智東西（公眾號：zhidxcom）
作者 |? 陳駿達
編輯 |? 心緣
智(zhi)東西7月26日報(bao)道，今天，商湯科技(ji)董(dong)事長兼(jian)CEO徐立在2025世界人工智(zhi)能(neng)大會（WAIC）開幕式上，發表了以《人工智(zhi)能(neng)的十年演(yan)進》為(wei)題(ti)的主(zhu)旨(zhi)演(yan)講。
徐立認為，過去十年，人工智能經歷了三次跳躍：先是從深度學習驅動的感知智能，由CNN、ResNet等算法和ImageNet的1400萬張標注圖片，開啟了垂直領域的視覺應用。
接著2017-2018年，Transformer的出現帶來生成式智能。這些模型采用海量高密度文本信息進行學習，模型泛化能力、通用性不斷提升。再到今天多模態大模型、智能體、具身智能與世界模型依(yi)次登場，普(pu)羅大(da)眾(zhong)對(dui)AI技術(shu)的認知也來(lai)到高峰。
在AI不同階段的發展過程中，數據始終是智能的來源：感知時代靠人工標注，“把一個人10年的知識傳給了AI”；生成式階段依賴自然語言，但互聯網上的自然語言數據總有用盡的一天。未來，AI技術需要轉向“真實世界互動數據”，因(yin)為只(zhi)有主動與環境交互才能快速(su)進(jin)化。
為跨越虛擬世界與現實世界之間的差距，商湯已經打造了“開悟”世界模型，并于今天推出舉一反千的“開悟”平臺。這(zhe)一平臺可生(sheng)成(cheng)符合3D真(zhen)實情況、物理規律(lv)的(de)多視角視頻(pin)，可在自(zi)(zi)動駕駛等場景中實現AI的(de)自(zi)(zi)舉與(yu)自(zi)(zi)學(xue)。
徐立(li)總結道(dao)，人工智(zhi)能正沿著“感知世界(jie)(jie)—理解世界(jie)(jie)—生成世界(jie)(jie)”的路徑前行，最終將與現實硬件交互，改(gai)變我們的世界(jie)(jie)。
以下是徐(xu)立在WAIC開幕(mu)式上的完整演講：
一、AI技術三次跳躍，智能從哪里來？
各位朋友(you)大家好，很高(gao)興有機會在這(zhe)里分享一下這(zhe)個(ge)我們關于人工智(zhi)能演進的一些(xie)思考。
題目上(shang)我(wo)們加了(le)一個人(ren)工(gong)(gong)智能的十(shi)(shi)年(nian)(nian)演進(jin)，原(yuan)因(yin)(yin)(yin)是過往的十(shi)(shi)年(nian)(nian)，也是我(wo)們見證人(ren)工(gong)(gong)智能認知變化最快的十(shi)(shi)年(nian)(nian)，另(ling)外的原(yuan)因(yin)(yin)(yin)也是因(yin)(yin)(yin)為我(wo)們公司做了(le)十(shi)(shi)年(nian)(nian)，如(ru)果是各位(wei)領(ling)導站在這(zhe)里，那可能可以談人(ren)工(gong)(gong)智能的50年(nian)(nian)，而我(wo)們從過往的十(shi)(shi)年(nian)(nian)開始談起。
我(wo)們(men)來看過(guo)往十年，谷歌的搜索(suo)引(yin)擎關于人工智能的熱度(du)，你們(men)很(hen)容易看見(jian)它(ta)有三(san)個很(hen)明顯的跳(tiao)躍(yue)，也(ye)就是在(zai)那(nei)個時間點上，這(zhe)個普羅大(da)眾的認知發生了一些規模(mo)化的變(bian)化。
最開始從感知智能(neng)，也就是從深度學習進(jin)入(ru)到(dao)視覺，然(ran)后再(zai)有各種(zhong)算法的迭代，CNN、ResNet的發展(zhan)推動了第(di)一波(bo)人(ren)工智能(neng)行業的發展(zhan)。到(dao)2017-2018年的時候(hou)，從Transformer到(dao)自然(ran)語言的模型發展(zhan)，我們又進(jin)入(ru)到(dao)生成式智能(neng)的階段。
這兩個階段一直推動到現(xian)在行業(ye)的(de)發展和普羅大眾的(de)認知形成了高峰(feng)，從ChatGPT，以至(zhi)于后ChatGPT的(de)智能體，多模態大模型，甚至(zhi)是對現(xian)實(shi)世界改變的(de)具身智能以及世界模型的(de)變化(hua)。
很(hen)有意(yi)思(si)的(de)是(shi)(shi)，我們一(yi)(yi)直在思(si)考一(yi)(yi)個問題，在這個三個不同的(de)階段當中，智能本身從(cong)哪里來？當然算法的(de)迭代以(yi)及生產力的(de)爆發(fa)，包括說GPU的(de)迭代是(shi)(shi)一(yi)(yi)個很(hen)重要(yao)(yao)(yao)的(de)要(yao)(yao)(yao)素(su)，但是(shi)(shi)本質上還有一(yi)(yi)個要(yao)(yao)(yao)素(su)就是(shi)(shi)AI，機(ji)器學習到底學的(de)是(shi)(shi)什(shen)么？
從(cong)感(gan)知時代開(kai)始，其實(shi)(shi)我(wo)們(men)得益(yi)于互(hu)聯(lian)網(wang)上大(da)(da)量(liang)的數據，對現實(shi)(shi)世界的拷貝，已經存在了，包括圖片(pian)、視頻(pin)。所(suo)以(yi)(yi)感(gan)知時代，我(wo)們(men)是從(cong)標(biao)注當(dang)(dang)中(zhong)去獲取智能，也就是AI其實(shi)(shi)是從(cong)人的標(biao)注當(dang)(dang)中(zhong)獲取，通(tong)過大(da)(da)量(liang)的標(biao)注之后訓出(chu)一(yi)個一(yi)個模(mo)型。我(wo)們(men)當(dang)(dang)時推(tui)出(chu)的商湯(tang)方舟，蘊(yun)含(han)一(yi)萬(wan)多(duo)個模(mo)型，可以(yi)(yi)做(zuo)很(hen)多(duo)不同(tong)垂直(zhi)領域的任務(wu)。
在那個時代，機器的智能來自于(yu)學習這些東(dong)西，大(da)概(gai)是(shi)什么樣的一(yi)個數量(liang)級。在2012年，Hinton帶領團隊(dui)第一(yi)次在ImageNet上取得冠軍的時候，大(da)概(gai)是(shi)1400萬張圖片。
如果(guo)按(an)一(yi)個(ge)(ge)人(ren)的(de)(de)(de)標(biao)注來講，這個(ge)(ge)人(ren)的(de)(de)(de)工(gong)作大(da)概是(shi)10年(nian)左右(you)的(de)(de)(de)時間，也就是(shi)我(wo)們把一(yi)個(ge)(ge)人(ren)10年(nian)的(de)(de)(de)知(zhi)識傳給了AI。這個(ge)(ge)數據看(kan)上(shang)(shang)去(qu)好像很大(da)，但實際上(shang)(shang)想(xiang)一(yi)想(xiang)，如果(guo)只是(shi)單(dan)人(ren)10年(nian)的(de)(de)(de)數據，其實做很多的(de)(de)(de)泛化還是(shi)受限制。所以在(zai)那(nei)個(ge)(ge)階段，人(ren)工(gong)智能的(de)(de)(de)工(gong)具(ju)屬性(xing)非常明顯，基本上(shang)(shang)是(shi)垂(chui)直領域的(de)(de)(de)感知(zhi)，也就是(shi)在(zai)很多垂(chui)直的(de)(de)(de)方向上(shang)(shang)面(mian)，我(wo)們需要做專屬的(de)(de)(de)模型。
二、高密度語言數據催生智能，多模態融合成大趨勢
到了生成式人(ren)工(gong)(gong)智(zhi)能(neng)，或者更加(jia)通(tong)用的(de)(de)(de)人(ren)工(gong)(gong)智(zhi)能(neng)有什么區(qu)別(bie)？我覺得一(yi)個(ge)很有意思的(de)(de)(de)區(qu)別(bie)，就(jiu)是(shi)通(tong)用人(ren)工(gong)(gong)智(zhi)能(neng)是(shi)從自然語言開(kai)始的(de)(de)(de)，但互(hu)聯網上的(de)(de)(de)文本大家想(xiang)一(yi)想(xiang)，本身就(jiu)是(shi)蘊含知識的(de)(de)(de)，它不需(xu)要后加(jia)工(gong)(gong)。
雖然(ran)我(wo)們(men)(men)看(kan)到互聯(lian)網上圖片(pian)和視(shi)頻(pin)數量遠大(da)于文本(ben)的(de)數量，但是文本(ben)的(de)知識密(mi)度可能更(geng)高(gao)。所以如果我(wo)們(men)(men)以GPT-3處理(li)7500億(yi)token來說，假設這是一個人認(ren)認(ren)真(zhen)真(zhen)作為自然(ran)語言(yan)創作者來開始(shi)寫的(de)話，他大(da)概要寫十(shi)(shi)萬年(nian)。也就是從十(shi)(shi)年(nian)到十(shi)(shi)萬年(nian)一萬倍的(de)數據量差。
自然語言的(de)(de)(de)(de)數(shu)據密度非常高(gao)，從而使得說我(wo)們(men)的(de)(de)(de)(de)模型泛化能力(li)、通(tong)用性(xing)起(qi)來(lai)(lai)了。這才(cai)是推動現在(zai)通(tong)用人工(gong)智能發展的(de)(de)(de)(de)一(yi)個(ge)基石(shi)，有(you)一(yi)個(ge)很(hen)好(hao)的(de)(de)(de)(de)底座。那當(dang)然，很(hen)容易我(wo)們(men)就看到說，這些數(shu)據都會被用盡(jin)，圖片數(shu)據標(biao)注(zhu)是需要(yao)人來(lai)(lai)處(chu)理(li)的(de)(de)(de)(de)，其(qi)實這也是一(yi)個(ge)人工(gong)的(de)(de)(de)(de)工(gong)作。
而自(zi)然(ran)語言(yan)(yan)，據(ju)說在(zai)2027~2028年(nian)，整個互聯網上的(de)(de)自(zi)然(ran)語言(yan)(yan)的(de)(de)數(shu)據(ju)都會被用盡。實(shi)際上，是(shi)(shi)語言(yan)(yan)生成(cheng)的(de)(de)速(su)度遠沒有算力的(de)(de)生長的(de)(de)速(su)度來得快，那(nei)這樣顯然(ran)形成(cheng)了一種模型的(de)(de)倒掛(gua)差(cha)。那(nei)能(neng)不能(neng)從原始的(de)(de)無序的(de)(de)圖像視頻(pin)當(dang)中獲取(qu)更多(duo)的(de)(de)知識呢？是(shi)(shi)有可(ke)能(neng)的(de)(de)，但是(shi)(shi)這過程當(dang)中需要非常多(duo)的(de)(de)工(gong)作。
我(wo)們(men)也(ye)是在這過程當中(zhong)走一(yi)個很自然的(de)(de)(de)路，就是融合(he)我(wo)們(men)感知(zhi)的(de)(de)(de)能力和我(wo)們(men)自然語言的(de)(de)(de)能力，形(xing)成一(yi)種(zhong)原生(sheng)的(de)(de)(de)多模態，也(ye)就是說我(wo)們(men)構(gou)造圖和文(wen)的(de)(de)(de)連接，把圖和文(wen)生(sheng)成一(yi)種(zhong)更(geng)長的(de)(de)(de)思維(wei)(wei)鏈(lian)。然后用這個思維(wei)(wei)鏈(lian)再去(qu)不停地(di)去(qu)激(ji)發模型的(de)(de)(de)能力。
大(da)家知道智能本身應該是激發出來(lai)的(de)，很難說(shuo)在完全沒有基礎設施上面，就(jiu)能夠長出這個智能。當然現在，剛才大(da)家聽(ting)到可以(yi)做說(shuo)遞歸(gui)的(de)自學習等等，可以(yi)基于現有的(de)模型(xing)往前推進。
但是本(ben)質意(yi)義上我們(men)(men)需(xu)要構造一條模(mo)型演化的(de)(de)道(dao)路(lu)。隨著我們(men)(men)加(jia)入了很多(duo)(duo)圖文演示，甚至(zhi)是更高階的(de)(de)思(si)維(wei)鏈的(de)(de)時候，我們(men)(men)發現一個(ge)很有意(yi)思(si)的(de)(de)現象。這張圖是我們(men)(men)要推出的(de)(de)日日新V6.5，最(zui)左(zuo)邊這張圖特別有意(yi)思(si)，我們(men)(men)同一個(ge)模(mo)型能(neng)夠做好音頻(pin)的(de)(de)交互能(neng)力，多(duo)(duo)模(mo)態的(de)(de)推理能(neng)力。但是加(jia)入了足夠多(duo)(duo)、足夠長的(de)(de)多(duo)(duo)模(mo)態的(de)(de)思(si)維(wei)鏈之后(hou)，我們(men)(men)的(de)(de)文本(ben)、純文本(ben)的(de)(de)推理能(neng)力也有一個(ge)很大的(de)(de)提升。
這(zhe)就是說(shuo)，其實還有很多的(de)(de)(de)路線(xian)，其實能(neng)夠把互聯(lian)網上其他的(de)(de)(de)模態(tai)的(de)(de)(de)數據的(de)(de)(de)知識抽(chou)離(li)出來(lai)，融合到文(wen)本(ben)當中，使得(de)文(wen)本(ben)的(de)(de)(de)對(dui)空(kong)間的(de)(de)(de)理(li)解，對(dui)于物理(li)世(shi)界的(de)(de)(de)理(li)解能(neng)夠進一(yi)步地(di)(di)提升(sheng)，從而說(shuo)這(zhe)樣的(de)(de)(de)一(yi)個(ge)文(wen)本(ben)模型也能(neng)夠更好(hao)地(di)(di)控制(zhi)(zhi)生(sheng)成，甚(shen)至是控制(zhi)(zhi)圖像和視頻生(sheng)成。
三、AI技術面臨“數據墻”，如何走進物理世界？
當(dang)然了，人類還是會面臨這樣一個(ge)缺失的問題，也(ye)就是說當(dang)窮(qiong)盡書(shu)本(ben)和互聯網的知識的時候，更多的智能從(cong)哪里來？第一代(dai)是標注來，第二代(dai)自然語言(yan)已經來了，第三代(dai)接下(xia)來怎(zen)么來？
那我們(men)來(lai)看(kan)看(kan)人是(shi)怎(zen)么來(lai)學(xue)(xue)習(xi)的(de)，對不(bu)對？人從(cong)出生(sheng)開始，就(jiu)是(shi)跟(gen)現實(shi)世界(jie)來(lai)進行各(ge)種各(ge)樣的(de)探索，他不(bu)是(shi)先從(cong)學(xue)(xue)語言開始，也不(bu)是(shi)先從(cong)學(xue)(xue)認識東西開始，他跟(gen)世界(jie)的(de)交互(hu)和探索已經形(xing)成了很(hen)大的(de)這個智能(neng)的(de)增(zeng)長。這也就(jiu)是(shi)說，大家(jia)很(hen)自(zi)然地想(xiang)到，在圖像標(biao)注互(hu)聯網文本之外(wai)，大家(jia)去采集大量的(de)跟(gen)真實(shi)世界(jie)互(hu)動(dong)的(de)數據。
為什(shen)么我(wo)說要大量(liang)的呢？是(shi)因(yin)為你(ni)需(xu)要探索不同的物(wu)理空間，就是(shi)比如(ru)說你(ni)需(xu)要有各種各樣(yang)的姿勢，各種各樣(yang)的角度(du)，所以你(ni)的采(cai)集量(liang)會非常(chang)的大。現在(zai)(zai)很(hen)(hen)多機器(qi)人(ren)、具身(shen)，我(wo)覺得最大的瓶(ping)頸還是(shi)在(zai)(zai)素材上(shang)面會有很(hen)(hen)大的需(xu)求。
當然(ran)，這個也是(shi)(shi)非常顯然(ran)的(de)(de)。1963年(nian)有(you)一(yi)(yi)篇很(hen)有(you)意思的(de)(de)文(wen)章叫(jiao)主動(dong)貓(mao)和被動(dong)貓(mao)，就(jiu)是(shi)(shi)他們(men)做了一(yi)(yi)個很(hen)有(you)意思的(de)(de)實驗，就(jiu)是(shi)(shi)一(yi)(yi)只(zhi)貓(mao)和另外一(yi)(yi)只(zhi)貓(mao)通過一(yi)(yi)個軸所相連。然(ran)后一(yi)(yi)只(zhi)貓(mao)是(shi)(shi)可以動(dong)的(de)(de)，另外一(yi)(yi)只(zhi)貓(mao)不能動(dong)，但是(shi)(shi)它們(men)兩個看到(dao)的(de)(de)東西(xi)都是(shi)(shi)一(yi)(yi)樣(yang)的(de)(de)。
也就(jiu)說同樣(yang)的視覺輸(shu)入，一(yi)只貓(mao)是(shi)可以(yi)跟(gen)(gen)現實(shi)世界互動(dong)，另外(wai)一(yi)只貓(mao)不(bu)行的情況下(xia)，那只會互動(dong)的貓(mao)顯(xian)然(ran)成長的速度(du)會非常的快。所以(yi)這也是(shi)具身(shen)(shen)的來源，為什么要去做具身(shen)(shen)智能，就(jiu)是(shi)因(yin)為跟(gen)(gen)現實(shi)世界的探索(suo)。
但(dan)還會面臨(lin)問題，因為如果真正通過機械去跟(gen)現(xian)實世界做互動，很顯然它的探索(suo)空間需(xu)要(yao)模擬(ni)的世界太大，有(you)(you)時候還會有(you)(you)一個模擬(ni)到現(xian)實的這個差距叫Sim-to-Real Gap。那(nei)有(you)(you)沒有(you)(you)可能通過現(xian)在的這種所謂(wei)的，對于現(xian)實世界的理解來(lai)做生成(cheng)，理解生成(cheng)統一的世界模型。是有(you)(you)的，但(dan)是也會面臨(lin)挑戰。
比(bi)如說(shuo)用世界模(mo)(mo)(mo)型去生(sheng)成數(shu)據(ju)，這是(shi)現在用世界模(mo)(mo)(mo)型做了很多的(de)(de)(de)(de)(de)叫自(zi)動駕駛方面的(de)(de)(de)(de)(de)領(ling)域(yu)的(de)(de)(de)(de)(de)生(sheng)成，也是(shi)最開始我(wo)們(men)做這個模(mo)(mo)(mo)型的(de)(de)(de)(de)(de)生(sheng)成。生(sheng)成的(de)(de)(de)(de)(de)質量很高(gao)，但是(shi)很顯然它(ta)會(hui)違背物理的(de)(de)(de)(de)(de)法則。譬如說(shuo)十字路(lu)口車輛的(de)(de)(de)(de)(de)互相(xiang)穿越，有一種幽靈(ling)車的(de)(de)(de)(de)(de)感覺，還有一些隨機失控很難調整(zheng)。而(er)且大家知道生(sheng)成視頻(pin)再好的(de)(de)(de)(de)(de)模(mo)(mo)(mo)型，它(ta)生(sheng)成視頻(pin)的(de)(de)(de)(de)(de)響應速度會(hui)比(bi)較慢。
所以如果你需要來(lai)去(qu)對生成視(shi)頻進(jin)行實(shi)時交互的話，往(wang)往(wang)要等，而且可能(neng)還(huan)需要抽卡，抽出(chu)來(lai)一個視(shi)頻也不知道是什(shen)么。比如說抽出(chu)一個大象跟小松鼠(shu)在(zai)玩(wan)蹺(qiao)蹺(qiao)板，那這個就很隨(sui)機。
所以那怎(zen)么辦(ban)？那就是(shi)需要有個很好的對現實世界理(li)解的模(mo)型(xing)(xing)，加上對3D理(li)解的模(mo)型(xing)(xing)，來(lai)指導這個部分的能力。那么我(wo)(wo)們(men)推出我(wo)(wo)們(men)自己的“開(kai)悟”世界模(mo)型(xing)(xing)，用(yong)我(wo)(wo)們(men)的日日新V6.5去賦能。“開(kai)悟”世界模(mo)型(xing)(xing)也是(shi)個視頻(pin)生成模(mo)型(xing)(xing)，但(dan)是(shi)它考慮了(le)時間、空間的一致性。
我們(men)舉一個簡(jian)單(dan)的(de)例子。自(zi)(zi)動駕駛里面(mian)有一個叫7路攝像(xiang)頭視角的(de)車的(de)數據采集，很顯然需要花大量的(de)力氣來采集，但(dan)是我們(men)生(sheng)成的(de)，就是可(ke)以用自(zi)(zi)然語言去生(sheng)成右邊的(de)7個攝像(xiang)頭生(sheng)成的(de)數據，我們(men)來看一下(xia)細節(jie)。
首先來看，這個(ge)(ge)車(che)從(cong)一(yi)個(ge)(ge)角度開到(dao)另外一(yi)個(ge)(ge)角度的(de)時候，在不(bu)同的(de)攝(she)像(xiang)頭里(li)的(de)位置(zhi)，甚至都(dou)可以模擬出攝(she)像(xiang)頭的(de)形變，空間一(yi)致(zhi)性(xing)表現非常好(hao)，只有一(yi)個(ge)(ge)完(wan)全對3DGS有充分理解(jie)之(zhi)后才能表達的(de)，所(suo)以這也是這個(ge)(ge)模型本身很強(qiang)的(de)一(yi)個(ge)(ge)能力，否則沒有辦(ban)法(fa)用來做下一(yi)個(ge)(ge)階(jie)段的(de)訓練提(ti)升。
當(dang)然(ran)還有一種(zhong)是對空間的(de)一致性，比(bi)如這個車(che)(che)一會在(zai)前，一會在(zai)后，不同的(de)攝像頭拍到(dao)這個車(che)(che)的(de)不同時刻(ke)，比(bi)如車(che)(che)牌應該都要(yao)(yao)一樣。如果我(wo)們有很好的(de)視頻生成引擎(qing)，左邊(bian)(bian)生成一個，然(ran)后方(fang)向盤(pan)一轉，右邊(bian)(bian)一看那(nei)棵樹(shu)就飛走了，可能AI也(ye)搞糊涂了，這車(che)(che)也(ye)不會開，很顯(xian)然(ran)時空的(de)一致性要(yao)(yao)達到(dao)各(ge)種(zhong)各(ge)樣的(de)可控。
我來(lai)舉(ju)一個(ge)(ge)很有(you)意思的例子，自(zi)(zi)動駕(jia)駛(shi)里的一個(ge)(ge)Corner Case——加塞兒(er)（Cut-in），在(zai)自(zi)(zi)動駕(jia)駛(shi)里非(fei)常普遍。大家都覺得這可能是(shi)個(ge)(ge)難題(ti)，對于人類駕(jia)駛(shi)來(lai)講也(ye)是(shi)個(ge)(ge)難題(ti)。新司(si)機(ji)不敢(gan)加塞，躲在(zai)后面半天不能走(zou)，老司(si)機(ji)加塞，但事(shi)故率有(you)多少？22%的事(shi)故來(lai)自(zi)(zi)于加塞，所(suo)以自(zi)(zi)動駕(jia)駛(shi)得學習加塞。
怎么做呢？如(ru)果太(tai)保守，開不(bu)動；太(tai)激進，可(ke)能得撞。比(bi)如(ru)這(zhe)個(ge)Waymo的(de)車(che)很有(you)意思(si)，兩(liang)輛車(che)都想(xiang)加(jia)(jia)塞，兩(liang)個(ge)都卡，又要(yao)加(jia)(jia)塞又都卡了，形成一種(zhong)博弈，然后就循環了。所以在這(zhe)種(zhong)過程中(zhong)，它(ta)需要(yao)大量(liang)的(de)數據(ju)去訓練這(zhe)種(zhong)場景。但是如(ru)果真的(de)到路上去采這(zhe)個(ge)數據(ju)，非常難采大量(liang)的(de)數據(ju)，加(jia)(jia)塞的(de)數據(ju)在里面占的(de)比(bi)例比(bi)較少，那怎么辦？
那么世(shi)界模型能不能去生成(cheng)7個(ge)攝像頭的(de)加塞(sai)視(shi)頻？我們(men)來(lai)看一看，這(zhe)(zhe)個(ge)是(shi)(shi)一個(ge)大型車(che)輛的(de)加塞(sai)，描述了(le)我們(men)的(de)方(fang)向(xiang)、時間、角(jiao)度。一起看下，這(zhe)(zhe)個(ge)大巴(ba)士從(cong)右邊加塞(sai)進來(lai)，保(bao)證了(le)一致性(xing)，那可(ke)以大生成(cheng)大量的(de)這(zhe)(zhe)個(ge)視(shi)頻，而(er)且關鍵是(shi)(shi)要可(ke)控穩定。
什么叫可(ke)控穩定(ding)？我(wo)們可(ke)以調節(jie)各種各樣生成(cheng)的(de)(de)可(ke)能性，譬如(ru)(ru)生成(cheng)各種不同光照的(de)(de)比(bi)如(ru)(ru)白天(tian)(tian)、黑夜，就不用再去開(kai)了；各種天(tian)(tian)氣的(de)(de)比(bi)如(ru)(ru)晴天(tian)(tian)、陰(yin)天(tian)(tian)、雨天(tian)(tian)；各種道(dao)(dao)路(lu)結構的(de)(de)，彎(wan)道(dao)(dao)、直道(dao)(dao)，甚至可(ke)以開(kai)到F1賽(sai)道(dao)(dao)上都(dou)沒有問題。
F1 賽道加塞也是(shi)個常態。各種(zhong)各樣的(de)道路狀況，還有開(kai)車的(de)速度(du)(du)，開(kai)進來速度(du)(du)快(kuai)、速度(du)(du)慢都要(yao)去做調整。還有車型包括小的(de)、大的(de)，當然還有各種(zhong)各樣的(de)可能性(xing)。
所(suo)以(yi)(yi)既然我(wo)(wo)們能(neng)生成這(zhe)樣加塞的視頻，我(wo)(wo)們就可(ke)(ke)以(yi)(yi)走到一個(ge)探(tan)索世界的可(ke)(ke)能(neng)性，這(zhe)是我(wo)(wo)們最早做(zuo)無(wu)人駕駛的時候，做(zuo)一個(ge)模擬器(qi)，大家(jia)都(dou)聽過機器(qi)人有這(zhe)樣的一個(ge)模擬平臺，所(suo)以(yi)(yi)機器(qi)人可(ke)(ke)以(yi)(yi)在(zai)模擬平臺上做(zuo)什(shen)么？
強化學習(xi)，之后(hou)再運用(yong)到(dao)現實世界(jie)，但(dan)往(wang)往(wang)這樣(yang)(yang)的(de)一(yi)個(ge)過程會(hui)有(you)個(ge)Sim to Real的(de)Gap。所以我們(men)在(zai)這種模擬仿真，甚(shen)至是高精度的(de)3D模擬仿真中做的(de)這個(ge)算法、探索，這個(ge)探索的(de)好處是它可以跟真實世界(jie)互動，有(you)強化學習(xi)來進行這樣(yang)(yang)的(de)探索，但(dan)是它用(yong)到(dao)現實世界(jie)中會(hui)有(you)很大的(de)差距(ju)。
今天(tian)隨著我(wo)們基模型的能力(li)越(yue)來(lai)越(yue)強，對(dui)世界的理解(jie)越(yue)來(lai)越(yue)深(shen)刻，理解(jie)跟生成的統(tong)一性(xing)就(jiu)使得(de)我(wo)們可以有這(zhe)(zhe)樣(yang)交互的可能性(xing)，這(zhe)(zhe)個(ge)視頻非(fei)常的特別，也是我(wo)們今天(tian)會發的一款產(chan)品，可以看到它的輸(shu)入(ru)是什么(me)？方(fang)向盤、剎車以及(ji)油門這(zhe)(zhe)三個(ge)輸(shu)入(ru)，控制了(le)現(xian)在的這(zhe)(zhe)個(ge)視頻生成。
這(zhe)(zhe)是一(yi)個(ge)(ge)看上去非常(chang)真實(shi)(shi)的(de)場(chang)(chang)景，七個(ge)(ge)攝(she)像頭(tou)(tou)的(de)視角(jiao)，你就可以(yi)手把著方(fang)向盤來控制它的(de)方(fang)向，在(zai)現實(shi)(shi)的(de)街景場(chang)(chang)景中去開，然后邊上有各種各樣的(de)光照條件、車(che)輛條件，每個(ge)(ge)攝(she)像頭(tou)(tou)有不(bu)同的(de)視角(jiao)，并且一(yi)致(zhi)化的(de)統(tong)一(yi)，我覺得這(zhe)(zhe)就是在(zai)真實(shi)(shi)的(de)世(shi)界上開極品飛車(che)。
但有了這(zhe)樣的功能(neng)之后(hou)，是不是可(ke)以(yi)輔助到(dao)很多(duo)行業的進步，對(dui)真(zhen)實世(shi)界的探索有更大的可(ke)能(neng)性，我(wo)們就(jiu)可(ke)以(yi)叫AI自舉(ju)，用(yong)部分數據(ju)生成(cheng)更多(duo)數據(ju)，然(ran)后(hou)再往前走，就(jiu)是Self Learning，有那(nei)么一點可(ke)能(neng)。
所以(yi)我們就在(zai)今天推(tui)出舉一(yi)反千“開(kai)悟”平臺，這個平臺現在(zai)誰(shui)都可以(yi)使用，用自然語言的(de)模式描述(shu)場景，描述(shu)你想要的(de)視(shi)頻段，它可以(yi)生成(cheng)非常多不同視(shi)角符合(he)3D真(zhen)實(shi)(shi)情況的(de)模型。我們要求的(de)不是(shi)視(shi)頻的(de)質量達到電影級別，而是(shi)它符合(he)物理(li)的(de)規則(ze)、物理(li)的(de)定律(lv)，并且能夠真(zhen)正意義(yi)切進用戶的(de)使用場景，讓你在(zai)真(zhen)實(shi)(shi)的(de)世界中(zhong)開(kai)極品飛車。
最后(hou)我們來(lai)看AI發展(zhan)的三個階段，感知(zhi)世界(jie)，更好地(di)理解世界(jie)才能做生成(cheng)世界(jie)，最后(hou)可能和現(xian)實的硬件交互來(lai)改(gai)變我們的世界(jie)。
