美国麻省理工学院的研究人员开发出一套新的人工智能系统，可让机器人识别、评估并纠正其记忆中不可靠的对象描述。该系统名为UQ-DAAAM，全称释义为"任意时刻、任意位置的描述不确定性量化"，它结合计算机视觉、语言模型与不确定性量化，改进机器人对周围对象的识别与记忆。

系统基于早先的机器人记忆框架DAAAM。该框架使用视觉语言模型为机器人机载摄像头拍到的对象生成详细描述，存入基于三维地图的环境表示中，供机器人在回答提问或执行任务时调取。但对象只露出部分、距离较远或图像模糊、光线不佳时，视觉语言模型可能生成错误描述，例如把屋顶上的灰色烟囱误认成松鼠，而原系统没有纠错机制。

UQ-DAAAM引入度量视觉语言模型描述不确定性的方法。机器人移动时摄像头持续拍摄，同一对象常被多个视角记录，系统利用这些额外观察判断已有描述是否可靠。研究者称，系统先评估模型描述可能被误认对象时对所用词语的置信度，再将描述与不同角度图像生成的说明文字比对一致性，两项测量合成为一个不确定性分数。分数超过预设阈值即判定描述可能不可靠，启动修正。

系统用基于规则的方法挑选有助于降低不确定性的额外视角，而非分析全部图像。研究者从数学上证明，这种挑选无需反复运行视觉语言模型，可降低算力需求，适配处理资源有限的移动机器人。选定图像后，由大语言模型合并描述生成修订版说明，新描述与歧义较少的描述权重更高，修正结果存回机器人记忆。

测试中，修正流程为约92%的对象化解了歧义，每个对象仅需额外两张说明图像，对象描述准确率较现有先进方法提升5%。系统还提高了机器人回答对象位置、上次遇到时间等问题的准确度。团队计划将该技术扩展到移动机械臂等平台，并探索系统能否识别高不确定性区域、指挥机器人重返采集更好数据。

麻省理工学院位于美国马萨诸塞州剑桥市，是一所以理工科见长的私立研究型大学。