地铁里丢了包，AI能帮着找到吗？星际大模型：给AI换一双“眼睛”

（来源：大众新闻-大众日报）

在地铁里丢了一个包，AI能帮着找到吗？

放在过去，这件事儿没那么简单。

传统视觉AI通常有一套固定流程：你得先准备大量图片、标注、训练，告诉机器要识别什么，最后得到一个专门识别这类目标的模型，但谁也做不到提前就知道乘客丢的是什么东西。

那么，问题就来了，人不可能一开始就把所有东西都教给AI。

山东极视角科技股份有限公司联合创始人、总裁陈硕举了地铁失物招领的例子。“大模型的好处，就是一些可能没有见过的东西，通过语言描述，它也能做到识别。”陈硕说，这正是星际视觉语言大模型Stellaris-VL想解决的问题。

它不只是让机器“看见”，而是让机器开始“看懂”人类为他设下的各种目标。

把视觉和语言放到同一模型

过去十多年，机器视觉已经进入大量工业场景。工人有没有戴安全帽、产品表面有没有瑕疵、设备是不是冒烟，这类任务都已经不陌生。

但传统视觉算法往往很“专一”。识别安全帽是一套模型，检测某种产品缺陷又是一套模型，一旦目标换了、环境变了，往往需要重新准备数据、重新标注、重新训练。真实的生产现场，却不会永远按照事先准备好的“题库”出题。

地铁施工中的“工器具出清”就是一个很典型的例子。施工人员进场前，要把人员、工具、设备摆好拍照。施工结束后，再拍一张，比对两张照片看人是不是都出来了，工具是不是都带走了。

但难点在于，工器具种类可能非常多，摆放方式、拍摄角度也一直变化。这不是简单的“找不同”，因为机器需要知道照片里分别是什么，再理解两张图之间究竟少了什么。

于是，星际大模型把视觉和语言放在同一个模型中。极视角相关负责人介绍，基于十年AI积累和10亿+真实场景数据集自主研发，其可以通过自然语言指令直接定义视觉任务，实现零样本、少样本理解，超过80%的视觉感知场景可以无需重新完成一轮标注和训练。

过去是开发人员先把规则写给AI，现在开始变成用户直接告诉AI“帮我找什么”，比如“找出没有戴安全帽的人”“看看施工前后少了哪些工具”。视觉AI从固定类别识别，往开放场景理解迈了一步。

大小模型可以一起工作

大模型出现以后，传统的小模型并没有因此“退休”。“大模型与小模型不是替代关系。”陈硕说。

工厂流水线上，如果只需要识别一种固定瑕疵，而且要求响应快、成本低，小模型仍然更合适。

大模型的优势体现在另一类场景。比如一架无人机出去巡检，沿途可能要同时寻找几十种、上百种异常，总不能给一架无人机塞进去上百个独立的小模型。这时候，一个能够理解更多目标、应对陌生场景的视觉大模型，价值才真正体现出来。在极视角的方案里，往往是大小模型一起工作。

在某大型铝业集团的生产现场，原料、蒸发、溶出、分解、焙烧等不同车间，已经有50多个场景应用了小模型算法和大模型。高频、明确、要求快速响应的任务交给小模型，复杂场景、缺少历史训练数据的问题，再交给星际大模型。一个擅长“快和准”，一个负责补上“广和懂”。

当然，大模型自己也在变轻。星际大模型4B版本处理1080P图像，一般环境下推理延迟仅1秒出头。原因并不复杂：真正到了机器人、无人机和边缘设备上，参数不是越大越好，还得考虑算力、速度和部署成本。

产业现场最终看的，不是谁的模型“个头最大”，而是谁真正装得进去、跑得起来。

走向“理解一个场景”

视觉大模型还有一个很现实的问题：它靠什么不断认识新的东西？

答案仍然是场景。

2021年，极视角把总部从省外迁到青岛。陈硕介绍，一个重要原因，就是人工智能需要和大量实体场景结合，而山东工业体系完整，制造业、轨道交通等产业场景，为视觉AI提供了不断遇到真实问题的机会。

对于视觉大模型来说，这些场景不只是市场，也是它继续学习的地方。比如，工厂里一条几公里长的输送带，过去出现堵塞、断裂、冒烟以后，往往要靠人回看监控，而现在，视觉AI开始尝试把事后追溯往事前、事中识别推进。

今天模型认识一个新的设备状态，明天可能又会遇到一种从未见过的异常。问题不断出现，数据不断积累，模型不断迭代。“大模型看起来很宏大，但真正落到产业里，其实都是由无数一线的小场景一点点积累出来的。”陈硕说。

这就是视觉大模型的成长方式，机器的眼睛，并不是训练完成的那一天就算“睁开了”，它还要在无数个工厂、地铁、矿山、城市里继续看。看得越多，碰到的问题越多，才可能真正从“识别一个物体”，走向“理解一个场景”。

• 专家点评

重塑工业视觉落地模式缓解行业痛点

□ 天使投资人、人工智能专家郭涛

极视角Stellaris-VL星际视觉语言大模型重塑了工业视觉落地模式，显著缓解了人工标注、场景定制的行业痛点。

依托真实工业场景数据集与跨模态架构，大模型支持自然语言定义视觉任务，凭借零样本、少样本能力减少标注训练工作量，降低了企业智能化改造成本。同时兼顾识别精度与低幻觉特性，支持云端、边缘、私有化部署，适配多元算力以及智能制造、轨道交通等场景，依托全链路能力推动工业视觉走向标准化复用。

• 记者手记

真正有用的AI“眼睛”在于“读懂”新题

采访星际大模型时，记者一直觉得，“没见过，也能识别”这件事，比参数更有意思，因为真实世界本来就不是一套固定题库。

工厂会换设备，地铁里每天有人丢不同的东西，生产线上也总会出现以前没碰到过的小概率异常。

传统视觉AI擅长把一道已知题做到很准。但大模型正在尝试解决另一件事：题目变了，它还能不能继续答？

这可能也是视觉垂域大模型真正的价值所在。所谓“垂”，不只是识别某一个行业里的更多物体，而是长期泡在真实场景里，理解这个行业怎么看问题、需要看什么、看到之后又该做什么。

山东拥有大量制造、轨交、矿山等产业场景，这些场景最大的价值，不只是给AI提供应用市场，更重要的在于它们每天都在给模型出新题。

一双真正有用的AI“眼睛”，恰恰要在这些新题里，越看越懂。

记者： 苏月鹏