新闻中心

商汤董事长兼CEO徐立：人工智能的十年演进 | WAIC 2025主论坛

2025-07-27

从人工智能降生之初，，，，，一个焦点命题便贯串始终：智能究竟从那里来？？？？？？？？

人类的智能起源于对天下的一连自主探索，，，，，在与物理空间的交互中沉淀并进化；；；；；；机械智能的进化，，，，，依赖于人类积累的有限知识，，，，，仅靠这些，，，，，似乎难以真正触达并融入物理空间。。。。。。。

随着简单模态的进化触及界线，，，，，AI的演进路径是什么？？？？？？？？

商汤科技董事长兼CEO徐立，，，，，在2025天下人工智能大会主论坛上揭晓主旨演讲《人工智能的十年演进》，，，，，以下为演讲全文：

各人好，，，，，很兴奋有时机在这里分享一下我们关于人工智能演进的一些思索。。。。。。。

问题是《人工智能的十年演进》，，，，，缘故原由在于过往的十年，，，，，是人工智能认知转变最快的十年，，，，，而商汤科技也是建设十年，，，，，以是正好就谈谈这十年。。。。。。。

智能跃迁：从感知AI到天生式AI

谷歌搜索趋势清晰显示过往十来年人工智能热度有数次跃升，，，，，这标记着公共认知在这三个时间点爆发了显著转变。。。。。。。

最初是感知AI——2011到2012年深度学习在视觉领域兴起，，，，，随着 CNN、ResNet 等算法迭代配合推动了第一波认知升级和工业落地。。。。。。。 2017-2018 年，，，，，陪同Transformer 及自然语言模子的生长，，，，，进入了天生式AI的阶段，，，，，发动行业生长并逐步重塑公共认知至目今岑岭，，，，，从GPT到智能体、多模态大模子，，，，，以致到现在第三个热门岑岭旨在改变现实天下的具身AI与天下模子。。。。。。。

我们始终在思索一个焦点问题：在这几个阶段中，，，，，智能自己从何而来？？？？？？？？算法迭代与生产力爆发（包括GPU 生长）虽然主要，，，，，但尚有一个本诘责题在于：AI 和机械学习，，，，，事实学习的是什么？？？？？？？？

感知AI时代，，，，，受益于互联网上对现实天下的大宗“拷贝”——图片、视频等数据已普遍保存。。。。。。。因此，，，，，感知时代的智能主要来自人工标注：AI是通过学习人工标注获得能力。。。。。。。大宗标注数据被用于训练一个个笔直领域模子，，，，，例如我们其时推出的“商汤方舟”产品平台，，，，，便集成了一万多个感知模子，，，，，可以做许多差别笔直领域的识别使命。。。。。。。

感知模子的能力源于学习特定命目级的标注数据。。。。。。。以2012 年 Hinton 团队在 ImageNet 上的突破性效果为例（使用约 1400 万张图片），，，，，若换算成一小我私家标注，，，，，约莫需要 10 年。。。。。。。这看似数据重大，，，，，但仅凭单人 10 年的知识，，，，，模子的泛化能力仍受局限。。。。。。。因此，，，，，彼时 AI 的工具属性显着，，，，，局限于各笔直领域的感知使命，，，，，也就是在许多笔直的偏向上，，，，，我们需要做专属的模子。。。。。。。

那么，，，，，天生式（或更通用的）人工智能有何差别？？？？？？？？一个要害区别在于：现在说得更通用的 AI 根植于自然语言。。。。。。。�；；；；；チ谋咀匀辉毯�，，，，，无需后期标注加工。。。。。。。虽然图片、视频数目远超文本，，，，，但可以以为文本的知识密度更高。。。。。。。以GPT-3 处置惩罚 7500 亿 token 为例，，，，，若由一小我私家创作这些文本，，，，，需耗时约十万年。。。。。。�？？？？？？？？杉�，，，，，从 10 年到 10 万年，，，，，数据量相差万倍。。。。。。。正是自然语言的高知识密度，，，，，促成了模子的强盛泛化与通用能力，，，，，成为当今通用AI 生长的要害基石。。。。。。。

虽然，，，，，我们已意识到：此类数据或将被消耗殆尽。。。。。。。图片标注依赖人工；；；；；；而自然语言数据据展望，，，，，可能在2027-2028 年耗尽——事实上是其爆发速率远落伍于算力增添速率，，，，，造成模子数据需求的“倒挂”。。。。。。。能否从原始、无序的视频图像中挖掘更多知识？？？？？？？？有可能，，，，，但这仍需更多更深入的事情。。。。。。。

我们选择了一条自然路径：融合视觉感知与语言能力，，，，，构建原生多模态系统。。。。。。。详细而言，，，，，建设更自然的图文关联，，，，，形成更长的多模态头脑链。。。。。。。借助这种头脑链一连引发模子能力，，，，，智能是被引发出来的，，，，，难以在毫无基础的情形中凭空爆发。。。。。。。虽然现在模子亦有可举行递归自学习推进，，，，，但实质上，，，，，我们仍需构建一条系统化的基础模子进化路径。。。。。。。

当我们加入大宗图文数据甚至高阶多模态头脑链时，，，，，视察到一个有趣征象，，，，，统一模子在音频交互、多模态推理能力俱佳的同时，，，，，其文本推理能力也大幅提升。。。。。。。这正得益于引入富足而富厚的多模态头脑链。。。。。。。该征象批注：保存能将互联网多模态数据中的知识提炼出来，，，，，融入文本模子，，，，，从而提升文本模子对特定使命，，，，，好比空间和物理天下的明确力；；；；；；这样的模子亦能更精准地控制天生，，，，，甚至指导图像与视频的天生。。。。。。。

破局之道：攻克自动交互数据稀缺难题

然而，，，，，人类终将面临一个根天性问题：当书籍与互联网知识穷尽时，，，，，下一代的智能将从那里获�。。。。。。�？？？？？？？？第一阶段靠标注，，，，，第二阶段靠语言，，，，，接下来呢？？？？？？？？

让我们审阅人类的学习方法：人类自降生起，，，，，便通过与现实天下的一直互动探索获得智能，，，，，而非始于语言或监视的认知学习。。。。。。。这种与天下的交互是智能增添的主要源泉。。。。。。。这自然启示我们：与现实天下互动爆发的大宗数据可以带来智能。。。。。。。

为何要大宗的数据？？？？？？？？由于探索需要笼罩多样化的物理空间。。。。。。。目今机械人及具身智能的潜在瓶颈，，，，，正在于对此类高质量数据收罗的重大需求。。。。。。。

有个有趣的事情，，，，，1963 年的“自动猫与被动猫”实验——两只猫通过转轴相连，，，，，一只可自由运动、可以与现实天下互动，，，，，另一只不可动，，，，，仅被动视察相同视觉画面，，，，，也就说同样的视觉输入，，，，，那只会互动的猫显然生长的速率会很是的快。。。。。。。这也是具身理念的泉源，，，，，强调与现实天下的探索与交互至关主要。。。。。。。

但还碰面临问题，，，，，机械实体真实地与重大重大的现实天下互动，，，，，探索空间极其辽阔，，，，，具身亦接纳模拟平台，，，，，但也一定面临“模拟到现实（Sim-to-Real）”的差别。。。。。。。那有没有可能通过所谓的关于现实天下的明确来做明确天生统一的天下模子。。。。。。。是会有，，，，，但也碰面临挑战。。。。。。。

例如，，，，，使用模子天生数据（现在主要用于自动驾驶领域）效果显著。。。。。。。但它可能违反物理纪律，，，，，例如泛起车辆“幽灵穿越”十字路口或难以控制的随机事故。。。。。。。别的，，，，，即便最优的视频天生模子，，，，，其响应速率也通常较慢。。。。。。。若需实时交互，，，，，往往需要期待良久才有天生效果，，，，，甚至可能“抽卡”（意指随机采样）——天生内容无法预知。。。。。。。

“抽卡”视频1：十字路口，，，，，灵魂穿车

“抽卡”视频2：白车从黑车上面“开已往”了

“抽卡”视频3：loading了良久才天生的视频，，，，，却是体重差重大的大象与小松鼠在“玩”跷跷板

天下模子，，，，，推动AI迈入真正与物理天下交互时代

那接下来怎么办？？？？？？？？需要强盛的现实天下明确模子+ 深度 3D 明确模子来协同提升该能力。。。。。。。

那么，，，，，我们推出自己的“开悟”天下模子，，，，，由日日新V6.5赋能。。。。。。。“开悟”天下模子也是视频天生模子，，，，，但它思量了时间、空间的一致性。。。。。。。

我们举个简朴的例子。。。。。。。自动驾驶需收罗大宗重大视角（如七路摄像头typo数据）。。。。。。。而我们模子能仅凭自然语言形貌，，，，，即可天生右侧逼真的七路摄像头视角模拟数据。。。。。。。

「开悟」天下模子天生的多视角视频

我们看下细节，，，，，首先，，，，，车辆运动时，，，，，其在各镜头中的位置转变精准同步，，，，，时间一致性也可以获得包管：车辆无论远近，，，，，各摄像头捕获到的差别时刻影像中细节（如车牌）均坚持一致。。。。。。。倘若视频引擎关于物理天下的纪律没有足够明确，，，，，偏向盘转动可能导致视野突变（例如路旁树木位置庞杂），，，，，就无法包管时空可控性。。。。。。。

我们来看天生自动驾驶里的一个“长尾场景”——汽车加塞儿（Cut-in），，，，，在驾驶里普遍，，，，，关于人类驾驶来讲也是个难题，，，，，新手畏难，，，，，内行则冒危害。。。。。。。自动驾驶系统必需学习应对：太守旧则影响通行效率，，，，，太激进易引发碰撞。。。。。。。以两辆自动驾驶车辆为例，，，，，两车试图加塞却相互牵制，，，，，陷入博弈循环。。。。。。。而真实路况中大宗收罗此类高危险性加塞数据极为难题且占比低。。。。。。。

自动驾驶“加塞儿”现场

“开悟”天下模子能天生七路摄像头视角的加塞视频吗？？？？？？？？虽然可以。。。。。。。

「开悟」天下模子天生的多视角视频

如图中形貌大型车辆的加塞偏向、时间、角度，，，，，模子天生的视频确保了时空一致性，，，，，尤其难堪的是能稳固天生大宗、多样化且可控的场景——可调理光照（白天、黑夜）、天气（晴、阴、雨）、蹊径结构（直道、弯道、甚至 F1 赛道）、车流密度、车速以及车型（小到大）等变量。。。。。。。

这意味着，，，，，基于可控天生的视频，，，，，我们开启了AI通过模拟举行真实天下探索的可能性。。。。。。。早期做自动驾驶时，，，，，我们曾开发模拟器（类似机械人强化学习平台）用于模拟演练后投入现实，，，，，但保存 Sim-to-Real Gap。。。。。。。

商汤绝影的辅助驾驶3D模拟器

现在，，，，，随着基模子能力增强、对天下明确加深，，，，，明确与天生的统一开创了新的交互可能性。。。。。。。

这是个特殊的例子，，，，，输入为偏向盘、刹车和油门来控制这个视频的天生，，，，，却驱动天生逼真的七摄像头视角驾驶模拟。。。。。。。

用户似乎在真实的街道场景中玩“极品飞车”——手握偏向盘控制偏向，，，，，情形光照与车辆条件多变，，，，，每个摄像头有差别的视角，，，，，各视角图像一致统一。。。。。。。这一功效将为众多行业赋能，，，，，对真实天下的探索有更大的可能性。。。。。。。能否用部分数据天生更大都据，，，，，甚至实现一定水平的AI Self Learning，，，，，是极其值得探索的课题。。。。。。。

“举一反千”，，，，，今天我们正式推出开悟天下模子产品平台。。。。。。。现在，，，，，任何人都可以通过自然语言形貌场景，，，，，天生切合3D 物理规则的、特定视角的视频片断。。。。。。。我们要求的不是视频的质量抵达影戏级别，，，，，而是它切合物理的规则、物理的定律，，，，，并且能够真正意义切进用户的使用场景，，，，，让你在真实的天下中开上极品飞车。。。。。。。而这部分能力，，，，，完全可以扩展到机械人的学习和应用中，，，，，很是值得期待。。。。。。。

我们也期待和各人一起履历AI生长的三个转变，，，，，感知天下，，，，，进而更好地明确天下天生天下，，，，，最后与现实的硬件交互来改变哈哈(haha)体育天下。。。。。。。

谢谢！

您尚未完善信息

完善信息后，，，，，即可下载资料

完善信息跳过，，，，，继续浏览

您尚未登录

您还未登录，，，，，登录方可继续

登录跳过，，，，，继续浏览

请选择您以为需要刷新的地方：

导航欠好用，，，，，不利便找到感兴趣的内容
产品先容信息不敷周全
产品先容信息禁止易懂
页面翻开速率烦懑，，，，，页面浏览不流通/有卡顿
页面不敷雅观
售后效劳欠好找，，，，，体验欠好

跳过下一个

您是否能够抵达本次网站的会见目的？？？？？？？？

是
否
仍在举行中

下一个

您对商汤官网的知足度怎样？？？？？？？？

很是不知足很是知足

提交

已收到您对商汤官网的评价和建议！

谢谢您的耐心反响~

关闭

产品试用

填写此简朴表格，，，，，我们将尽快联系您！

把您的需求发给我们相识所有产品

商务相助

400 900 5986

周一至周五 9:00-12:00，，，，，13:00-18:00

business@sensetime.com

相助同伴招募

成为相助同伴