AI 从实验室走向现实世界为何困难：泛化、人类行为与资源三大挑战

从实验室走向生活：为何将AI进展转化为现实世界应用是一项重大挑战

尽管近年来从自动驾驶汽车到大语言模型等领域取得了显著进展，但将人工智能研究转化为现实世界的工具并不总是直截了当的。在受控实验室环境中表现良好的系统，在部署到家庭、医院或城市街道时往往表现不佳。

例如，基于视觉的系统在提升安全性、监测健康和辅助康复方面具有前景。例如，基于摄像头的系统可以帮助临床医生评估患者的步态或康复进展。

未来，老年人家庭中的辅助机器人可能需要识别出该人何时难以站立或伸手去拿物体。但一个主要挑战是确保这些机器人在实验室之外也能可靠运行，尤其是在杂乱、不可预测或低能见度的条件下。

作为一名研究旨在理解人类行为——尤其是通过身体动作和与物体交互等视觉线索——的AI系统的计算机科学家，我认为将AI从实验室推向现实世界面临三大挑战：泛化、人类行为和资源。

挑战1：泛化差距

大多数AI视觉系统都是在光照良好、高质量的图像上训练的，这些图像通常来自动作捕捉工作室或白天录制等精选来源。但当这些系统部署到现实世界环境中时，例如光线昏暗的家中、医院病房或夜间街道，它们往往表现不佳。这并不是因为技术本身有缺陷，而是因为用于训练它的数据无法充分代表现实世界的巨大多样性。

“AI无法应对水坑”：被淹的街道让这辆Waymo在凤凰城陷入循环，在交通拥堵中来回移动了10多分钟

—— AccuWeather (@accuweather) 2026年9月18日

以人体姿态估计为例。这项任务涉及检测人体上的关键点，例如关节，以理解他们如何移动。其结果类似于一个数字骨架，表示一个人手臂、腿和其他身体部位的位置。姿态估计已被研究用于健康和康复应用，包括测量一个人的步态、监测康复锻炼以及评估与跌倒风险相关的运动模式。在光照良好的环境中，现代AI模型能以令人印象深刻的准确度完成这项任务。但在低光照或不均匀光照下，性能可能会急剧下降。这是因为模型是从干净、一致的数据中学习的，并未准备好泛化到更严苛的条件。

收集更多夜间训练数据能解决这个问题吗？更多标注数据当然会有帮助，但收集起来尤其困难。当一个人的关节在图像中难以看清时，人类标注者也难以准确标注它们。低光照还可能遮蔽视觉信息，而不仅仅是让图像变暗，而且夜间条件会因相机、阴影、眩光和其他噪声来源而变化。因此，收集并手动标注覆盖所有这些条件的样本既困难又昂贵。

我们一直在努力通过开发在低光照场景下表现更好的AI系统来缩小这一差距。我们使用的一种方法是无监督域适应，即让在光照良好、有标注数据上训练的模型适应处理低光照环境，而无需对低光照图像进行手动身体关节标注。这有助于弥合干净训练数据与这些系统实际使用的更杂乱世界之间的“域差距”。

在我们2026年关于低光照人体姿态估计的研究中，我们生成了逼真的低光照训练图像，并设计系统在不确定的视觉证据与其学到的人体结构知识之间取得平衡。该方法在两个低光照基准上大幅提升了性能，尽管更广泛的挑战远未解决。

挑战2：人类行为

另一个主要障碍是人类行为的巨大多样性，尤其是当人们与物体交互时。在计算机视觉中，这被称为人-物交互检测。教AI系统识别切西红柿或传篮球等动作，不仅需要物体检测，还需要理解上下文和意图。

真正的挑战在于规模。物体数量庞大，而人类与它们交互的方式甚至更多。你可以坐在椅子上、搬着它、拖着它或把它堆起来。每一种都是不同的交互。杯子可能用于喝水、清洗、倒水或把东西递给别人。辅助机器人需要区分这些动作才能做出适当响应。为每一种可能的组合收集和标注数据根本不可行。

当你在厨房泡一杯茶时，AI系统能跟上正在发生的事情吗？Mehul Bhatt，CC BY

在我的研究中，我们研究AI系统如何检测它在训练期间从未见过的交互。研究人员将此称为泛化到未见类别的问题，这是构建不仅记住模式、还能适应新情境的模型的一项关键挑战。我们的工作探索了基础模型如何帮助识别此前未见过的交互。在最近的一项研究中，我们使用大型视觉语言模型（即结合计算机视觉和自然语言处理的模型）来识别物体中支撑特定动作的部分，而无需针对该特定任务用标注样本训练系统。这在辅助机器人和安全监控等领域很重要，因为AI需要对其并未专门训练过的行为做出智能响应。

这一挑战不同于低光照问题。在低光照姿态估计中，系统试图在陌生的环境条件下识别一种熟悉的动作类型。而在人-物交互检测中，动作与物体的组合本身可能就是新的。两者都是泛化问题，但需要不同的解决方案。

挑战3：资源差距

即使研究人员知道如何让模型更稳健，应用这些改进也并不总是容易，尤其是在学术或较小规模的研究环境中。当今最强大的AI系统依赖于海量计算资源，即包含大量专用计算机芯片的数据中心。

这些资源对大学实验室或公共部门研究人员来说往往过于昂贵，而训练领先模型所需的算力还在持续上升。根据《2026年AI指数报告》，2025年推出的重要AI模型中有超过90%出自科技行业。

与此同时，使用大型计算集群开发的模型最终可能需要在诊所、学校、机器人或家用设备中运行，这意味着要在小得多的硬件上运行。此类系统还可能需要在不必持续将敏感数据发送到云端的情况下快速响应。这种不匹配在理论上的可能性与实际部署中的可行性之间造成了日益扩大的差距。弥合这一差距不仅需要更好的模型，还需要更高效的算法和开源工具，以拓宽对先进AI的获取渠道。

为何重要

这些挑战不仅仅是学术问题。它们影响着AI工具在现实世界中能否以及如何被信任。想象一个在夜间失效的跌倒检测系统、一个漏掉关键动作的工作场所安全监控器，或者一个因为从未见过那种确切交互而误解某人正在做什么的机器人。这些不只是小故障——它们是信任、可用性乃至有时是安全性的崩塌。

AI系统正被部署在家庭、医院、工厂、车辆和其他日常环境中。如果它们无法适应不同环境或识别新的人类行为，其有用性就会受限，风险则会被放大。这就是为什么研究人员越来越不仅关注理想条件下的准确性，还关注稳健性、泛化能力和现实世界就绪度。

展望未来：弥合差距

弥合实验室训练的AI模型与混乱、不可预测的现实世界环境之间的差距不会一蹴而就，但这是可能的。在我的研究中，我们探索了使用增强数据来模拟挑战性条件并帮助模型适应的技术。我们还致力于让AI系统更好地泛化到新的、未见过的情境，方法是利用基础模型的知识来区分不熟悉的交互与训练中遇到的相似交互。

归根结底，我相信让AI系统在日常环境中更可靠是一个值得解决的挑战，不仅是为了改进小工具和应用程序，还因为AI有潜力支持人类福祉，无论是更安全的街道、更智能的医疗保健，还是更安全的家庭。

本文根据知识共享许可协议从The Conversation转载。阅读原文。

The Conversation

是一个独立的新闻与观点来源，内容取自学术和研究界，并直接面向公众提供。

The Conversation

是一个独立的新闻与观点来源，内容取自学术和研究界，并直接面向公众提供。

从教机器到教人：对Michael Littman的采访

Ella Scallan

2026年10月29日

AI先驱Michael Littman回顾了强化学习的演变、科学传播的力量，以及生成式AI如何改变我们教学和学习的方式。

研究人员把AI“灌醉”以揭示聊天机器人中新的网络安全风险

新南威尔士大学

2026年10月27日

使用醉酒文本对大语言模型进行微调，会使它们更可能泄露秘密并回答有害问题。

AI在消灭工作的同时也在创造工作——但这些工作有多大回报？

The Conversation

2026年10月26日

就业增加的一个领域是让人们在大语言模型之后“清理”它们，或对它们进行质量控制。

AI如何改变人类决策

林雪平大学

2026年10月23日

AI可以识别人们遗漏的模式，并将新信息引入决策。然而，这并不会自动带来更好的决策。

参加RoboCup@Home竞赛并赢得2026年最佳论文奖：对Raphael Memmesheimer的采访

Lucy Smith

2026年10月22日

进一步了解Raphael的研究以及他参与RoboCup@Home联赛的情况。

AI正在扭曲考古学并抹平原住民知识

Pursuit，墨尔本大学

2026年10月21日

虽然AI可以帮助考古学家，但它也可能传播伪科学主张和虚假历史，剥离原住民知识的背景、同意和社区控制。

ACM SIGAI自主智能体奖2027现开放提名

ACM SIGAI

2026年10月20日

现征集2027年ACM SIGAI自主智能体研究奖的提名。

AI正在帮助缓解稀缺频谱空间的竞争

The Conversation

2026年10月19日

每当你拨打电话、流式播放视频或连接Wi-Fi时，你的设备都在通过空气发送和接收看不见的信号。

人工智能理解协会