微软研究院近日展示了 project RuMi 项目，结合文本，音频和视频数据，通过多模方法，提高人工智能系统的理解能力，从而更能理解人类的意图。
人工智能系统近年来取得了长足的进步，尤其在自然语言处理（NLP）领域的成长更为惊人。不过现有 NLP AI 主要依赖于文本输入输出，忽略了人类在自然交流中的语调，面部表情，手势和肢体语言等线索，从而在理解方面会存在偏差。
在 AI 专业术语中，这些线索统称为副语言。
微软研究院为了解决这个问题，开发了 project RuMi，这是一个新颖的框架，旨在通过多模态副语言提示来增强人工智能的理解。该项目包括两个主要部分：多模式副语言编码器和多模式副语言解码器。
