AI 正从看懂画面，走向理解空间、预测变化、执行动作。 作者丨张岂萍 编辑丨幸丽娟 AI 已经越来越会生成一个“看起来真实”的世界，却依然很难真正理解并行动于这个世界。物体在哪里、彼此是什么空间关系，遮挡之后还剩下什么；一个动作发生后，世界会怎样变化。这些问题的解法，共同指向空间智能。而近两年具身智能与世界模型的爆火，进一步推动空间智能成为 AI 走向物理世界的核心能力基座。回看 ECCV ...

AI 不应只做更强的观察者，而应成为帮助人学会现实世界技能的 AI Guide。 作者丨张岂萍 编辑丨幸丽娟 过去十年，计算机视觉的技术演进主线几乎围绕同一件事展开：让机器看得更准。从目标检测、姿态估计到三维重建、视频理解，“看懂”正在成为大模型的基础能力。但一个被反复验证的现实是：机器越会“看懂人”，人获得的实际帮助并没有同步增长。健身 App 能识别动作，却未必知道该让你改哪一寸；教学视...

给生成模型引入仿真，补上难以获得的声音感知。 作者丨张岂萍 编辑丨幸丽娟 机器人要进入真实世界，需要处理的信息远不止视觉。倒水时，声音可以帮助判断杯子是不是快满了；物体发生碰撞时，不同材质会发出不同的声音；一个人在小房间和大房间里说话，空间回声也不一样。然而，这些人类习以为常的多模态感知，以及诸如切苹果、叠杯子这类极其复杂的双手灵巧操作，在机器人的训练阶段却面临着极其高昂的“数据采集壁垒”。...

只靠语言和 token，AI 永远跨不过物理世界这道门槛！ 作者丨幸丽娟 编辑丨岑 峰 AI 行业的主叙事，曾被 Scaling Law 垄断：更大的模型、更多的 token，更强的文本推理，仿佛只要把语言模型继续堆大，通用人工智能就会自动到来。但这条路线撞上了天花板：预训练的边际收益肉眼可见地递减；模型一旦部署到真实世界，漏洞百出。2026 年，“世界模型”接棒 Scaling Law，成...

学习模型已经具备很强的局部视觉先验，而 3D 几何可以帮助建立跨视角、长距离的全局一致性。二者如何结合，是 3D 视觉与空间智能中的重要问题。 编辑丨岑峰 在生成式 AI 的快速发展中，Sora 等视频和图像扩散模型（Diffusion Models）展示了很强的视觉生成能力。大规模 2D 数据让模型学到了丰富的视觉与语义先验，在单帧和局部视频生成上取得了显著进展。但当任务进一步要求多视角、...

告别模型拼贴套路，自回归与离散扩散的融合，正在开启 AI 的体验时代。 作者丨张璐 编辑丨岑峰 “理解”和“生成”真的无法在同一个模型底座中完美融合吗？不同于拼接独立模型的传统做法，NUS Show Lab 选择了一条更原生的架构路线：在单个 Transformer 中同时打通自回归预测与离散扩散生成。作为多模态领域的重磅成果，Show-o 系列不仅打破了模态壁垒，更将触角延伸至具身机器人决...

2D去噪范式在真实3D遮挡前失效，破局关键在于将物理机制转化为结构先验。 作者丨张璐 编辑丨岑峰 大模型在文本与 2D 图像上的狂飙，归功于互联网上近乎无穷的干净数据。但当 AI 试图跨越屏幕、理解真实的 3D 物理世界时，这套经验法则瞬间失效。真实扫描数据充斥着噪点与死角，物理遮挡造成的几何缺失既非随机发生，更无法用简单的去噪算法抹平。面对这一死结，多数团队选择用人工合成数据去“硬碰硬”，...

视觉、听觉、触觉三种数据，其实是同一组物理属性在不同感官通道上的投影。 作者丨陈淑瑜 编辑丨岑 峰 2026年9月8日，欧洲计算机视觉会议 ECCV 在瑞典马尔默召开。在 9 月 9 日的“ Embodied Multimodal Reasoning in Physical Environments（物理环境中的具身多模态推理）”专题分场上，斯坦福大学计算机科学助理教授吴佳俊发表了一场横跨视...

来源：机器之心 原文链接：https://mp.weixin.qq.com/s/u_TLN8q7bp-GJVcJVXYdPw 近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。 例如，机器人完成一句简单的指令： “穿过走廊，...

来源：AI驾驶员 原文链接：https://mp.weixin.qq.com/s/QWytAhu1mZTHoDICy-jC3A 大家有没有想过，为什么现在端到端自动驾驶还是不够“丝滑”？很多号称端到端的系统，本质上还是把感知和规划当成两个独立的任务：先用一个强大的感知网络看清周围，再把这个“快照”甩给规划模块去做决策。看似无缝衔接，实则暗藏巨大隐患——感知模块一旦看走眼，规划就得“将错就错”...