從人工智能誕生之初，一個核心命題便貫穿始終：智能到底從哪里來？
人類的智能起源于對世界的持續(xù)自主探索，在與物理空間的交互中沉淀并進化;機器智能的進化，依賴于人類積累的有限知識，僅靠這些，似乎難以真正觸達并融入物理空間。
隨著單一模態(tài)的進化觸及邊界，AI的演進路徑是什么?
商湯科技董事長兼CEO徐立，在2025世界人工智能大會主論壇上發(fā)表主旨演講《人工智能的十年演進》，以下為演講全文：
大家好，很高興有機會在這里分享一下我們關于人工智能演進的一些思考。
題目是《人工智能的十年演進》，原因在于過往的十年，是人工智能認知變化最快的十年，而商湯科技也是成立十年，所以正好就談談這十年。
智能躍遷：從感知AI到生成式AI
谷歌搜索趨勢清晰顯示過往十來年人工智能熱度有數(shù)次躍升，這標志著大眾認知在這三個時間點發(fā)生了顯著變化。
最初是感知AI——2011到2012年深度學習在視覺領域興起，隨著 CNN、ResNet 等算法迭代共同推動了第一波認知升級和產業(yè)落地。 2017-2018 年，伴隨Transformer 及自然語言模型的發(fā)展，進入了生成式AI的階段，帶動行業(yè)發(fā)展并逐步重塑大眾認知至當前高峰，從GPT到智能體、多模態(tài)大模型，乃至到現(xiàn)在第三個熱點高峰旨在改變現(xiàn)實世界的具身AI與世界模型。
我們始終在思考一個核心問題：在這幾個階段中，智能本身從何而來?算法迭代與生產力爆發(fā)(包括GPU 發(fā)展)固然重要，但還有一個本質問題在于：AI 和機器學習，究竟學習的是什么?
感知AI時代，受益于互聯(lián)網(wǎng)上對現(xiàn)實世界的大量“拷貝”——圖片、視頻等數(shù)據(jù)已廣泛存在。因此，感知時代的智能主要來自人工標注：AI是通過學習人工標注獲得能力。大量標注數(shù)據(jù)被用于訓練一個個垂直領域模型，例如我們當時推出的“商湯方舟”產品平臺，便集成了一萬多個感知模型，可以做很多不同垂直領域的識別任務。
感知模型的能力源于學習特定數(shù)量級的標注數(shù)據(jù)。以2012 年 Hinton 團隊在 ImageNet 上的突破性成果為例(使用約 1400 萬張圖片)，若換算成一個人標注，大約需要 10 年。這看似數(shù)據(jù)龐大，但僅憑單人 10 年的知識，模型的泛化能力仍受局限。因此，彼時 AI 的工具屬性明顯，局限于各垂直領域的感知任務，也就是在很多垂直的方向上，我們需要做專屬的模型。
那么，生成式(或更通用的)人工智能有何不同?一個關鍵區(qū)別在于：現(xiàn)在說得更通用的 AI 根植于自然語言?；ヂ?lián)網(wǎng)文本天然蘊含知識，無需后期標注加工。雖然圖片、視頻數(shù)量遠超文本，但可以認為文本的知識密度更高。以GPT-3 處理 7500 億 token 為例，若由一個人創(chuàng)作這些文本，需耗時約十萬年?？梢姡瑥?10 年到 10 萬年，數(shù)據(jù)量相差萬倍。正是自然語言的高知識密度，促成了模型的強大泛化與通用能力，成為當今通用AI 發(fā)展的關鍵基石。
當然，我們已意識到：此類數(shù)據(jù)或將被消耗殆盡。圖片標注依賴人工;而自然語言數(shù)據(jù)據(jù)預測，可能在2027-2028 年耗盡——事實上是其產生速度遠落后于算力增長速度，造成模型數(shù)據(jù)需求的“倒掛”。能否從原始、無序的視頻圖像中挖掘更多知識?有可能，但這仍需更多更深入的工作。
我們選擇了一條自然路徑：融合視覺感知與語言能力，構建原生多模態(tài)系統(tǒng)。具體而言，建立更自然的圖文關聯(lián)，形成更長的多模態(tài)思維鏈。借助這種思維鏈持續(xù)激發(fā)模型能力，智能是被激發(fā)出來的，難以在毫無基礎的環(huán)境中憑空產生。雖然如今模型亦有可進行遞歸自學習推進，但本質上，我們仍需構建一條系統(tǒng)化的基礎模型進化路徑。
當我們加入大量圖文數(shù)據(jù)甚至高階多模態(tài)思維鏈時，觀察到一個有趣現(xiàn)象，同一模型在音頻交互、多模態(tài)推理能力俱佳的同時，其文本推理能力也大幅提升。這正得益于引入充足而豐富的多模態(tài)思維鏈。該現(xiàn)象表明：存在能將互聯(lián)網(wǎng)多模態(tài)數(shù)據(jù)中的知識提煉出來，融入文本模型，從而提升文本模型對特定任務，比如空間和物理世界的理解力;這樣的模型亦能更精準地控制生成，甚至引導圖像與視頻的生成。
破局之道：攻克主動交互數(shù)據(jù)稀缺難題
然而，人類終將面臨一個根本性問題：當書本與互聯(lián)網(wǎng)知識窮盡時，下一代的智能將從何處獲取?第一階段靠標注，第二階段靠語言，接下來呢?
讓我們審視人類的學習方式：人類自誕生起，便通過與現(xiàn)實世界的不斷互動探索獲得智能，而非始于語言或監(jiān)督的認知學習。這種與世界的交互是智能增長的重要源泉。這自然啟示我們：與現(xiàn)實世界互動產生的大量數(shù)據(jù)可以帶來智能。
為何要大量的數(shù)據(jù)?因為探索需要覆蓋多樣化的物理空間。當前機器人及具身智能的潛在瓶頸，正在于對此類高質量數(shù)據(jù)采集的巨大需求。
有個有趣的工作，1963 年的“主動貓與被動貓”實驗——兩只貓通過轉軸相連，一只可自由活動、可以與現(xiàn)實世界互動，另一只不能動，僅被動觀察相同視覺畫面，也就說同樣的視覺輸入，那只會互動的貓顯然成長的速度會非常的快。這也是具身理念的來源，強調與現(xiàn)實世界的探索與交互至關重要。
但還會面臨問題，機器實體真實地與復雜龐大的現(xiàn)實世界互動，探索空間極其廣闊，具身亦采用模擬平臺，但也必然面臨“模擬到現(xiàn)實(Sim-to-Real)”的差距。那有沒有可能通過所謂的對于現(xiàn)實世界的理解來做理解生成統(tǒng)一的世界模型。是會有，但也會面臨挑戰(zhàn)。
例如，使用模型生成數(shù)據(jù)(目前主要用于自動駕駛領域)效果顯著。但它可能違反物理規(guī)律， 例如出現(xiàn)車輛“幽靈穿越”十字路口或難以控制的隨機事故。此外，即便最優(yōu)的視頻生成模型，其響應速度也通常較慢。若需實時交互，往往需要等待很久才有生成結果，甚至可能“抽卡”(意指隨機采樣)——生成內容無法預知。
世界模型，推動AI邁入真正與物理世界交互時代
那接下來怎么辦?需要強大的現(xiàn)實世界理解模型+ 深度 3D 理解模型來協(xié)同提升該能力。
那么，我們推出自己的“開悟”世界模型，由日日新V6.5賦能。“開悟”世界模型也是視頻生成模型，但它考慮了時間、空間的一致性。
我們舉個簡單的例子。自動駕駛需采集大量復雜視角(如七路攝像頭typo數(shù)據(jù))。而我們模型能僅憑自然語言描述，即可生成右側逼真的七路攝像頭視角模擬數(shù)據(jù)。
我們看下細節(jié)，首先，車輛運動時，其在各鏡頭中的位置變化精準同步， 時間一致性也可以得到保障：車輛無論遠近，各攝像頭捕捉到的不同時刻影像中細節(jié)(如車牌)均保持一致。倘若視頻引擎對于物理世界的規(guī)律沒有足夠理解，方向盤轉動可能導致視野突變(例如路旁樹木位置錯亂)，就無法保障時空可控性。
我們來看生成自動駕駛里的一個“長尾場景”——汽車加塞兒(Cut-in)，在駕駛里普遍，對于人類駕駛來講也是個難題，新手畏難，老手則冒風險。自動駕駛系統(tǒng)必須學習應對：太保守則影響通行效率，太激進易引發(fā)碰撞。以兩輛自動駕駛車輛為例，兩車試圖加塞卻相互牽制，陷入博弈循環(huán)。而真實路況中大量采集此類高危險性加塞數(shù)據(jù)極為困難且占比低。
“開悟”世界模型能生成七路攝像頭視角的加塞視頻嗎?當然可以。
「開悟」世界模型生成的多視角
如圖中描述大型車輛的加塞方向、時間、角度，模型生成的視頻確保了時空一致性，尤其可貴的是能穩(wěn)定生成大量、多樣化且可控的場景——可調節(jié)光照(白天、黑夜)、天氣(晴、陰、雨)、道路結構(直道、彎道、甚至 F1 賽道)、車流密度、車速以及車型(小到大)等變量。
這意味著，基于可控生成的視頻，我們開啟了AI通過模擬進行真實世界探索的可能性。早期做自動駕駛時，我們曾開發(fā)模擬器(類似機器人強化學習平臺)用于模擬演練后投入現(xiàn)實，但存在 Sim-to-Real Gap。
現(xiàn)在，隨著基模型能力增強、對世界理解加深，理解與生成的統(tǒng)一開創(chuàng)了新的交互可能性。
這是個特殊的例子，輸入為方向盤、剎車和油門來控制這個視頻的生成，卻驅動生成逼真的七攝像頭視角駕駛模擬。
用戶仿佛在真實的街道場景中玩“極品飛車”——手握方向盤控制方向，環(huán)境光照與車輛條件多變，每個攝像頭有不同的視角，各視角圖像一致統(tǒng)一。這一功能將為眾多行業(yè)賦能，對真實世界的探索有更大的可能性。能否用部分數(shù)據(jù)生成更多數(shù)據(jù)，甚至實現(xiàn)一定程度的AI Self Learning，是極其值得探索的課題。
“舉一反千”，今天我們正式推出開悟世界模型產品平臺?，F(xiàn)在，任何人都可以通過自然語言描述場景，生成符合3D 物理規(guī)則的、特定視角的視頻片段。我們要求的不是視頻的質量達到電影級別，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用戶的使用場景，讓你在真實的世界中開上極品飛車。而這部分能力，完全可以擴展到機器人的學習和應用中，非常值得期待。
我們也期待和大家一起經(jīng)歷AI發(fā)展的三個變化，感知世界，進而更好地理解世界生成世界，最后與現(xiàn)實的硬件交互來改變我們的世界。
謝謝!
（來源：商湯科技）
