斯坦福吴佳俊ECCV 演讲：机器需要怎样的「世界表示」，才能真正开始行动？| ECCV 2026
发布时间：2026-09-16来源：图灵人工智能
单击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
转自AI科技评论，仅用于学术分享，如有侵权留言删除
9月9日的瑞典马尔默，Malmömässan会展中心，斯坦福大学计算机科学助理教授吴佳俊（Jiajun Wu）大概是整个ECCV 2026会场里最忙碌的学者之一。一天之内，他需要在 3 到 4 个不同的 Workshop 之间来回“赶场”发表演讲。而当他终于站上今天这场主题 Workshop 的讲台时，他抛出的却是一个远比“识别像素”更宏大、也更直击具身智能痛点的话题：当机器人踏入一个充满未知与突发状况的物理世界，它究竟该如何见招拆招地“行动”？人看到一个厨房，很少会从头计算眼前的一切。我们知道盘子可以被拿起来，洗洁精意味着接下来可能要清洗，压在盘子下面的垃圾意味着桌面需要先被清理。即使人临时改变了动作，或者换了一件从未见过的物体，我们仍然可以凭借对世界的某种理解，补出接下来应该发生什么。它面对的不是一连串已经写好的动作，而是一个不断变化、充满例外的世界：物体会变，人会改变行为，任务会被打断，训练时没见过的东西随时可能出现在眼前。真正困难的，也因此不只是让机器人“做对一个动作”，而是让它知道一个动作为什么成立，又该如何把一个个局部的技能重新拼成一件完整的事情。二十天前，在德国北部的不来梅，吴佳俊刚刚获得IJCAI ECAI 2026“计算机与思想奖”。那场题为《Building Visual and Physical Intelligence Through Code》的获奖演讲，讨论的是机器如何从像素构成的世界里，进一步理解藏在背后的几何、材质、可供性与物理属性。他把这些更深一层的结构称为“物理代码”。到了马尔默，问题没有换掉，只是向前走了一步。如果机器已经获得了某种关于世界的表示，它又该如何利用这些表示去行动？这两个问题之间，恰好隔着今天具身智能最棘手的一段距离：从“知道世界是什么”，到“知道在这个世界里应该做什么”。而吴佳俊这次给出的答案，并不是再造一个无所不知的模型。他谈的是如何把复杂的操作拆成可以验证、组合和重新排列的原子技能；如何在没有人演示的情况下，从一个陌生物体本身推断它可能被怎样操作；也谈如何从视频生成模型中“借”来那些模型已经见过的世界，让机器人获得原本需要真人遥操作、拍摄视频才能得到的经验。这里有一个颇有意味的转折。二十天前，他还在用一个坐垫和一只猫说明视频生成模型的局限：猫甚至还没有落下来，坐垫却已经开始变形。画面看起来合理，物理却是错的。但到了机器人这里，“不完全正确”并不意味着“没有价值”。一个视频模型也许不真正理解重力，却可能知道一只猫通常怎样跳上一张坐垫；它未必能够精确模拟一块布的物理属性，却可能提供大量关于“这块布可以怎样被拉动”的线索。对于机器人来说，这些并不完美的知识，依然可以成为一种“现成的演示”（free demonstrations）。于是，同一项技术在两场演讲里被放在了两个不同的位置：在理解世界时，它暴露出与真实物理之间的距离；在教机器人行动时，它又成为一种可以借用的经验。他在不断追问：一种表示究竟能够告诉机器什么，又有哪些事情必须交给另一种表示去完成。从二维图像，到三维空间，再到随时间变化的四维世界；从已经存在的人类演示，到没有演示时对物体运动方式的推断，再到从生成模型中蒸馏出来的交互轨迹——这些看起来不同的工作，最终都指向同一个问题：机器怎样获得一种足够结构化的世界表示，并把“理解”真正变成“行动”。以下是吴佳俊在ECCV 2026 Physical AI: Understanding and Building the Physical World Workshop上的演讲精编稿。AI科技评论基于现场英文演讲进行编辑，在不改变原意的基础上，对口语表达和技术术语进行了重新梳理。▎Beautiful Equations for Visual Representation
我先分享一件有点幸运的小插曲。来之前，主办方特意叮嘱，最好能根据 workshop 的主题微调一下PPT。我当时心想，时间这么紧哪来得及？结果我打开网站一看，这个 workshop 的主题是结构化的视觉表示（structured visual representation）。巧了，我这套幻灯片的原标题就叫 Beautiful Equations for Visual Representation（视觉表示的优美方程）——好，这下我一个字都不用改了。 当然，我们不仅要讨论如何发展出这些视觉表示（或许可以用时空结构）；更要解决怎么把这些结构，特别是如今日益强大的生成式AI，真正接入物理世界。 毕竟，我们造机器人，是希望它们能在复杂、多变、充满不确定性的现实中干活，甚至和人协作。 如今，我们早就过了讨论“要不要用基础模型”的阶段，真正的痛点是“怎么用好”。如何构建在它们之上，如何让它们适配你真正关心的那些领域。 尤其是当你进入很多私有场景的时候，你的数据可能非常少。你怎么让你的系统快速泛化和适应新环境？这些环境里有大量私有信息，但它们未必能拿来训练基础模型。举个我们实验室里的例子。设想一下：一个机器人正准备和人一起清洗盘子，学生刚挤好洗洁精，突然接个电话人走了。 这时候你问机器人：“这有几个陶瓷餐具？”现在的视觉大模型一秒就能答出“四个”。你接着问：“能帮我把它洗了吗？”机器人不仅得精准领会“它”就是那个涂了洗洁精的盘子，还得自己规划一套行动流：拿起盘子、冲洗干净、放上沥水架，最后把水龙头关掉。单做这一套动作或许不难，真正困难的地方在于：机器人必须跨越不同类型的物体、不同类型的环境、不同类型的目标去泛化。 即便是在这个同一个熟悉的厨房里，它还得学会随机应变，去适应不同人类千奇百怪的行为习惯。接着刚才洗盘子的例子，刚才接电话的同学回来了，把干净的盘子又放回了桌上。虽然我也不理解他图啥，但机器人必须意识到：好，现在我不用再洗一遍了，因为它已经是干净的了。我直接把它放上架子就行。 又或者初始状态变了，洗洁精根本还没挤到盘子上。机器人应该意识到：我得先挤洗洁精。 你必须让操作具有适应性，随时更新。 比如这个很简单的任务：拿起桌上干净的盘子，放上架子，完事。但它拿起盘子发现，等等，盘子下面还压着一些垃圾。 机器人必须能够重写行动流：先去找抹布把桌子擦干净，而且理想情况下，擦完之后，它应该还能把抹布放回到桌上。 光是在一个熟悉的厨房处理熟悉的物体，就需要如此庞大而且灵活的泛化能力。如果你把它扔到一个全新的国家、全新的厨房，面对你从未见过的物体呢？这才是真正困难的地方。 02
把长任务拆开：状态、动作，
与一套能被验证的技能
所以，我们一直在探索另一种范式。这个范式放到今天，其实比两年前容易理解得多。 我们尝试发展出某种用于推理的组合式抽象（compositional abstractions for inference）。 它的结构是这样的：你有原始观测，可以是图像、视频和语言；你有基础模型，帮你完成感知和语言理解；然后你得到一组组合式抽象——它本质上是一组原子技能（atomic skills），这些技能之后可以被组合起来，用于规划，并输出动作。 而你要做的，是去发现并学习这些抽象。一切都应该是端到端学习的，从原始监督中学习——所谓原始监督，就是自然语言、图像和视频。 那具体怎么做呢？ 假设你有一段视频演示。比如你有一个遥操作的机器人，由人来操作，它采集了一段很长的演示。你可以用一个描述生成模型（caption model）给这段视频打上字幕。这样我们就有了视频，也有了字幕。 那么学习算法想要发现的东西，就是我们所说的组合式抽象。它由几样东西组成。 第一，是一组状态（states）。这些状态可以是二元的，系统需要去验证它们。比如：这个物体是不是脏的？物体 A 是不是在物体 B 的上面？当然，这些验证是由神经网络来完成的。 第二，是一组动作（actions）。这些就是原子技能。举个例子，你有一个“洗”（wash）的技能。你会发现：要洗一个东西，你必须先把它拿住（hold）。当然，水龙头还得是开着的。在这之后，如果上面有洗洁精，那么这个物体就会变干净。 第三，是这些状态与动作之间的关系。在某种意义上，是这套符号化的类型（symbolic types）定义了组合性（compositionality），而由网络来处理感知与控制。 而拥有这种表示的意义在于它允许你推演：如果前置条件已经满足，那么执行这个动作会发生什么？后置效果是什么？这就让你能够思考：接下来我真正被允许做什么。 顺带说一句，这里还有一个额外的问题：如果所有这些东西都是手工编码（hand-coded）的，那它就退化成了传统的规划系统，而那是无法泛化的。 所以问题就变成：你怎么知道“拿住”是“洗”的前置条件？答案是：这些东西同样是由神经网络发现的。 今天的基础模型可以为你生成一些假设：有哪些类型的属性？它们如何构成各个技能的前置条件和后置条件？整个集合本身是由网络生成的，它们由网络来验证，控制策略也是由网络给出的。 同时，你还可以做验证。你有一个验证器（verifier）在问：网络说“洗”这个动作需要先拿住物体，这个结论与演示本身一致吗？这件事同样可以交给网络来做。我记得这项工作大概是在一年半前做的。那时候我讲起它，人们都非常困惑：你到底在说什么？ 但大概从半年前开始，它突然变得好理解多了。 因为我们在数字空间里，终于有了一个完美的类比——Claude Code。 如果我让 Claude Code 去做一件非常复杂的事，它会怎么做？它会说：我得先想出五个不同的步骤。先做这个，再做那个；在能够添加某个东西之前，我得先生成这个文件。而到最后，它还有一个验证器——它必须检查用户提出的需求是否全部被满足。 在某种意义上，你可以把我们做的事理解为：在物理世界里做同样的事。你把所有的技能都发现出来，你验证“拥有这些技能”到底意味着什么，你考虑这些技能如何被串联起来，以完成长程的操作任务；你验证技能的条件，验证后置条件是否与用户提供的演示相一致。 在此基础上，你甚至可以直接用现成的系统把这件事搭出来。比如，你可以用一个视觉语言模型（VLM）来提出抽象；判断一个物体脏不脏，你可以用一个现成的感知模型；如果你有分割结果，你可以把它送给 Gemini 或者其他模型去问。 但如果需要的话，因为机器人领域确实存在“从未见过”的场景。你可能会在生产流水线上遇到一个随机的零件，它是某台机器的一个组件，这个物体你从来没见过。这时候你会问：它是否满足某种条件？而神经网络对此毫无概念，因为这可能真的是一个全新的物体，也许你刚刚才把它打印出来。 如果需要，我们也做了一个可以对系统进行微调（fine-tune）的方案。这些网络的作用是：假设你面对一个新物体，问它“这个物体上面有没有洗洁精”，在通用的现成系统可能无法直接回答的情况下，我们的系统可以给出答案。如果需要，我们还做了一个可以微调的版本。 当然，这时候你使用的网络会大得多，而且受算力约束。 但关键的一点是：一旦你有了这些“表格”，它们就允许你给出监督信号，用来训练一个系统。于是系统能够学会更好地识别。即便只有极其有限的演示，某个物体是否满足当前技能的某条条件。如果需要进行这种后训练（post-training），这个机制就可以提供支持。 所以，它让你能够泛化到新的物体、新的本体（embodiments），以及不同的目标。 这就是这个工作的第一个版本。不过，第一个版本有一个局限。 这个局限在于：当我说“它是不是脏的”的时候，所有的验证都是在 2D 里完成的。你分割出一块图像区域，然后要么用你自己的网络去判断，要么直接把它发给 Gemini，问它“这脏不脏”。 在 2D 里，有很多事你能做，但也有很多事你做不了——尤其是对于复杂的操作问题，当你必须去推理物体的空间结构时。 比如：物体 A 是不是在物体 B 上面？这种情况，你真的必须去发现三维场景才行。 所以在后来的扩展系统里，我们让它去发现时空目标，以及其他一切。整个范式和之前非常相似。 但现在，我们输入的是随时间变化的三维点云——有时候你也可以把它叫做点云轨迹（point cloud trajectories）。 有了它，你就可以完成所有这些验证：检测物体、验证它们的状态、验证它们之间的关系。 同时，你还能泛化到更长的任务周期（longer horizons），因为你学到了“抓取”和“放置”这样的原子技能。 举个例子：假设在训练时，我们只演示了几个例子，展示你如何抓取和放置一本书。但在测试时，你有两本书。现在你必须处理一个更长的任务周期问题：你要把两本书都放到架子上。 你可以看到，系统能够思考这些技能如何被组合，从而适应并完成比训练时更长的任务。 类似的例子还有很多。你可以演示抓取一个杯子、把杯子挂起来，然后重复这个任务，系统就能泛化去挂更多的杯子。 再回到厨房的场景。同样地，你有几个原子技能：打开水龙头、抓起盘子、清洗盘子。然后你可以泛化到一个更长的任务——清洗并把两个盘子都收好。 系统必须学会并意识到：这些原子任务，例如拿起、放置、清洗盘子等，是如何被组合起来的，而且是可以被重复的。于是你就能处理额外的任务。 到目前为止，我们一直假设我们有一段视频演示。有人给机器人做演示，人类去遥操作，然后你试图预测：什么是正确的做法？如果这里有个水龙头，你可以打开它，也可以关上它，那么在这个情境下，正确的动作是什么？ 我们能不能做出一个系统：即便给你一个全新的、从未见过的物体，它依然能够推理出与这个物体交互的正确方式？ 当你在这里看到某些物体——比如一个水龙头、一个牛顿摆。你就会明白，只有特定的几种方式可以和它们交互。 即便从来没有人类演示过“如何关上这个水龙头”，你其实也拥有大量关于“与水龙头交互的正确方式”的先验知识。 这就是我们这篇论文的目标。我们把它叫做 Neural Kinematics（神经运动学），今年发表在 ECCV 上。 这里的核心想法是：即便你没有关于“如何与这个物体交互”的演示，你对这个物体可能形变空间的内在维度，依然拥有某种先验知识。 你可以想象成一个人。你能做这个动作，能做那个动作，但你并不是真的什么都能做——你受到自己身体的约束。我们要捕捉的，正是单个物体所固有的那种运动学空间（kinematic space）。这样一来，从这个空间里采样，你就能看到这个物体处于不同状态时的样子。 我们做这件事的方法其实非常简单。我们有一个编码器—解码器（encoder-decoder）训练框架。你有一个作为条件的静态网格（mesh），还有一个作为真值的形变场（deformation field）。 在训练时，你实际上训练了两个网络。第一个是一个条件变分自编码器（conditional VAE）。它输入一组网格作为条件，尝试把这个形变场编码进一个隐分布，你可以从中采样，得到一个隐向量。 第二个是一个编码器，它只接收网格作为输入，把它编码进一个隐分布，你也可以从中采样得到一个隐向量，然后从它解码出形变场——这个解码结果应该能够重建出那个形变。 训练时你有两个损失函数。一个是重建损失（reconstruction loss）：我希望重建出来的结果，与一个可能的演示重建——也许来自仿真——相对齐。第二个是 KL 散度：你希望最小化这两个网络输出分布之间的距离。 而在测试时，你只会看到其中一个，不是那个标准样本，你只会用到上面这一半。你把一个网格编码进一个数据分布，从中采样，就得到一个可能的形变。 概念上非常简单。 后来我们还做了扩展系统，让它变得完全可控——你可以真的把动作作为输入传进去，有几种不同的做法。 我认为这里真正的目标是：尝试捕捉这些物体的一种内在属性，也就是“这个物体可以被怎样移动”。 那么，如何把学到的、物体内在的维度与自由度，与一种恰当的动作表示有效地结合起来，从而让它变成一个真正的神经模拟器（neural simulator），这是一个非常有意思的问题。我们一直在做各种扩展。 但在这第一次尝试中，我们只是试图发现几个隐维度，让我们能够预测和推理与物体交互的方式。至少在这第一次尝试里，我认为系统表现得相当不错。 你可以用同一个模型走进一个房间，去预测我与这些不同物体交互的所有可能方式，从一个台灯，到一台笔记本电脑，到一把转椅，到一个柜子。这里是另一个场景：我走进一间浴室。同样，你并没有见过这个水龙头，但你能推理出与它互动的方式；窗帘、洗碗机、马桶，也一样。 不过有人可能会说：如果在训练时你见过所有这些完美的网格，测试时也是完美的网格，即便它们是不同的物体、不同的实例，那可能也没那么令人惊讶。 那我们把它放到真实世界里试试呢？ 于是就有了这个我觉得很有意思的结果：我们的一位作者，用他的 iPhone 对房间做了一次三维扫描。你知道，你可以用 iPhone 做三维扫描，但它并不怎么准确。 但结果是：即便面对这样一个重建得不完美的场景，你可以看到这里全是伪影，这是 iPhone 扫描造成的——当你把它送进我们的系统，你会看到，在某种意义上，我们的系统实现了零样本泛化，去预测与这些物体交互的可能方式，比如那个水龙头。 尽管输入是这么一团一团（blobby）的东西，它依然能够推理。而这，某种意义上就给了你一种“现成的演示”（free demonstrations）。 你没有见过这些物体，但你其实可以预测出：与这些物体之间可能发生哪些交互。而这些，可以自然地与我们前面讲的一切结合起来，帮你发现技能，帮你推理这些原子技能如何被串联起来，以完成长程的操作任务。 这里还有一个办公室的例子。用三维扫描得到的笔记本电脑和显示器的网格有大量伪影，但系统依然能够泛化，去预测与它们交互的可能方式。 前面我们用的是编码器—解码器框架，去发现单个物体内在的自由度。这里我们想问的是：能不能更多地去借助这些基础模型——视频扩散模型（video diffusion models），以及视频语言模型？ 使用这些模型的一个好处是：它允许你用语言进行大量的引导（steering）。因为这些模型是在海量数据上训练的。这里有个例子。你有一个静态的 3D 场景，然后有一个文本提示。比如这个提示是：一个孩子跳上跷跷板。而我们想要的输出，是一个遵循这段文本描述的、动态的三维场景。 这条管线和前面的方法不同。前面我们用编码—解码框架去发现物体内在的自由度；这里我们试图借助这些未来的基础模型的力量，特别是视频扩散模型。 道理很简单：如果它们能够生成人类做各种事情的漂亮视频，那么它们一定已经捕捉到了关于“这些物体应该被如何移动”的某些知识。我们能不能把这些知识发现出来、蒸馏出来？ 如果我们可以从这些模型里把它蒸馏出来，我们就能得到物体在三维中相互作用的序列。然后它本质上就变成了一个四维序列——三维中的物体在彼此交互。 具体做法是：假设我们有一组静态网格作为输入。你可以把它们转换成某种高斯表示（3D Gaussian Splatting），然后给它加上一个额外的时间维度，于是你就有了一个四维表示。 在最开始，它是静态的，你从高斯出发，加了个时间维度，但它随时间变化仍是静止的场景。而你的目标是：一旦有了这个四维表示，你当然可以把它渲染成视频。 你可以从多个视角渲染，得到多视角的静态视频。但它们看起来不会很真实。于是你会想：如果我有一个视频扩散模型，它本质上捕捉了“在给定语言提示下，某个视频出现的似然（likelihood）”，那我们能不能利用这些视频模型，把知识从视频模型里蒸馏出来，从而优化我们的表示、提升这些渲染视频的似然？ 如果你在三维这个较低的维度上做这件事，你有一个静态场景，渲染成图像，送给图像扩散模型去计算似然，再用它来改进底层的三维表示——这个技术叫做分数蒸馏采样（Score Distillation Sampling，SDS）。 而这里我们做的，本质上是 SDS 的一个广义版本，并且是在三维、乃至四维上做。我们希望：用渲染出来的视频，用视频模型去计算一个分数，这个分数让我们可以进一步计算梯度，去优化底层的四维表示。 但如果你熟悉这一套，你就知道让它真正跑通是非常困难的。而在四维上让它跑通当然更难，因为你现在是在一个更高维的空间里做优化。 所以在实践中，我们不得不做出不少改动。比如为不同部分设计专门的数据结构和表示方式，也可能需要在空间和时间两个维度上都使用层次化的结构。 好，来看一个例子。这里我们有一个静态场景，由一组网格构成。我同样没有任何关于“机器人应该如何与这些物体交互”的演示。我只给了这个静态场景，外加一句语言提示：一个机器人手臂抓起一块砖。 你可以看到，系统正在为每个单独的物体生成交互状态序列，包括像机器人手臂这样的关节物体。你可以看到机器人手臂可能会如何与这块砖交互。 在某种意义上，我等于给了你免费的演示，机器人可以拿去学习真正的运动技能，学会如何把物体抓起来。这里是另一个例子：输入的是一个篮球和一个篮板的网格，提示是“篮球砸到篮筐并弹开”。你可以看到生成的交互序列相当真实。 你也可以回到动物身上。输入一只猫和一个坐垫，文本提示是“一只猫跳上坐垫”。同样，生成的序列相当真实。就像我说的，这给了你关于交互序列的“免费演示”，所以你再也不必去遥操作机器人了。你甚至不需要采集视频，因为一切都是生成的。 所以你得到了“免费的”东西。来看这个例子：我有一块布，我说“生成一段人与这块布交互的序列”。你可以看到，在左边，因为所有东西都被蒸馏到了四维，你实际上得到了密集的点追踪轨迹（point trajectories）——你想要多密集就可以有多密集，因为一切都是生成的。这在某种意义上就给了你免费的监督信号。机器人可以学着去完成这个任务，让物体以类似的方式运动。而在右边，你会看到一个真实的机器人正在学习执行完全相同的任务——并且没有任何演示。 不过我想说明的是，这里的物体是我们熟悉的。所以也许现有的模型在某个阶段之后也能做到这一点。 我认为我们其实应该——我们还没做，但我们应该尝试用一组全新的物体来做这件事。要真正超越 π0.5 这类模型的能力范围，去展示：对于任何新物体，以及与之交互的新方式，这个框架都能给出新的交互方式。这会很有意思，但我们还没做。 好，这个 workshop 的主题是我们提出了各种各样的结构化表示，用于机器人操作。但我们不能不去评估它们。 所以，稍微相关地，我们提出了几个不同的基准（benchmark），帮助我们从不同角度做评估。我打算每个大概讲一到两张幻灯片，给一个快速的概览——评估的对象既包括我们自己的系统，也包括其他人开发的系统，以及这些基础模型本身。 第一类评估，是我们做过的一个关于“推理的分解”（factorization of reasoning）的工作。 你现在有了所有这些具身推理（embodied reasoning）系统，但推理本身是个黑箱。那么：我们如何把推理拆开来，评估它们在多大程度上做出了有效的预测、在多大程度上正确地推理了动作？ 众所周知，在传统的机器人规划里，人们总是把问题设置成一个 POMDP（部分可观测马尔可夫决策过程）。你有一组状态，你对状态的观测随着你看到更多东西而更新，你还要构建某种表示。 受这个框架启发，你总可以说：这里有一个状态空间，一个观测空间，一个动作空间。但这个基准想做的事情是，你可以把所有的基础模型，或者任何你有的模型放进来，然后评估：这些模型在多大程度上正确预测了状态的变化？在多大程度上正确预测了动作？ 这里有个难点：动作空间非常大。所以很难说：如果模型输出了某些动作，它未必与真值动作相同，但它可能依然有效。那你如何评判它对不对？ 所以，这个基准的设置方式不是直接让模型产生动作，而是给你一组动作，要求你重新排序，让它们与你观测到的状态变化相对齐。 你会看到初始时刻的状态，以及它们随时间如何变化、如何演化。然后给你若干个动作，你要回答：哪个动作先执行？之后执行哪个动作？从而实现所有这些状态变化。 这就是这个基准的设置方式。它叫 Inact，今年发表在 CoRL 上。 但它仍然是被动的——你只是在预测动作而已。 所以我们在做的另一个基准，叫做“具身空间智能基准”（Embodied Spatial Intelligence Benchmark）。在这个基准里，你的智能体（agent）是真的可以移动的。 你可以说“我要向前走”，然后它就真的向前走了。所以不再是“给你一组动作，你重新排序”，而是允许你向前走。然后你必须回答并预测一系列问题，而有时候你必须先移动，才能正确回答。 比如，在物体被遮挡之后，你被问到一个问题——“某个东西的几何形状是什么？”。你就必须绕过去看才行，这个基准的设置方式是：有一批任务，多数以问答的形式呈现，但你被允许移动着去回答这些问题。这些问题分为十个类别，基本上归为四组：关于三维表示的推理、关于数量的推理、关于布局的推理，以及关于目标导向动作的推理。其中还包含大约 29 个子类别。 最后，我们还在建一个规模非常大的东西。我从 2020 年就开始做它了，到现在已经六年。这是一个真正庞大的工程——为交互式环境中的家庭日常活动（household activities）建立基准。 你可以看到它非常复杂：你有一个仿真环境里的真实机器人，你必须处理所有这些不同的活动——打扫房间、清理浴室、整理餐桌，什么都有。你可以做一切事情：可以向前走，可以行动，但你必须完成这些长程活动。 而这些活动的选择，并不是研究者拍脑袋想出来的——不是“哦，我想让机器人去拖个地”之类的。 它们是通过一项调查选出来的。研究者先去查美国劳工部的网站，看美国人每天在家里都在做什么，由此列出一张“最常做的活动”清单。然后他们做了一项调查：如果机器人帮你做这件事，你能在多大程度上受益？ 人们给这些活动打了分，于是就有了一个排序。 排在第一位的，是“聚会之后打扫房间”。第二位是“清理淋浴间”。而排在四百名左右的，是“摆好餐桌”——因为有些人喜欢做饭，他们并不想让机器人替他们摆桌子。“一起做饭”也是类似的情况。 我们和一大群人一起建成了这个基准。参与的 PI 有五六位，学生有二十来位，前后历时五六年，因为要仿真一千项家庭活动，这个基准建起来实在太难了。而且还要把它设置成一个挑战赛。 我们最终把它做成了一个挑战赛，并且必须定义清楚指标：一顿晚餐的初始条件是什么？机器人成功做好这顿晚餐意味着什么？哪些资产（assets）支撑这个基准？大量的精力都花在了这些地方。 终于，我们做成了。在五年的开发之后，第一届挑战赛于去年举办，我们从中挑选了 50 项活动，因为尽管一千个场景最终都可用了，它们还是太难了，我们希望采集一些演示。 于是我们对这 50 项任务采集了大量的人类演示，总计 3000 小时，还有若干基线方案。我们有二十来支参赛队伍参加。 我觉得这相当令人兴奋。今年我们还会再办一届。欢迎大家提交作品。我们还增加了额外的内容，也有更多演示。基本上，我们花了相当可观的一笔钱，考虑到这是一个学术机构，这笔投入是很大的，来为这些活动采集更多演示。 好，我们来回顾一下。 我们讨论了：如何为机器人操作发现结构化的表示；如何泛化到那些我们甚至可能没有演示的场景。方式各有不同，有的借助合成数据，有的借助预训练的基础模型和视频模型；以及我们尝试用来评估它们的各种基准。回到这个 workshop 的主题，我们一直在思考的是：如何从三维、四维数据以及语言数据中，发现和发展出这些模型。 而在这里，还有一件我们探索得不算多的事情：这些智能体系统（agent systems）本身。 在智能体（agents）还不流行的时候，大概两年前，我们做过一些尝试。而现在，当大模型变得越来越强，我认为这里存在大量机会。 因为追踪大规模机器人数据这件事，一直都非常困难。从遥操作，到第一人称视角（egocentric）数据，到各种形式，数据的采集始终是个难题。 所以情况可能是这样的：这些强大的模型本身，或许已经包含了非常丰富的信息…… ▎Q1：既然基础模型已经学会了生成某种“从隐式表示到隐式表示”的东西，那我们能不能直接用这种隐式表示来训练机器人，而忽略那些显式的部分？
我想我大概明白你的意思，但我不太确定你的问题具体指什么。你能举个例子吗？比如，你说的隐式表示是指什么？ （提问者补充：比如 Dreamer 这类工作。Google 有 Dreamer 3 之类的工作，它们是隐式的表示模型，但带有动作组件，不像 JEPA，JEPA 没有动作组件。它们有一些关于如何用在机器人上的简单演示。你是这个意思吗？我理解对了吗？） （提问者：是的。我的意思是，我们能不能干脆忽略那些显式的东西？比如对于基础模型生成的视频，另一种做法是：我们直接从基础模型里学习，就像 Dreamer 那样——但我们不把它“画”出来，不让机器人从基础模型生成的视频里学。） A：好，这确实是个不错的问题。 我想先澄清几件事。 第一，当我说“从视频扩散模型里偷知识”的时候，我们实际上并没有真的生成视频。你有一个视频扩散模型，它只被用来计算分数（score）。没有任何视频被生成出来。你可以把它理解成：它被当作一个先验（prior）来指导你——就像 SDS 一样，没有图像被生成，你只是计算出分数，用来更新你的表示。 但如果你是在说，我们必须依赖一个预训练的视频扩散模型，这件事本身就已经“太显式”了。那么像 Dreamer 这类方法确实不同：你不需要训练一个视频模型作为先验，一切都是在隐空间里学习，规划也更多是在隐空间里进行。你不会产生显式的谓词（predicates），你有的只是隐空间中被预测出来的方向。 我觉得那可能会很有意思。 但我认为，就目前而言，这类方法——对比那些更专门做视频的方法，比如现在流行的 world action models（那些公司发布的东西），我认为 world action models 比我们用 Dreamer 能做到的要令人印象深刻得多。 不过往前看，谁知道呢。你想利用视频里那些海量数据，这一点是相当明显的；你想共享这些模型，这一点对于具体的形式而言，我认为也是相当明显的。 ▎Q2：我想问一个关于“奖励模型过时”的问题：当你的奖励模型变得陈旧（stale）时，你怎么检测你的知识已经不再被激活，又该如何修复或补救它？
嗯，我觉得这可能在更大程度上要分情况讨论。 这其实是表示学习社区里一直存在的一个问题。他们总是在用 FID 之类的指标，但 FID 的问题是非常明显的——你在测试集上得到的 FID，实际上会比你预期的要好得多，这显然是个问题。 所以这就属于那种“用一个并不是最优的指标，去学习更好的表示”的情形。 顺便做个小广告：我们之前做过一个规模更大的图像数据集，它完全符合 CC 协议，所有人都可以下载；而且它还附带了一个比大家都在用的 FID 更好的指标。 但话说回来，确实存在一些情形，指标是过时的，奖励模型也是过时的，你可以去更新它，但更新有时候要花很大的力气。光是做那个更大的图像数据集，就又花了五六个月。 所以，如果你能更新它，那当然很好，毫无疑问。但也存在另一些情形。比如，如果你用的奖励模型是一个视频扩散模型，它本身一直在被推进，那么要更新这种视频扩散模型——它需要极其庞大的模型和数据——实际上是极其困难的。 不过我倾向于认为，这更多是“用小模型当奖励模型”时才会出现的问题。因为 FID 本身就是一个小网络。而如今有了这些极其强大的基础模型，如果你把它们当作某种奖励来使用，我认为它们过时的可能性要小一些。 与此同时，也有人在持续收集大量数据——比如奖励数据（reward data），这取决于你关心的路径是什么，以及你如何思考它们可能被持续更新的方式。 我不知道。如果你能有一种更聪明的办法，把人放在环路里（human in the loop），又不至于慢到让人无法接受，从而能持续收集到更新的数据和奖励，那会很棒。因为从人那里收集任何形式的数据，本身就是一个瓶颈。 但我认为，对于大模型来说，总体而言，它们过拟合、过时的可能性是比较小的。 ▎Q3：我的问题是，你在演讲里从不同来源学到了不同的结构，我的意思是，我感觉我们的表示并不统一。
我不觉得我们的表示不统一。我认为我们的表示其实是相当统一的。 在这个意义上，物体和任务中有趣的结构，几何的类型、任务的结构与关系，也就是“什么依赖于什么”，我认为这些东西是统一的。 我认为区别不在于“表示本身不统一”，而在于另外两件事。第一，那个统一的表示到底是什么？第二，我们如何把它表示出来？还有第三个问题：即便某种表示已经被以某种方式表示出来了，你怎么才能得到它？ 举个例子，就说三维表示。你可以直接让一个神经网络输出点云；也可以直接用点云来表示它；你也可以直接去问 GPT，让它输出点云。所以，不管那个表示是什么，我认为人们在这件事上的分歧并没有那么大——它是相当统一的。 但是，在“如何表示一个表示”，以及“我们如何得到这个表示”这两件事上，我认为仍然有相当多有意思的问题等待我们去解决，谢谢。
文章精选：
1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事
2.图灵奖得主本吉奥警告全网：AI已经学会“演给安全测试看”，下一代我们可能真的抓不住了！3.图灵奖得主萨顿 WAIC 2026 最新演讲：现在的 AI 还不算真智能，我们正迈入经验时代4.菲尔兹奖得主陶哲轩最新访谈：未来数学属于人类与 AI 的混合体5.图灵奖得主、AI教父辛顿：AI已具备意识，且将进化成远超人类的智能生命体6.图灵奖得主、“AI教父”辛顿认错：我当年想得太简单！卡死医疗AI落地的，其实是背后的法律7.图灵奖得主Bengio预言o1无法抵达AGI！Nature权威解读AI智能惊人进化，终极边界就在眼前8.图灵奖得主、强化学习之父Rich Sutton：大语言模型是一个错误的起点9.图灵奖得主杨立昆：大语言模型缺乏对物理世界的理解和推理能力，无法实现人类水平智能10.压缩即是全部 —— 菲尔兹奖得主 Michael Freedman 给数学和 AI 的一封信
转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。
五度妙笔
企业透视镜
API商城
数据库
