传统AI总“睁眼说瞎话”？Agent0-VL用“双重人格”，提升正确率

文 |姑苏九歌

编辑 |姑苏九歌

AI训练最近遇到个大麻烦，以前教AI学东西，全靠人盯着打分，可这人脑打分主观得很，还贵得离谱。

后来想着让AI自己给自己打分省事，结果更糟AI光挑好听的话说，看着像那么回事，实际连图里画的啥都没搞懂。

北卡罗莱纳大学教堂山分校整出个Agent0-VL框架，给AI装了“双重人格”，一个解题一个挑错，用工具当裁判，这事儿说不定能让AI进化换条新路子。

以前AI学东西，全靠人喂饭还总挑食。

你让AI认张图、写段话，得先让人标好“这是猫”“那是狗”，成千上万张图标下来，费时又费钱。

就像那个ImageNet数据集，花了10年时间，砸进去上百万美元才弄好。

更头疼的是，人跟人想法不一样，你让三个标注员看同一张图，保准有一个跟别人想的不一样。

斯坦福大学研究就说了，不同人对视觉推理答案的一致性能到68%就不错了。

后来AI想自己给自己打分，以为能省事儿，结果纯属瞎忙活。

它就盯着语言顺不顺溜，不管内容对不对。

比如做几何题，步骤写得密密麻麻，看着挺专业，实际角度算错了都不知道。

说白了，这就像学生考完试自己改卷，光顾着看字漂不漂亮，答案对不对根本不管。

既然人喂饭不行，自己打分也不行，那AI咋进步？北卡大学的这帮人想了个招给AI装俩“脑子”。

一个负责解题，一个专门挑错，中间还找了工具当“裁判”，这下AI总算有点“自我批评”的意思了。

现在AI有了俩“脑子”，一个解题一个挑错，工具当裁判。

这俩“脑子”分工明确，解决者就像做题快的学生，拿到任务先拆成小步骤，该用计算器算数字就用计算器，该用视觉工具量尺寸就量尺寸。

验证者呢，拿着同样的工具，把解决者的答案从头查一遍。

比如算三角形角度，解决者说30度，验证者马上用视觉工具重测，对不上就打回去重算。

这工具当裁判还真靠谱，以前AI自己算角度，浮点运算偏差，现在用工具量，误差连0.7%都不到。

北卡团队管这叫“工具锚定”，就是让AI的推理有个实打实的依据，不再飘在语言文字里。

这思路跟人类做题挺像，直觉给个答案，再用公式定理验证一遍，靠谱多了。

光说不练假把式，这“双重人格”到底好不好使？实验数据说话。

在几何推理和视觉科学分析这些任务上，Agent0-VL比以前的模型正确率高了12.5%。

要是让它当“老师”给别的AI打分，还能再提7.3%的成绩。

最关键的是“视觉-语言一致性”，以前模型错误率快30%了，现在Agent0-VL只有8.2%。

不过这新模型也不是没毛病，俩“脑子”切换起来费时间，以前算一道题的功夫，现在只能算三道。

而且工具包还不够全，遇到三维图像或者医学影像这种复杂场景，就抓瞎了。

北卡团队自己也说，得想办法让验证深度能自己调节，别啥题都查得那么细。

那以后这技术能往哪儿走？有俩方向挺有意思。

一是让AI自己造工具，现在是给啥用啥，以后说不定遇到没见过的图，自己写个测量程序出来。

二是往专业领域钻，比如医院看CT片，解决者说“这有个结节”，验证者马上量大小、看边缘，俩“脑子”一核对，误诊率能降不少。

自动驾驶也一样，环境感知完了，验证者再评估下风险，安全系数能高一大截。

说白了，Agent0-VL没搞啥玄乎的，就是让AI学会了“做题+检查”这一套学生都懂的道理，可偏偏以前的AI就没想到。

这一步迈出去，说不定以后AI自己就能琢磨着进步，不用人天天盯着喂数据了。

等AI真能做到“自我质疑-工具验证-策略修正”，那离咱们常说的通用人工智能，可能就不远了。