在時代的變遷中，常常因一兩個人，以遠見卓識引領著時代的變革，塑造了世界的未來?！皢滩妓埂钡拿秩缃褚殉蔀閯?chuàng)新與顛覆的代名詞，他以一部iPhone打破了手機的傳統(tǒng)定義，開創(chuàng)了智能手機的新紀元；“馬斯克”以其前瞻性的創(chuàng)新思維和顛覆性的業(yè)務模式， 在新能源汽車、航空航天和人工智能等領域掀起革命性浪潮。他們用夢想和堅持重塑了整個世界，推動了科技與社會的進步。

而當我們站在這個全新的歷史節(jié)點上，有一批同樣具備遠見卓識和創(chuàng)新精神的新“夢想家”逐漸涌現(xiàn)，天圖萬境創(chuàng)始人圖拉古正是其中的代表人物。2024年6月22日，在華為開發(fā)者大會（HDC 2024）上，圖拉古發(fā)表演講，提出了一種新的AI發(fā)展理論，如何讓AI像人類生命體一樣進化，用眼睛、耳朵和大腦來做出判斷思考和行動，這是一種顛覆性的技術方向，拓寬了AI的邊界。

圖：天圖萬境創(chuàng)始人 圖拉古

雖然AI賽道越來越卷，可實際上卷來卷去并沒什么新花樣，總體還是固定在AIGC范疇中。這種AI式生成內(nèi)容本質(zhì)上還是一種對現(xiàn)有素材的再編輯、再加工，其實不能算真正的“智慧”，輸出結果也不穩(wěn)定，并且難以控制。很多人至今都較少使用AI，因為他們根本不知道如何給AI下指令，最直觀的體驗就是用AI干活似乎還不如自己干活快，甚至在網(wǎng)上誕生了大批“使用提示詞來指導AI的行動”的教程。

可圖拉古所期盼的AI已經(jīng)進入到了next level，讓AI具有像人一樣的感知能力，從而實現(xiàn)真正的AI。

比如當人閉上眼睛，我們通過聽，可以知道是鳥叫還是蟲鳴；聽呼嘯而過的車聲，就能判斷車輛的遠近距離；看到一盆水向我們潑來，就能立刻躲避…… 人類做出這些行動往往是本能反應，根本不會需要提示詞的引導。這，才是人類作為空間智能生物的“智慧”。今天，圖拉古希望AI也要有同樣的空間感知能力。

基于這個理念，圖拉古帶領他的團隊專注該領域研發(fā)十年時間。在此次HDC 2024上的亮相，AI感知視聽技術和基于此技術推出的“視頻聲效大模型”解決方案，可謂“十年窗下無人問，一朝成名天下知”。

AI感知視聽技術首先用多個獨立的單個引擎，構建了AI多方面的感知能力。比如AI圖像分割，就是幫助AI建立對物體形象的判斷和認知。比如AI空間計算，就是讓AI通過一臺普通的攝影機（單目）實現(xiàn)空間視頻的拍攝，相當于讓人用一只眼睛，看到這個立體的世界，讓AI建立起對空間的感知能力。

當AI擁有了像人類一樣的視覺、聽覺后，再通過“聯(lián)級神經(jīng)元”幫助AI建立“大腦”中樞，最終獲得與人類一樣的感知能力。

圖拉古表示，“我和我的團隊一直致力于創(chuàng)造更加理想的空間智能。我們要讓 AI擁有類人的記憶推理能力，讓它理解行為意圖、物質(zhì)屬性、運動規(guī)律、和空間關系。我們希望機器能夠為人做事，或者幫人做事，知道哪些是人類需要的，并理解不同場景下人類的差異化需求，通過‘聯(lián)級神經(jīng)元’和多樣數(shù)據(jù)的訓練，讓機器學會自我認知和決策，可以在數(shù)字世界中，像人類一樣識別多樣的世界環(huán)境，理解場景的復雜性。”

想象一下，通過視頻聲效大模型，我們只需要上傳一個視頻， 不需要費勁輸入任何提示詞，聲音就能自動蹦出來：比如一輛火車從遠及近開來，你就可以獲得一個從小到大的聲音；一個石頭落入水中，你就可以聽到石頭落水的聲音，甚至可以聽到泛起漣漪后的微弱聲音……這些聲音的自動生成，其實都基于AI對真實世界物理規(guī)律的理解。

在這種趨勢下，我們可以預見，未來的AI將不再僅僅是執(zhí)行人類指令的工具，而是成為擁有自主感知、理解和決策能力的智能體，給各行各業(yè)帶來翻天覆地的變化：

礦山深處曾經(jīng)是人跡罕至的危險地帶，今后能夠讓AI深入漆黑的環(huán)境中精準勘探，不僅提高了工作效率，更保障了工人們的安全。在這里，AI的每一次勘探都是對未知的挑戰(zhàn)；

AI自動駕駛汽車會逐漸出現(xiàn)在城市街道中，它們擁有高超的駕駛技術，更能夠感知周圍的交通環(huán)境，做出最合理的決策，帶著我們安全、快捷地到達目的地；

在醫(yī)療領域，AI能夠化身敏銳洞察力的醫(yī)生，它能夠看到更立體的血管和組織，配合機械手完成最復雜、精密的手術。

……

天圖萬境的AI感知視聽技術，正在希望AI可以像人類一樣， 先通過“眼睛”和“耳朵”來感知這個世界，再憑借“大腦”里的經(jīng)驗記憶來預測和修正。天圖萬境將每個專用AI模型視為人類的神經(jīng)元，讓這些AI“神經(jīng)元”團隊合作，通過大規(guī)模的數(shù)據(jù)訓練，讓計算機逐漸理解并適應這個復雜多變的世界。它們能夠“看到”物體的形狀和顏色，通過AI圖像分割“學會”認識物體，并判斷出這是什么東西；它們能夠“聽到”聲音的高低和節(jié)奏，甚至能夠模擬出火車駛過、石頭落水等真實聲音效果。

最神奇的是， AI“神經(jīng)元”不光能識別見過的東西，還能推理出沒見過的信息，它們具備專業(yè)領域的豐富知識，能夠理解這個復雜的世界。不僅減少了對硬件算力的依賴，還學習了人腦的功耗比，以極低的能量消耗處理復雜任務。這種“聯(lián)級神經(jīng)元”框架設計，正讓計算機深度領悟我們生活的三維世界，在數(shù)字世界中揭示物理規(guī)律。

技術的飛躍不僅展現(xiàn)了人類智慧的結晶 ，更預示著一個全新紀元的來臨。喬布斯將科技與美學、設計與商業(yè)完美融合；馬斯克在多個領域引領潮流；圖拉古原本是個電影導演，他把代碼、AI與視聽相結合，實現(xiàn)AI技術突破。在這個快速發(fā)展的時代，我們需要更多喬布斯、馬斯克和圖拉古， 他們以敏銳的洞察力和無限的創(chuàng)造力，不斷對新技術進行探索，為世界帶來改變和顛覆，為人類創(chuàng)造更加美好的生活。

來源/信陽日報