复旦大学团队研发AI大模型 助视障者“看见”世界

只需一枚摄像头和一对耳机，画面能够被转化成语言，描绘场景、提示风险，让视障者出行更安全、生活更便捷……记者2日获悉，在复旦大学自然语言处理实验室(FudanNLP)师生的努力下，基于多模态大模型“复旦·眸思”(MouSi)为视障者量身打造的“听见世界”APP上线，将成为视障人士的生活助手与智能管家。

2023年上半年，复旦大学自然语言处理实验室发布了开发MOSS对话式大型语言模型，被称为中国版的GPT，仅用半年时间多模态模型“眸思”问世。据介绍，“眸思”和基于文本的MOSS不同，它能够理解并识别图片内容，致力于成为视障者的一双“眸”。

基于“眸思”，“听见世界”APP为视障者日常生活需求量身打造街道行走模式、自由问答模式和寻物模式。在街道行走模式中，“眸思”如一位忠实的向导。红绿灯、十字路口、障碍物……它能细致扫描道路情况，提示潜在风险，陪伴视障者安全通行“看不见”的漫漫长路。

在自由问答模式中，“眸思”则像一位贴心的朋友，走进博物馆、艺术馆、公园……捕捉四周景象的每个细节，用声音构建丰富的生活场景，传递每一处日常之美。在寻物模式中，“眸思”将成为一名可靠的管家，被移动过的手杖、最爱口味的牛奶……它可以让视障人士找寻日常物件变得轻松。

复旦大学自然语言处理实验室张奇教授说：“人工智能发展日新月异，科技应该要改变更多人的生活，希望‘眸思’能够帮助视障人士走出家门，让他们可以尝试更多工作，为人生书写更多可能。”据介绍，该项目的主导者都是“初出茅庐”的学生们，在组内头脑风暴会上，年轻学子总能提出开创性想法，能够找到另辟蹊径的解决办法。

自去年9月以来，复旦大学自然语言处理实验室围绕GPT4-v复现多模态大模型，对核心关键点开展研究，希望提升单项任务的准确率和强化大模型的学习。为了更好地感受视障者的难处，团队成员模拟真实情境，蒙眼探索视障者“黑暗”世界。他们邀请视障人士加入，进一步摸清真实而具体的需求。

在基于几亿张图片训练出“眸思”大模型基础上，针对视障者提出的各类需求，团队又用上万张图片进行特殊样本训练，使“眸思”具备能够适配更多场景的能力。据透露，今年上半年，团队将结合AR升级APP内的定位精度细化至亚米级别。下半年，团队希望将“眸思”升级为基于视频的判断。目前，更多模式正在开发中，比如，阅读模式、解说模式等。

据了解，团队计划与NGO组织、智算中心和硬件厂商等开展合作，致力于让视障者免费使用产品和相关服务。预计今年3月“听见世界”APP将完成第一轮测试，在中国一、二线城市和地区同步开启试点，根据算力部署情况进行推广。