首页 / 资讯详情
对话影溯章国锋：互联网数据才是空间智能最需要的「太阳能」
摘要
作者｜张鹏 整理｜ 徐珊 世界模型的牌桌上，坐着的已经全是重量级玩家。Yann LeCun 离开 Meta 亲自下场，李飞飞的 World Labs 发布 Marble，NVIDIA 用 Cosmos 拉起联盟，国内的大厂与创业公司也在密集进场。让 AI 理解物理世界，已经是今年的主流方向。 但模型智能的上限，最终取决于喂给它的数据。 语言模型和视频模型的成长，都建立在互联网三十年的积累上；而这一次，世界模型的牌桌上，没有任何一家的数据够得到训练基础模型所需的量级。 行业不是没有努力。从遥操到第一视角采集，具身公司都在重金投入数据。但在影溯科技创始人兼董事长、浙江大学求是特聘教授 章国锋看来，这些方式像伐木和挖石油，有价值但却要时间积累，耗时耗力。真正能支撑训练数据能源应该像阳光，无处不在、取之不竭。 唯一够得到互联网量级的，其实就藏在人人每天刷过的视频里，这也是他眼中真正的「阳光」。视频的每一帧里，其实都藏着这个世界的运动、物理的规律。3D数据一直都在，只是从没有人能把它取出来。 从阳光中获得能量，给 3D 世界造一块「太阳能板」，正是影溯在做的事。它要把海量视频数据转化成能直接训练世界模型的 3D 数据，让无处不在的「阳光」，第一次变成构建空间智能的能量。这家成立一年的上海公司，将在今年实现单目视频转 360 度动态场景，并开始批量转制。相较于传统实地采集再加重建的模式，这种方式的整体成本至少下降一至两个数量级，为整个空间智能赛道解决最棘手的 3D 数据底层供给难题。今年 6 月，公司完成新一轮融资，将主要投入模型训练与数据引擎的建设。 近期，极客公园创始人张鹏与章国锋进行了一次交流。这场交流里，他谈到3D数据为什么是空间智能的第一性问题，几十张卡训练世界模型的账该怎么算，以及物理世界的 ChatGPT 时刻会以什么迹象到来。 以下是本次对话精编。 01 空间智能的「阳光」 来自互联网数据 张鹏：你做SLAM 技术很长时间了，从 SLAM 这种空间计算到现在大家讨论的空间智能，你是怎么理解这个跃迁的？ 章国锋： SLAM 主要做在线的三维地图重建，确定自身在空间中的方位。真正要理解这个世界，光有空间定位和 3D 重建是不够的。比如我们要能判断桌上这个杯子，碰到它，它会掉下去，里面的水会倒出来。因为这个动作接下来会发生什么，需要建立在你对真正物理世界的理解上，不只是空间定位。 所以从 SLAM（或者叫原来的空间计算）到空间智能，很大不同在于你需要真正能对空间进行理解，并与之交互，甚至推演。比如说，我在这个空间做一个行动，接下来可能发生什么，我能预判。对一个智能体来说，还能做相应的动作，真正让智能体能在物理空间上交互。 可以简单理解为空间计算是个三维问题，而空间智能在此之上还要理解场景语义，通晓物理规则并能进行推演预测，这对智能提出了显然更高的要求。 张鹏：当年做 SLAM 的时候，我们找不到往智能走的路径。为什么今天大家在智能这个维度上开始有预期？背后的技术和认知变化是什么？ 章国锋： 其实我做了二十多年三维，想解决的终极问题一直没有变，就是怎么教机器真正理解空间。过去一直没有一条很通用、范化性足够强的学习路径。 大模型的突破真正重要的地方，不只是语言模型本身做得有多好，而是验证了一种新的学习范式：当模型、数据和算力达到一定规模之后，很多过去很难靠人工定义的能力，是可以从数据里学习出来的，甚至会出现远超我们原来预期的能力。 这对三维领域的意义非常大。过去我们更多是在显式地计算几何、设计规则，或者使用传统的机器学习方法；现在