智東西
作者 陳駿達(dá)
編輯 心緣

智東西7月26日報道，今天，商湯科技董事長兼CEO徐立在2025世界人工智能大會（WAIC）開幕式上，發(fā)表了以《人工智能的十年演進(jìn)》為題的主旨演講。

徐立認(rèn)為，過去十年，人工智能經(jīng)歷了三次跳躍：先是從深度學(xué)習(xí)驅(qū)動的感知智能，由CNN、ResNet等算法和ImageNet的1400萬張標(biāo)注圖片，開啟了垂直領(lǐng)域的視覺應(yīng)用。

接著2017-2018年，Transformer的出現(xiàn)帶來生成式智能。這些模型采用海量高密度文本信息進(jìn)行學(xué)習(xí)，模型泛化能力、通用性不斷提升。再到今天多模態(tài)大模型、智能體、具身智能與世界模型依次登場，普羅大眾對AI技術(shù)的認(rèn)知也來到高峰。

在AI不同階段的發(fā)展過程中，數(shù)據(jù)始終是智能的感知時代靠人工標(biāo)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(lián)網(wǎng)上的自然語言數(shù)據(jù)總有用盡的一天。未來，AI技術(shù)需要轉(zhuǎn)向“真實(shí)世界互動數(shù)據(jù)”，因?yàn)橹挥兄鲃优c環(huán)境交互才能快速進(jìn)化。

為跨越虛擬世界與現(xiàn)實(shí)世界之間的差距，商湯已經(jīng)打造了“開悟”世界模型，并于今天推出舉一反千的“開悟”平臺。這一平臺可生成符合3D真實(shí)情況、物理規(guī)律的多視角視頻，可在自動駕駛等場景中實(shí)現(xiàn)AI的自舉與自學(xué)。

徐立總結(jié)道，人工智能正沿著“感知世界—理解世界—生成世界”的路徑前行，最終將與現(xiàn)實(shí)硬件交互，改變我們的世界。

以下是徐立在WAIC開幕式上的完整演講：

一、AI技術(shù)三次跳躍，智能從哪里來？

各位朋友大家好，很高興有機(jī)會在這里分享一下這個我們關(guān)于人工智能演進(jìn)的一些思考。

題目上我們加了一個人工智能的十年演進(jìn)，原因是過往的十年，也是我們見證人工智能認(rèn)知變化最快的十年，另外的原因也是因?yàn)槲覀児咀隽耸辏绻歉魑活I(lǐng)導(dǎo)站在這里，那可能可以談人工智能的50年，而我們從過往的十年開始談起。

我們來看過往十年，谷歌的搜索引擎關(guān)于人工智能的熱度，你們很容易看見它有三個很明顯的跳躍，也就是在那個時間點(diǎn)上，這個普羅大眾的認(rèn)知發(fā)生了一些規(guī)模化的變化。

最開始從感知智能，也就是從深度學(xué)習(xí)進(jìn)入到視覺，然后再有各種算法的迭代，CNN、ResNet的發(fā)展推動了第一波人工智能行業(yè)的發(fā)展。到2017-2018年的時候，從Transformer到自然語言的模型發(fā)展，我們又進(jìn)入到生成式智能的階段。

這兩個階段一直推動到現(xiàn)在行業(yè)的發(fā)展和普羅大眾的認(rèn)知形成了高峰，從ChatGPT，以至于后ChatGPT的智能體，多模態(tài)大模型，甚至是對現(xiàn)實(shí)世界改變的具身智能以及世界模型的變化。

很有意思的是，我們一直在思考一個問題，在這個三個不同的階段當(dāng)中，智能本身從哪里來？當(dāng)然算法的迭代以及生產(chǎn)力的爆發(fā)，包括說GPU的迭代是一個很重要的要素，但是本質(zhì)上還有一個要素就是AI，機(jī)器學(xué)習(xí)到底學(xué)的是什么？

從感知時代開始，其實(shí)我們得益于互聯(lián)網(wǎng)上大量的數(shù)據(jù)，對現(xiàn)實(shí)世界的拷貝，已經(jīng)存在了，包括圖片、視頻。所以感知時代，我們是從標(biāo)注當(dāng)中去獲取智能，也就是AI其實(shí)是從人的標(biāo)注當(dāng)中獲取，通過大量的標(biāo)注之后訓(xùn)出一個一個模型。我們當(dāng)時推出的商湯方舟，蘊(yùn)含一萬多個模型，可以做很多不同垂直領(lǐng)域的任務(wù)。

在那個時代，機(jī)器的智能來自于學(xué)習(xí)這些東西，大概是什么樣的一個數(shù)量級。在2012年，Hinton帶領(lǐng)團(tuán)隊第一次在ImageNet上取得冠軍的時候，大概是1400萬張圖片。

如果按一個人的標(biāo)注來講，這個人的工作大概是10年左右的時間，也就是我們把一個人10年的知識傳給了AI。這個數(shù)據(jù)看上去好像很大，但實(shí)際上想一想，如果只是單人10年的數(shù)據(jù)，其實(shí)做很多的泛化還是受限制。所以在那個階段，人工智能的工具屬性非常明顯，基本上是垂直領(lǐng)域的感知，也就是在很多垂直的方向上面，我們需要做專屬的模型。

二、高密度語言數(shù)據(jù)催生智能，多模態(tài)融合成大趨勢

到了生成式人工智能，或者更加通用的人工智能有什么區(qū)別？我覺得一個很有意思的區(qū)別，就是通用人工智能是從自然語言開始的，但互聯(lián)網(wǎng)上的文本大家想一想，本身就是蘊(yùn)含知識的，它不需要后加工。

雖然我們看到互聯(lián)網(wǎng)上圖片和視頻數(shù)量遠(yuǎn)大于文本的數(shù)量，但是文本的知識密度可能更高。所以如果我們以GPT-3處理7500億token來說，假設(shè)這是一個人認(rèn)認(rèn)真真作為自然語言創(chuàng)作者來開始寫的話，他大概要寫十萬年。也就是從十年到十萬年一萬倍的數(shù)據(jù)量差。

自然語言的數(shù)據(jù)密度非常高，從而使得說我們的模型泛化能力、通用性起來了。這才是推動現(xiàn)在通用人工智能發(fā)展的一個基石，有一個很好的底座。那當(dāng)然，很容易我們就看到說，這些數(shù)據(jù)都會被用盡，圖片數(shù)據(jù)標(biāo)注是需要人來處理的，其實(shí)這也是一個人工的工作。

而自然語言，據(jù)說在2027~2028年，整個互聯(lián)網(wǎng)上的自然語言的數(shù)據(jù)都會被用盡。實(shí)際上，是語言生成的速度遠(yuǎn)沒有算力的生長的速度來得快，那這樣顯然形成了一種模型的倒掛差。那能不能從原始的無序的圖像視頻當(dāng)中獲取更多的知識呢？是有可能的，但是這過程當(dāng)中需要非常多的工作。

我們也是在這過程當(dāng)中走一個很自然的路，就是融合我們感知的能力和我們自然語言的能力，形成一種原生的多模態(tài)，也就是說我們構(gòu)造圖和文的連接，把圖和文生成一種更長的思維鏈。然后用這個思維鏈再去不停地去激發(fā)模型的能力。

大家知道智能本身應(yīng)該是激發(fā)出來的，很難說在完全沒有基礎(chǔ)設(shè)施上面，就能夠長出這個智能。當(dāng)然現(xiàn)在，剛才大家聽到可以做說遞歸的自學(xué)習(xí)等等，可以基于現(xiàn)有的模型往前推進(jìn)。

但是本質(zhì)意義上我們需要構(gòu)造一條模型演化的道路。隨著我們加入了很多圖文演示，甚至是更高階的思維鏈的時候，我們發(fā)現(xiàn)一個很有意思的現(xiàn)象。這張圖是我們要推出的日日新V6.5，最左邊這張圖特別有意思，我們同一個模型能夠做好音頻的交互能力，多模態(tài)的推理能力。但是加入了足夠多、足夠長的多模態(tài)的思維鏈之后，我們的文本、純文本的推理能力也有一個很大的提升。

這就是說，其實(shí)還有很多的路線，其實(shí)能夠把互聯(lián)網(wǎng)上其他的模態(tài)的數(shù)據(jù)的知識抽離出來，融合到文本當(dāng)中，使得文本的對空間的理解，對于物理世界的理解能夠進(jìn)一步地提升，從而說這樣的一個文本模型也能夠更好地控制生成，甚至是控制圖像和視頻生成。

三、AI技術(shù)面臨“數(shù)據(jù)墻”，如何走進(jìn)物理世界？

當(dāng)然了，人類還是會面臨這樣一個缺失的問題，也就是說當(dāng)窮盡書本和互聯(lián)網(wǎng)的知識的時候，更多的智能從哪里來？第一代是標(biāo)注來，第二代自然語言已經(jīng)來了，第三代接下來怎么來？

那我們來看看人是怎么來學(xué)習(xí)的，對不對？人從出生開始，就是跟現(xiàn)實(shí)世界來進(jìn)行各種各樣的探索，他不是先從學(xué)語言開始，也不是先從學(xué)認(rèn)識東西開始，他跟世界的交互和探索已經(jīng)形成了很大的這個智能的增長。這也就是說，大家很自然地想到，在圖像標(biāo)注互聯(lián)網(wǎng)文本之外，大家去采集大量的跟真實(shí)世界互動的數(shù)據(jù)。

為什么我說要大量的呢？是因?yàn)槟阈枰剿鞑煌奈锢砜臻g，就是比如說你需要有各種各樣的姿勢，各種各樣的角度，所以你的采集量會非常的大。現(xiàn)在很多機(jī)器人、具身，我覺得最大的瓶頸還是在素材上面會有很大的需求。

當(dāng)然，這個也是非常顯然的。1963年有一篇很有意思的文章叫主動貓和被動貓，就是他們做了一個很有意思的實(shí)驗(yàn)，就是一只貓和另外一只貓通過一個軸所相連。然后一只貓是可以動的，另外一只貓不能動，但是它們兩個看到的東西都是一樣的。

也就說同樣的視覺輸入，一只貓是可以跟現(xiàn)實(shí)世界互動，另外一只貓不行的情況下，那只會互動的貓顯然成長的速度會非常的快。所以這也是具身的來源，為什么要去做具身智能，就是因?yàn)楦F(xiàn)實(shí)世界的探索。

但還會面臨問題，因?yàn)槿绻嬲ㄟ^機(jī)械去跟現(xiàn)實(shí)世界做互動，很顯然它的探索空間需要模擬的世界太大，有時候還會有一個模擬到現(xiàn)實(shí)的這個差距叫Sim-to-Real Gap。那有沒有可能通過現(xiàn)在的這種所謂的，對于現(xiàn)實(shí)世界的理解來做生成，理解生成統(tǒng)一的世界模型。是有的，但是也會面臨挑戰(zhàn)。

比如說用世界模型去生成數(shù)據(jù)，這是現(xiàn)在用世界模型做了很多的叫自動駕駛方面的領(lǐng)域的生成，也是最開始我們做這個模型的生成。生成的質(zhì)量很高，但是很顯然它會違背物理的法則。譬如說十字路口車輛的互相穿越，有一種幽靈車的感覺，還有一些隨機(jī)失控很難調(diào)整。而且大家知道生成視頻再好的模型，它生成視頻的響應(yīng)速度會比較慢。

所以如果你需要來去對生成視頻進(jìn)行實(shí)時交互的話，往往要等，而且可能還需要抽卡，抽出來一個視頻也不知道是什么。比如說抽出一個大象跟小松鼠在玩蹺蹺板，那這個就很隨機(jī)。

所以那怎么辦？那就是需要有個很好的對現(xiàn)實(shí)世界理解的模型，加上對3D理解的模型，來指導(dǎo)這個部分的能力。那么我們推出我們自己的“開悟”世界模型，用我們的日日新V6.5去賦能。“開悟”世界模型也是個視頻生成模型，但是它考慮了時間、空間的一致性。

我們舉一個簡單的例子。自動駕駛里面有一個叫7路攝像頭視角的車的數(shù)據(jù)采集，很顯然需要花大量的力氣來采集，但是我們生成的，就是可以用自然語言去生成右邊的7個攝像頭生成的數(shù)據(jù)，我們來看一下細(xì)節(jié)。

首先來看，這個車從一個角度開到另外一個角度的時候，在不同的攝像頭里的位置，甚至都可以模擬出攝像頭的形變，空間一致性表現(xiàn)非常好，只有一個完全對3DGS有充分理解之后才能表達(dá)的，所以這也是這個模型本身很強(qiáng)的一個能力，否則沒有辦法用來做下一個階段的訓(xùn)練提升。

當(dāng)然還有一種是對空間的一致性，比如這個車一會在前，一會在后，不同的攝像頭拍到這個車的不同時刻，比如車牌應(yīng)該都要一樣。如果我們有很好的視頻生成引擎，左邊生成一個，然后方向盤一轉(zhuǎn)，右邊一看那棵樹就飛走了，可能AI也搞糊涂了，這車也不會開，很顯然時空的一致性要達(dá)到各種各樣的可控。

我來舉一個很有意思的例子，自動駕駛里的一個Corner Case——加塞兒（Cut-in），在自動駕駛里非常普遍。大家都覺得這可能是個難題，對于人類駕駛來講也是個難題。新司機(jī)不敢加塞，躲在后面半天不能走，老司機(jī)加塞，但事故率有多少？22%的事故來自于加塞，所以自動駕駛得學(xué)習(xí)加塞。

怎么做呢？如果太保守，開不動；太激進(jìn)，可能得撞。比如這個Waymo的車很有意思，兩輛車都想加塞，兩個都卡，又要加塞又都卡了，形成一種博弈，然后就循環(huán)了。所以在這種過程中，它需要大量的數(shù)據(jù)去訓(xùn)練這種場景。但是如果真的到路上去采這個數(shù)據(jù)，非常難采大量的數(shù)據(jù)，加塞的數(shù)據(jù)在里面占的比例比較少，那怎么辦？

那么世界模型能不能去生成7個攝像頭的加塞視頻？我們來看一看，這個是一個大型車輛的加塞，描述了我們的方向、時間、角度。一起看下，這個大巴士從右邊加塞進(jìn)來，保證了一致性，那可以大生成大量的這個視頻，而且關(guān)鍵是要可控穩(wěn)定。

什么叫可控穩(wěn)定？我們可以調(diào)節(jié)各種各樣生成的可能性，譬如生成各種不同光照的比如白天、黑夜，就不用再去開了；各種天氣的比如晴天、陰天、雨天；各種道路結(jié)構(gòu)的，彎道、直道，甚至可以開到F1賽道上都沒有問題。

F1 賽道加塞也是個常態(tài)。各種各樣的道路狀況，還有開車的速度，開進(jìn)來速度快、速度慢都要去做調(diào)整。還有車型包括小的、大的，當(dāng)然還有各種各樣的可能性。

所以既然我們能生成這樣加塞的視頻，我們就可以走到一個探索世界的可能性，這是我們最早做無人駕駛的時候，做一個模擬器，大家都聽過機(jī)器人有這樣的一個模擬平臺，所以機(jī)器人可以在模擬平臺上做什么？

強(qiáng)化學(xué)習(xí)，之后再運(yùn)用到現(xiàn)實(shí)世界，但往往這樣的一個過程會有個Sim to Real的Gap。所以我們在這種模擬仿真，甚至是高精度的3D模擬仿真中做的這個算法、探索，這個探索的好處是它可以跟真實(shí)世界互動，有強(qiáng)化學(xué)習(xí)來進(jìn)行這樣的探索，但是它用到現(xiàn)實(shí)世界中會有很大的差距。

今天隨著我們基模型的能力越來越強(qiáng)，對世界的理解越來越深刻，理解跟生成的統(tǒng)一性就使得我們可以有這樣交互的可能性，這個視頻非常的特別，也是我們今天會發(fā)的一款產(chǎn)品，可以看到它的輸入是什么？方向盤、剎車以及油門這三個輸入，控制了現(xiàn)在的這個視頻生成。

這是一個看上去非常真實(shí)的場景，七個攝像頭的視角，你就可以手把著方向盤來控制它的方向，在現(xiàn)實(shí)的街景場景中去開，然后邊上有各種各樣的光照條件、車輛條件，每個攝像頭有不同的視角，并且一致化的統(tǒng)一，我覺得這就是在真實(shí)的世界上開極品飛車。

但有了這樣的功能之后，是不是可以輔助到很多行業(yè)的進(jìn)步，對真實(shí)世界的探索有更大的可能性，我們就可以叫AI自舉，用部分?jǐn)?shù)據(jù)生成更多數(shù)據(jù)，然后再往前走，就是Self Learning，有那么一點(diǎn)可能。

所以我們就在今天推出舉一反千“開悟”平臺，這個平臺現(xiàn)在誰都可以使用，用自然語言的模式描述場景，描述你想要的視頻段，它可以生成非常多不同視角符合3D真實(shí)情況的模型。我們要求的不是視頻的質(zhì)量達(dá)到電影級別，而是它符合物理的規(guī)則、物理的定律，并且能夠真正意義切進(jìn)用戶的使用場景，讓你在真實(shí)的世界中開極品飛車。

最后我們來看AI發(fā)展的三個階段，感知世界，更好地理解世界才能做生成世界，最后可能和現(xiàn)實(shí)的硬件交互來改變我們的世界。