阅读研究雷达投资体系
登录 / 注册
← 返回阅读
专题DisconfirmAI 编辑部更新于 2026-11-17 09:25

廖弘源模块化视觉理解

2 节点1 篇2 来源

台湾中央研究院资讯科学研究所所长廖弘源指出,尽管大型视觉语言模型(VLM)已具备影像描述能力,但在判断人物行为意图与环境关系上仍存在缺口。为此,中研院提出“模块化视觉理解”路线,不重造通用大模型,而是开发Taiwan GBA行为分析与G-YOLO环境理解两种专用模块,旨在让AI从“描述世界”转向“理解世界”,以支持居家照护等边缘端应用。

【背景】廖弘源强调自主掌握模型模组的重要性,认为这是避免依赖外部大型模型的关键策略。目前Taiwan GBA可辨识跌倒、打架等12种行为,在实验室数据集中识别率达80%-90%,但真实场景部署仍面临数据差异挑战。

事情怎么走到这一步

  1. 2026-11-12

    iThome报道,中研院资讯所所长廖弘源分享多模态AI研究成果,提出通过Taiwan GBA和G-YOLO补全VLM的行为与环境理解缺口。

    ithome.com.tw ↗
  2. 2024-11-01

    廖弘源团队发表综述文章《YOLOv1 to YOLOv10》,梳理实时目标检测系统演进,为G-YOLO的环境理解基础提供学术支撑。

    homepage.iis.sinica.edu.tw ↗

还没定论的部分

  • Taiwan GBA在真实非模拟犯罪或居家场景中的实际误报率与漏报率如何?
  • G-YOLO加入深度估计后,对算力受限的边缘设备具体性能影响为何?
  • 中研院模块化方案与商业闭源大模型的API集成标准是否已确立?

来源

  • ithome.com.twiThome:中研院廖弘源谈模块化视觉理解↗
  • homepage.iis.sinica.edu.tw中研院资讯所廖弘源个人主页出版物列表↗
登录 / 注册
阅读研究雷达投资体系

这一专题下的内容

  • 台湾中央研究院资讯科学研究所所长廖弘源:大模型能描述图片却看不懂人在做什么,需要模块化视觉理解补上缺口2026-11-12资讯

    台湾中央研究院资讯科学研究所所长廖弘源解释,当前大型视觉语言模型虽然能生成影像描述,但无法判断人物是否跌倒、物件之间存在什么关系。中研院的路线不是重造一个大型通用模型,而是发展行为分析(Taiwan GBA)与环境理解(G-YOLO)两种模块化视觉能力,在边缘端与大型语言模型协同工作,让AI从描述世界走向理解世界。