從人工智能誕生之初，一個(gè)核心命題便貫穿始終：智能到底從哪里來(lái)？人類的智能起源于對(duì)世界的持續(xù)自主探索，在與物理空間的交互中沉淀并進(jìn)化；機(jī)器智能的進(jìn)化，依賴于人類積累的有限知識(shí)，僅靠這些，似乎難以真正觸達(dá)并融入物理空間。隨著單一模態(tài)的進(jìn)化觸及邊界，AI的演進(jìn)路徑是什么？

商湯科技董事長(zhǎng)兼CEO徐立，在2025世界人工智能大會(huì)主論壇上發(fā)表主旨演講《人工智能的十年演進(jìn)》，以下為演講全文：

大家好，很高興有機(jī)會(huì)在這里分享一下我們關(guān)于人工智能演進(jìn)的一些思考。

題目是《人工智能的十年演進(jìn)》，原因在于過(guò)往的十年，是人工智能認(rèn)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?wù)勥@十年。

智能躍遷：

從感知AI到生成式AI

谷歌搜索趨勢(shì)清晰顯示過(guò)往十來(lái)年人工智能熱度有數(shù)次躍升，這標(biāo)志著大眾認(rèn)知在這三個(gè)時(shí)間點(diǎn)發(fā)生了顯著變化。

最初是感知AI——2011到2012年深度學(xué)習(xí)在視覺(jué)領(lǐng)域興起，隨著CNN、ResNet 等算法迭代共同推動(dòng)了第一波認(rèn)知升級(jí)和產(chǎn)業(yè)落地。2017-2018 年，伴隨Transformer 及自然語(yǔ)言模型的發(fā)展，進(jìn)入了生成式AI的階段，帶動(dòng)行業(yè)發(fā)展并逐步重塑大眾認(rèn)知至當(dāng)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(gè)熱點(diǎn)高峰旨在改變現(xiàn)實(shí)世界的具身AI與世界模型。

我們始終在思考一個(gè)核心問(wèn)題：在這幾個(gè)階段中，智能本身從何而來(lái)？算法迭代與生產(chǎn)力爆發(fā)（包括GPU 發(fā)展）固然重要，但還有一個(gè)本質(zhì)問(wèn)題在于：AI 和機(jī)器學(xué)習(xí)，究竟學(xué)習(xí)的是什么？

感知AI時(shí)代，受益于互聯(lián)網(wǎng)上對(duì)現(xiàn)實(shí)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(shí)代的智能主要來(lái)自人工標(biāo)注：AI是通過(guò)學(xué)習(xí)人工標(biāo)注獲得能力。大量標(biāo)注數(shù)據(jù)被用于訓(xùn)練一個(gè)個(gè)垂直領(lǐng)域模型，例如我們當(dāng)時(shí)推出的“商湯方舟”產(chǎn)品平臺(tái)，便集成了一萬(wàn)多個(gè)感知模型，可以做很多不同垂直領(lǐng)域的識(shí)別任務(wù)。感知模型的能力源于學(xué)習(xí)特定數(shù)量級(jí)的標(biāo)注數(shù)據(jù)。以2012 年 Hinton 團(tuán)隊(duì)在 ImageNet 上的突破性成果為例（使用約 1400 萬(wàn)張圖片），若換算成一個(gè)人標(biāo)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(shí)，模型的泛化能力仍受局限。因此，彼時(shí) AI 的工具屬性明顯，局限于各垂直領(lǐng)域的感知任務(wù)，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(gè)關(guān)鍵區(qū)別在于：現(xiàn)在說(shuō)得更通用的 AI 根植于自然語(yǔ)言?；ヂ?lián)網(wǎng)文本天然蘊(yùn)含知識(shí)，無(wú)需后期標(biāo)注加工。雖然圖片、視頻數(shù)量遠(yuǎn)超文本，但可以認(rèn)為文本的知識(shí)密度更高。以GPT-3 處理 7500 億 token 為例，若由一個(gè)人創(chuàng)作這些文本，需耗時(shí)約十萬(wàn)年。可見(jiàn)，從 10 年到 10 萬(wàn)年，數(shù)據(jù)量相差萬(wàn)倍。正是自然語(yǔ)言的高知識(shí)密度，促成了模型的強(qiáng)大泛化與通用能力，成為當(dāng)今通用AI 發(fā)展的關(guān)鍵基石。當(dāng)然，我們已意識(shí)到：此類數(shù)據(jù)或?qū)⒈幌拇M。圖片標(biāo)注依賴人工；而自然語(yǔ)言數(shù)據(jù)據(jù)預(yù)測(cè)，可能在2027-2028 年耗盡——事實(shí)上是其產(chǎn)生速度遠(yuǎn)落后于算力增長(zhǎng)速度，造成模型數(shù)據(jù)需求的“倒掛”。能否從原始、無(wú)序的視頻圖像中挖掘更多知識(shí)？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(jué)感知與語(yǔ)言能力，構(gòu)建原生多模態(tài)系統(tǒng)。具體而言，建立更自然的圖文關(guān)聯(lián)，形成更長(zhǎng)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(lái)的，難以在毫無(wú)基礎(chǔ)的環(huán)境中憑空產(chǎn)生。雖然如今模型亦有可進(jìn)行遞歸自學(xué)習(xí)推進(jìn)，但本質(zhì)上，我們?nèi)孕铇?gòu)建一條系統(tǒng)化的基礎(chǔ)模型進(jìn)化路徑。當(dāng)我們加入大量圖文數(shù)據(jù)甚至高階多模態(tài)思維鏈時(shí)，觀察到一個(gè)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(shí)，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(shí)提煉出來(lái)，融入文本模型，從而提升文本模型對(duì)特定任務(wù)，比如空間和物理世界的理解力；這樣的模型亦能更精準(zhǔn)地控制生成，甚至引導(dǎo)圖像與視頻的生成。

破局之道：

攻克主動(dòng)交互數(shù)據(jù)稀缺難題

然而，人類終將面臨一個(gè)根本性問(wèn)題：當(dāng)書本與互聯(lián)網(wǎng)知識(shí)窮盡時(shí)，下一代的智能將從何處獲??？第一階段靠標(biāo)注，第二階段靠語(yǔ)言，接下來(lái)呢？讓我們審視人類的學(xué)習(xí)方式：人類自誕生起，便通過(guò)與現(xiàn)實(shí)世界的不斷互動(dòng)探索獲得智能，而非始于語(yǔ)言或監(jiān)督的認(rèn)知學(xué)習(xí)。這種與世界的交互是智能增長(zhǎng)的重要源泉。這自然啟示我們：與現(xiàn)實(shí)世界互動(dòng)產(chǎn)生的大量數(shù)據(jù)可以帶來(lái)智能。

那接下來(lái)怎么辦？需要強(qiáng)大的現(xiàn)實(shí)世界理解模型+ 深度 3D 理解模型來(lái)協(xié)同提升該能力。

那么，我們推出自己的“開(kāi)悟”世界模型，由日日新V6.5賦能?！伴_(kāi)悟”世界模型也是視頻生成模型，但它考慮了時(shí)間、空間的一致性。

我們舉個(gè)簡(jiǎn)單的例子。自動(dòng)駕駛需采集大量復(fù)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(yǔ)言描述，即可生成右側(cè)逼真的七路攝像頭視角模擬數(shù)據(jù)。

我們看下細(xì)節(jié)，首先，車輛運(yùn)動(dòng)時(shí)，其在各鏡頭中的位置變化精準(zhǔn)同步， 時(shí)間一致性也可以得到保障：車輛無(wú)論遠(yuǎn)近，各攝像頭捕捉到的不同時(shí)刻影像中細(xì)節(jié)（如車牌）均保持一致。倘若視頻引擎對(duì)于物理世界的規(guī)律沒(méi)有足夠理解，方向盤轉(zhuǎn)動(dòng)可能導(dǎo)致視野突變（例如路旁樹(shù)木位置錯(cuò)亂），就無(wú)法保障時(shí)空可控性。

我們來(lái)看生成自動(dòng)駕駛里的一個(gè)“長(zhǎng)尾場(chǎng)景”——汽車加塞兒（Cut-in），在駕駛里普遍，對(duì)于人類駕駛來(lái)講也是個(gè)難題，新手畏難，老手則冒風(fēng)險(xiǎn)。自動(dòng)駕駛系統(tǒng)必須學(xué)習(xí)應(yīng)對(duì)：太保守則影響通行效率，太激進(jìn)易引發(fā)碰撞。以兩輛自動(dòng)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(shí)路況中大量采集此類高危險(xiǎn)性加塞數(shù)據(jù)極為困難且占比低。

“開(kāi)悟”世界模型能生成七路攝像頭視角的加塞視頻嗎？當(dāng)然可以。

「開(kāi)悟」世界模型生成的多視角視頻

如圖中描述大型車輛的加塞方向、時(shí)間、角度，模型生成的視頻確保了時(shí)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(chǎng)景——可調(diào)節(jié)光照（白天、黑夜）、天氣（晴、陰、雨）、道路結(jié)構(gòu)（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。

晴天

陰天

雨天

彎道

直道

路口

慢速（15km/h以下）

車速

中速（15-60km/h）

快速（60km/h以上）

白天

可照光線

傍晚

凌晨

公交車

車型

大型貨車

小型貨車

這意味著，基于可控生成的視頻，我們開(kāi)啟了AI通過(guò)模擬進(jìn)行真實(shí)世界探索的可能性。早期做自動(dòng)駕駛時(shí)，我們?cè)_(kāi)發(fā)模擬器（類似機(jī)器人強(qiáng)化學(xué)習(xí)平臺(tái)）用于模擬演練后投入現(xiàn)實(shí)，但存在 Sim-to-Real Gap。

現(xiàn)在，隨著基模型能力增強(qiáng)、對(duì)世界理解加深，理解與生成的統(tǒng)一開(kāi)創(chuàng)了新的交互可能性。

這是個(gè)特殊的例子，輸入為方向盤、剎車和油門來(lái)控制這個(gè)視頻的生成，卻驅(qū)動(dòng)生成逼真的七攝像頭視角駕駛模擬。

用戶仿佛在真實(shí)的街道場(chǎng)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(gè)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(duì)真實(shí)世界的探索有更大的可能性。能否用部分?jǐn)?shù)據(jù)生成更多數(shù)據(jù)，甚至實(shí)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(kāi)悟世界模型產(chǎn)品平臺(tái)?，F(xiàn)在，任何人都可以通過(guò)自然語(yǔ)言描述場(chǎng)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(zhì)量達(dá)到電影級(jí)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(chǎng)景，讓你在真實(shí)的世界中開(kāi)上極品飛車。而這部分能力，完全可以擴(kuò)展到機(jī)器人的學(xué)習(xí)和應(yīng)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(gè)變化，感知世界，進(jìn)而更好地理解世界生成世界，最后與現(xiàn)實(shí)的硬件交互來(lái)改變我們的世界。

謝謝！