案。

实例分割与语义分割的“全图切割”不同，它还具备目标检测的特点，例如下图凭借名词“掀背车”（hatchback car），直接找出对应物体：

此前，实例分割模型通常分为“两步走”，第一步检测可能的目标，第二步对可能的目标进行排序，预测出最有可能的结果。

但与这种方式不同，TOIST框架直接采用一整个Transformer架构，其中解码器中的自注意力机制可以建立候选目标之间的偏好关系。

TOIST框架整体分为三个部分。

其中，多模态编码器（棕色部分）负责提取特征标记，Transformer编码器（绿色部分）负责将两种模态的特征聚合起来，并基于Transformer解码器（蓝色部分）中的注意力机制来预测最合适的目标。

随后，论文提出了一种新的名词-代词蒸馏方法 （noun-pronoun distillation）来训练模型。

具体来说，即基于知识蒸馏（上图教师-学生模型）框架，以无监督学习的方式，训练AI凭借上下文来“猜测”名词原型。

例如原本的实例分割任务是“用滑板挖洞”，但在训练模型时，会把名词“滑板”（skateboard）用代词“某个东西”（something）替代：

这样AI在不知道名词的时候，也能凭空猜测出正确的名词，并在图中分割出正确的目标：

这样的分割效果，在实际案例中表现如何？

目标检测提升10.9%精度

论文在大规模任务数据集COCO-Tasks上对TOIST进行了测试。

评估方法采用的是目标检测等视觉任务中常见的mAP（mean Average Precision）。

简单来说，TOIST比此前的实例分割和目标检测模型SOTA模型表现更好，而有了名词-代词蒸馏方法加成的“强化版”TOIST，表现又比TOIST更上一层楼。

其中在目标检测任务上，相比当前最好的Yolo+GGNN，“强化版”TOIST的判定框精度mAP提升了10.9%，在实例分割任务上，遮罩精度则比Mask-RCNN+GGNN高6.6%。

至于提出的名词-代词蒸馏方法，相比TOIST原版，又在实例分割任务上分别提高了2.8%和3.8%的精度。

具体到案例表现上，模型效果也与实际分割真值非常接近。

例如在图（d）中，算法甚至识别出来了能用桌子开啤酒瓶盖，可以说是理解能力满分了：

对于做这项研究的初衷，作者回应称：

我们实验室其实是负责研究机器人的，但在平时的调研中发现，用户有时候会更倾向于给机器人描述“需求”，而不是直接告诉机器人做什么。

换而言之，就是用AI算法让机器人“多想一步”，而非只是一个听从命令的助手。

作者介绍

这篇论文的作者来自清华大学智能产业研究院（AIR）、北京大学和英特尔研究院，AIR院长张亚勤也是作者之一。

论文一作李鹏飞，清华大学智能产业研究院的在读博士生，本科毕业于中国科学院大学，研究方向是自动驾驶、计算机视觉等。

通讯作者赵昊，清华大学智能产业研究院助理教授（incoming Assistant Professor）、英特尔中国研究院研究科学家、北大联合博士后，本博毕业于清华大学电子工程系，研究兴趣是机器人、计算机视觉方向。

对视觉-语言大模型感兴趣的小伙伴们，可以试试这个新思路了~

论文地址：https://arxiv.org/abs/2210.10775

项目地址：https://github.com/AIR-DISCOVER/TOIST