颤抖吧人类，MIT的研究人员让人工智能学会看3D了

现在人工智能的一个大的问题，就是它们很强大能输出或解决一些很牛的东西，然而它们却不知道自己输出或解决的这个东西是啥。机智客举例子说，即便AI可以用GAN这类技术生成连人和鉴别器都分辨不出真假的假图片了，它们依然不知道自己输出的到底是个什么玩意。是人是鬼，是猫是狗？这个在AI视觉中更是如此。平面图如此，更何况物理世界里各种的3D场景呢？在AI视觉里，更不可能分辨得出3D了。

不过，现在似乎有点不一样了。AI居然开始学习“看”3D了。这也是MIT的研究人员最近在NeurIPS 2021发表的论文里的研究结果，该论文提出一个基于概率推理的3D场景感知的生成模型3DP3。就是让AI拥有3D感知能力。

那么这个3DP3是什么呢？其实是一个用概率编程的生成式的建模框架。使用离散的物体及其三维形状和一个称为场景图（scene graph）的层次结构来表示场景，其中场景图的层次结构与物体的位置和朝向有关。

这个建模框架的一个很特别的一点是，它能分辨出不同物体之间的放置关系，也就是说，它通过一个RGB图和对应的深度图，推断出一个层次的3D场景图，这意味着3DP3有点像我们人类一样有基本的常识判断，能分辨出这个3D场景，比如杯子和书籍是放在桌子上的，其中书籍对于观察者而言是斜着放置的。从深度图中实际上已经可以知道各个物体的位置和朝向了。这真算是“学会看”3D场景或物理世界了。

另外，3DP3使用概率编程（probabilistic program）的形式来表示三维场景的结构化生成模型。它这种根据图像中各个物体的接触关系进行场景图建模的方式，被认为是基于常识的推断，和我们人类的推断是相同的。我们就能通过物体和物体的接触关系而得出一些观感的结论。以此为基础进而搭建场景图推理算法。而根据实验结果，3DP3可以预测几乎所有的各种形状的物体，而物体形状的建模这块，框架是通过一个体素的物体形状学习方法来实现的。3DP3的这一点尤其重要，对于深度学习的黑盒模型来说是一个强有力的解释操作。