只需一枚摄像头和一对耳机，便能将画面转化成语言，描绘场景、提示风险，让视障者出行更安全、生活更便捷。
日前，在复旦大学自然语言处理实验室（FudanNLP）师生的努力下，基于多模态大模型“复旦·眸思”（MouSi）为视障者量身打造的“听见世界”APP上线，将成为视障人士的生活助手与智能管家。
科技普惠，AI为人，让我们一起走近“眸思”，看看它能为视障者的日常生活带来哪些新的改变！
打破视觉界限，做视障者的一双“眸”
2023年上半年，由复旦自然语言处理实验室开发的MOSS，被称为“中国版的GPT”。仅用半年时间，多模态模型“眸思”问世。“眸思”与MOSS同音，但和基于文本的MOSS不同。它能够理解并识别图片内容，致力于成为视障者的一双“眸”。
基于“眸思”的“听见世界”APP，为视障者日常生活需求量身打造，设计以下三种模式：
街道行走模式：红绿灯、十字路口、障碍物……“眸思”如一位忠实的向导，将细致扫描道路情况，提示潜在风险，陪伴视障者安全通行“看不见”的漫漫长路；
自由问答模式：走进博物馆、艺术馆、公园……“眸思”则是一位贴心的朋友，捕捉四周景象的每个细节，用声音构建丰富的生活场景，传递每一处日常之美。
寻物模式：被移动的手杖、最爱口味的牛奶……“眸思”将成为一名可靠的管家，日常物件的寻觅过程变得轻松无压力。
邀请视障人士加入，研发贴合真实需求
我国盲人数量有1700多万，也就是说，每一百人中就有一位。但为什么在大多数人的认知里，我们极少在街上看到盲人？这是因为，面对大量不安全因素，他们难以独自跨出家门。
复旦大学自然语言实验室张奇教授说：“人工智能发展日新月异，科技应该要改变更多人的生活。希望‘眸思’能够帮助视障人士走出家门，让他们可以尝试更多工作，为人生书写更多可能。”
项目落地背后，是一支年轻的团队和开放的氛围。从本科生到博士生共25名复旦学子，以及桂韬等多位教师、专家的加入，才有了“眸思”接续“MOSS”的成功。
张奇介绍，该项目的主导者实际上都是“初出茅庐”的学生们，在组内头脑风暴会上，年轻学子总能提出开创性想法，能够找到另辟蹊径的解决办法。
自9月以来，复旦自然语言实验室从原本基于GPT3.5的文本模型转向围绕GPT4-v复现多模态大模型，对模型中的核心关键点开展研究，致力于提升单项任务的准确率和大模型的强化学习。
为了更好地感受视障者的难处，团队成员同样模拟真实情境，蒙眼探索视障者“黑暗”世界，并邀请视障人士加入，进一步摸清真实而具体的需求。在基于几亿张图片训练出的“眸思”大模型基础上，针对视障者提出的各类需求，团队又用上万张图片进行特殊样本训练，使“眸思”具备能够适配更多场景的能力。
加快升级测试，更多模式值得期待
今年上半年，团队将结合AR升级APP内的定位精度细化至亚米级别。下半年，团队希望将“眸思”升级到基于视频的判断，更多模式也正在开发中，比如“阅读模式”服务盲人朋友点菜、读书等场景，“解说模式”承担无障碍电影解说员的工作。
在政府的支持下，团队计划与NGO组织、智算中心和硬件厂商等开展合作，致力于让视障者免费使用产品和相关服务。预计今年3月，“听见世界”APP将完成第一轮测试，在我国一、二线城市和地区同步开启试点，根据算力部署情况进行推广。
“复旦·眸思”（MouSi）官网链接：http://www.mousi.org/
