現實世界的視覺數據龐大且多變，單靠人力難以全面描述，使機器學習成為處理視覺多樣性的關鍵工具。然而，即便深度學習在許多情境下表現亮眼，一旦現實環境出現預期之外的變化，單一模型的泛化與預測能力往往面臨挑戰。 來自 UBC 與 Vector Institute 的 Evan Shelhamer，於 4 月 9 日在國立臺灣大學生物機電工程學系帶來精彩演講：「Multi-Modeling: If one model is good, then more must be better!」，探討如何透過多模型協作的方式，讓 AI 系統在效率、可靠性與環境適應力上更上一層樓。 演講涵蓋了數個頗具啟發性的方向，包含如何讓模型在部署後仍能自我調適、如何結合不同規模的模型以兼顧效能與運算成本，以及如何讓模型更有效率地聚焦於真正重要的資訊。這些策略共同指向一個核心理念：與其一味追求單一巨型模型，不如思考如何讓多個模型相互協作、截長補短。 這次演講為電腦視覺系統的未來發展提供了新的思考角度，也讓我們看見多模型協作在實際應用中的潛力與可能性