开会or婚礼？全球最难的看图理解，腾讯AI得了第一

手捧玫瑰的女子，绅士风度的男子，停靠路边的马车，他们在做什么？

正确答案是D。

这道题不是出给人类的，而是出给AI的行为理解题。

它来自全球最难的图像理解题库之一—— VCR （VisualCommonsense Reasoning） 。 类似读心术，希望AI像人一样，懂得图中人在正 在做什么 。

11月19日， 腾讯微视视频理解团队 在VCR打榜竞赛中，做了近 27万 道 这样的选择题。

结果，他们提出了 单模型BLENDer (BimodaL ENcoDer) ，在三个阶段的PK中， 准确率达到了81.6%、86.4%、70.8% ，一举超过谷歌等行业，甚至高于一些多模型的准确率，取得最高分， 夺得冠军 。

对于你来说，这题很简单； 但是，对AI，太南了。

说白了，AI很缺“某个动机导致某种行为”的逻辑关联数据。

BLENDer 拿着百万部电影故事情节，来做训练，才有了高准确率。

回到最开始的那道题，AI训练和分析的关键是——什么样的场合，穿什么样的衣服。

女主，一袭古典风婚纱，男主，一身华丽燕尾服，再加上捧着玫瑰，手牵手。在“服装-场合”的逻辑关联分析下，答案自然是婚礼。

据说，VCR题库还有不少选择题，难住了AI。

要不来试试，看看BLENDer是否和你所想一致。

1、右侧男子举着火柴做什么？

A. 他在照亮地上的东西

B. 他在照亮房间

C. 他在念咒语

D. 他准备吹灭火柴

正确答案是 A。

AI解题在两个要素，眼睛往地上看，火柴又燃得旺，组合起来，他是想看清楚些地上的东西。

2、背影男子为什么要扛着布袋奔跑？