港中深韓曉光：3DGen，人類(lèi)安全感之戰(zhàn)丨GAIR 2025

“構(gòu)建世界模型，為什么不能只靠「煉丹」？”

作者丨吳彤

編輯丨林覺(jué)民

在香港中文大學(xué)（深圳），助理教授韓曉光的實(shí)驗(yàn)室名為GAP，意為“像素、點(diǎn)與多邊形的生成與分析”。現(xiàn)在看來(lái)，這個(gè)名字，也隱喻著他希望彌合真實(shí)世界和虛擬世界之間的“鴻溝”的意思。

2018年，韓曉光加入這所大學(xué)時(shí)，是當(dāng)時(shí)唯一專(zhuān)注于計(jì)算機(jī)圖形學(xué)研究的教師。2024年，他嘗試從三維重建拓展至具身智能與世界模型，又一次如入無(wú)人之境。

在小紅書(shū)上，他的賬號(hào)@韓曉光，簡(jiǎn)介僅有兩行：港中深理工學(xué)院助理教授、圖形學(xué)與三維視覺(jué)。他將小紅書(shū)視為傳播平臺(tái)，也視為個(gè)人思考的整理場(chǎng)所，會(huì)公開(kāi)討論“顯式3D是否還有必要”、“世界模型為何需要可解釋性”等專(zhuān)業(yè)問(wèn)題，也會(huì)記錄與學(xué)生討論時(shí)獲得的啟發(fā)。

這種直接、平實(shí)的分享，吸引了一批對(duì)技術(shù)本質(zhì)感興趣的讀者，也代表了韓曉光這類(lèi)青年教師群體打破學(xué)術(shù)邊界的自覺(jué)實(shí)踐。從某一種角度看，構(gòu)建世界模型需要理解真實(shí)世界的運(yùn)行邏輯，而他的線上互動(dòng)，本身就是一場(chǎng)持續(xù)進(jìn)行的、小規(guī)模的“世界模擬”。

在韓曉光的敘述中，他研究演進(jìn)是自然發(fā)生的。從三維重建到動(dòng)態(tài)生成，再到服務(wù)于機(jī)器人的虛擬環(huán)境構(gòu)建，核心始終是“三維內(nèi)容的生成與理解”。

前段時(shí)間，他曾在2025年10月的國(guó)際計(jì)算機(jī)視覺(jué)大會(huì)（ICCV），他與三十多位來(lái)自學(xué)術(shù)界與工業(yè)界的研究者見(jiàn)了面。他們聊了很多，包括：視覺(jué)內(nèi)容生成需要3D嗎？視覺(jué)內(nèi)容生成如何做到物理真實(shí)？學(xué)術(shù)界還應(yīng)該做視頻生成嗎？三維數(shù)字人還有必要做嗎？具身智能數(shù)據(jù)應(yīng)該走哪條路線？具身觸覺(jué)感知的必要性和現(xiàn)狀？學(xué)術(shù)界怎么做具身智能？三維生成的架構(gòu)用AR還是Diffusion？

但其實(shí)，這些小問(wèn)題都指向一個(gè)大問(wèn)題：我們離一個(gè)真正理解世界運(yùn)行規(guī)律的 AI 還有多遠(yuǎn)？

過(guò)去一年，整個(gè)行業(yè)在“世界模型”熱潮中的集體探索與路徑分歧。有人相信數(shù)據(jù)與算力終將煉出無(wú)所不能的模型，也有人堅(jiān)持必須為 AI 注入人類(lèi)可理解的結(jié)構(gòu)與邏輯。

韓曉光說(shuō)，他要做后者。

近日，在雷峰網(wǎng)舉辦的第八屆GAIR全球人工智能與機(jī)器人大會(huì)現(xiàn)場(chǎng)，韓曉光教授做了題為《3DGen：人類(lèi)安全感之戰(zhàn)》的分享，以下為他的演講內(nèi)容，雷峰網(wǎng)做了不改變?cè)獾木庉嫛?/strong>

01

三維生成發(fā)展歷程

我今天想講的是三維生成。剛才幾位嘉賓有提到數(shù)字人、視頻生成和具身智能?，F(xiàn)在當(dāng)我們談?wù)撊S生成時(shí)，大家能聯(lián)想到什么？如果是這個(gè)領(lǐng)域的研究者，可能會(huì)想到騰訊混元3D生成。

首先，我想梳理一下三維生成的發(fā)展歷程。

實(shí)際上，在深度學(xué)習(xí)興起之前，三維生成的概念已經(jīng)存在。當(dāng)時(shí)就有許多研究者思考：深度學(xué)習(xí)既然能很好地生成圖像，那能否生成3D內(nèi)容？

因此，最初的方向就是嘗試從單張圖像生成三維模型，準(zhǔn)確說(shuō)三維生成在早期階段主要聚焦于“類(lèi)別限定”。這是什么意思呢？就是針對(duì)椅子、車(chē)輛、角色、頭發(fā)、人臉、人體等不同類(lèi)別，分別訓(xùn)練一個(gè)模型。那時(shí)候還沒(méi)有“大模型”的概念，但深度學(xué)習(xí)模型已經(jīng)廣泛應(yīng)用。

而“開(kāi)放世界”的三維生成，大約從兩、三年前（2023年左右）的Dreamfusion工作開(kāi)始興起。當(dāng)時(shí)我們可以通過(guò)優(yōu)化的方式生成3D模型，但速度較慢，通常需要一兩個(gè)小時(shí)。在這個(gè)階段，隨著Stable Diffusion等文本到圖像模型的成熟，研究者開(kāi)始探索能否用文本直接生成3D模型，這就是“文生3D”，我們稱(chēng)之為開(kāi)放世界生成，因?yàn)樗辉偈茴?lèi)別限制，任何文本都可以生成對(duì)應(yīng)的3D模型。

隨后的一段時(shí)間里，出現(xiàn)了許多以“Dreamer”為后綴的研究工作，這些都是Dreamfusion之后的一系列進(jìn)展。這些工作都致力于提升文本到3D的生成效果，但基本都基于優(yōu)化方法，生成速度較慢，通常需要半小時(shí)到一小時(shí)才能產(chǎn)出一個(gè)模型。

而現(xiàn)在，我們進(jìn)入了大模型時(shí)代。

首先，Adobe推出了一個(gè)名為L(zhǎng)arge Reconstruction Model的模型，它利用海量數(shù)據(jù)訓(xùn)練，能夠從單張圖像重建三維模型。隨后，最早是由上海科大在Clay這項(xiàng)工作里，率先提出了“原生模型”的概念。發(fā)展到現(xiàn)在，我們已經(jīng)看到了像“混元3D”等許多商業(yè)公司和軟件，這類(lèi)應(yīng)用已經(jīng)非常多?，F(xiàn)在，例如混元3D的3.0版本，你隨便輸入一張圖片，它真的能生成一個(gè)在普通人看來(lái)幾乎沒(méi)什么瑕疵的三維模型。

02

三維生成發(fā)展趨勢(shì)

接下來(lái)，我想分享當(dāng)前業(yè)界關(guān)注的三維生成的前沿方向與發(fā)展趨勢(shì)。

首先是更精細(xì)。這意味著我們需要在幾何層面實(shí)現(xiàn)極致的細(xì)節(jié)表現(xiàn)，讓生成物體表面的幾何信息無(wú)比豐富。例如數(shù)美萬(wàn)物的Spark 3D。

另一個(gè)重要趨勢(shì)是更結(jié)構(gòu)化。在游戲等行業(yè)，一個(gè)三維模型通常需要被拆解成不同部件，比如衣服、身體、頭發(fā)需要分開(kāi)，以便設(shè)計(jì)師進(jìn)行獨(dú)立編輯。如果生成模型是為了3D打印或制造，那這種結(jié)構(gòu)化的分解就更為必要，因?yàn)檎鎸?shí)世界的物體本身就是由多個(gè)部件組裝而成的?；煸?D的“X-Part”工作就是一個(gè)例子，它能夠生成游戲角色并將其部件合理地拆分開(kāi)。

第三個(gè)方向是更對(duì)齊。現(xiàn)在的商業(yè)軟件可以從一張圖重建3D模型，但如果你仔細(xì)觀察，生成結(jié)果與輸入圖像往往存在細(xì)節(jié)不對(duì)應(yīng)的問(wèn)題。比如，一張圖里的柵欄有5條橫杠，生成模型里可能變成了6條。這是當(dāng)前生成模型固有的難題。我們組的一項(xiàng)工作就致力于解決這個(gè)“對(duì)齊”問(wèn)題，力求讓生成的三維模型在結(jié)構(gòu)上與輸入的二維圖像嚴(yán)格對(duì)應(yīng)。

03

三維生成的尷尬

以上我簡(jiǎn)單梳理了三維生成至今的發(fā)展脈絡(luò)，然而，三維生成一直面臨一個(gè)尷尬，尤其是在視頻生成技術(shù)出現(xiàn)之后。

這個(gè)尷尬是什么呢？

我相信大家可能都玩過(guò)游戲或看過(guò)CG動(dòng)畫(huà)電影。在傳統(tǒng)游戲或動(dòng)畫(huà)制作中，創(chuàng)建一個(gè)角色需要非常繁瑣的流程。這里我展示幾個(gè)例子：首先需要概念設(shè)計(jì)和草圖，然后基于草圖進(jìn)行3D建模——這又涉及低模/高模制作、拓?fù)鋬?yōu)化，之后還要進(jìn)行紋理貼圖、骨骼綁定、制作動(dòng)畫(huà)，最后再進(jìn)行渲染。但你會(huì)發(fā)現(xiàn)，盡管中間過(guò)程極其復(fù)雜，包含了大量三維工作，最終的產(chǎn)出形式依然是視頻。

這就是尷尬所在。

當(dāng)視頻生成（如Sora）出現(xiàn)后，一個(gè)文本指令就能直接輸出視頻，中間完全跳過(guò)了所有復(fù)雜的三維流程。這對(duì)于我們圖形學(xué)、游戲和三維生成領(lǐng)域的人來(lái)說(shuō)，無(wú)疑是一個(gè)沖擊。

很多同行，包括我自己在內(nèi)，都曾一度懷疑：在視頻生成如此強(qiáng)大的時(shí)代，3D內(nèi)容創(chuàng)作還有存在的必要嗎？

這確實(shí)是近期行業(yè)內(nèi)許多人關(guān)注和討論的問(wèn)題。但三維生成自有其“求生欲”，我們不會(huì)輕易被取代。這種“求生欲”源于我們發(fā)現(xiàn)視頻生成技術(shù)當(dāng)前存在的一些核心局限。

首先是物理不夠真實(shí)，視頻生成在模擬復(fù)雜物理交互和長(zhǎng)期一致性上仍有困難。

其次是3D空間不一致，物體在運(yùn)動(dòng)中的形態(tài)和透視可能發(fā)生不合理變化。

最重要的是內(nèi)容可控性不足。比如，我想把生成視頻中的一個(gè)玻璃杯換成特定形狀或顏色，在傳統(tǒng)三維流程中這是輕而易舉的編輯，但在純文本驅(qū)動(dòng)的視頻生成中，目前還難以實(shí)現(xiàn)這種精細(xì)、可控的修改。

這些發(fā)現(xiàn)讓我們重拾了信心。視頻生成還做不到這些，這說(shuō)明基于三維的、結(jié)構(gòu)化、可編輯的內(nèi)容創(chuàng)作流程，依然擁有不可替代的價(jià)值。

然而，真正的危機(jī)依然存在。我們不是說(shuō)視頻生成“不可控”嗎？但今年，Sora2 和谷歌的 Veo3 相繼推出，它們已經(jīng)展示出了初步的“可控”能力。至少，可控的雛形已經(jīng)顯現(xiàn)。這種可控性體現(xiàn)在哪里？比如，我可以控制視角的變化。生成的不僅是一個(gè)固定視角的視頻，而是可以進(jìn)行交互，就像玩游戲一樣切換畫(huà)面，實(shí)現(xiàn)場(chǎng)景漫游。雖然這還只是粗糙的可控，但真正的危機(jī)感已然來(lái)臨。

于是，一系列根本性問(wèn)題擺在我們面前：視頻生成模型真的不需要3D嗎？

就此，我問(wèn)過(guò)許多業(yè)內(nèi)人士。許多從事3D工作的人認(rèn)為，視頻模型可能還是需要3D的；而許多做視頻模型的人則覺(jué)得不需要。那么，究竟需不需要呢？

我可能給不出確定的答案，但可以梳理一下思路。在我看來(lái)，當(dāng)前視頻模型面臨兩個(gè)似乎尚未找到完美解決方案的核心難題：

1. 細(xì)節(jié)可控：正如我之前提到的，你生成了一段視頻，但能否精細(xì)修改視頻中人物的臉型、衣著、發(fā)型，這種對(duì)細(xì)節(jié)的精準(zhǔn)控制目前依然非常困難。

2. 長(zhǎng)程記憶：目前生成的視頻長(zhǎng)度有限，比如一兩分鐘。但想象一下，如果生成一個(gè)室內(nèi)漫游視頻，當(dāng)你走進(jìn)一個(gè)房間又離開(kāi)，再回到這個(gè)房間時(shí)，模型很可能“忘記”了房間原來(lái)的樣子，生成的內(nèi)容與之前不一致。這說(shuō)明模型缺乏對(duì)已生成內(nèi)容的持久記憶。

那么，視頻模型到底需不需要3D？要解決上述的“細(xì)節(jié)可控”和“長(zhǎng)程記憶”問(wèn)題，3D或許能提供一種思路。利用3D的方式，大概可以分為四種路徑：

第一種，完全不用3D。這是目前主流的端到端范式：輸入一個(gè)條件（如文本），通過(guò)一個(gè)龐大的神經(jīng)網(wǎng)絡(luò)，直接輸出視頻。整個(gè)過(guò)程是純2D的，依賴(lài)海量視頻數(shù)據(jù)訓(xùn)練。這也是現(xiàn)有視頻模型的基本邏輯。

第二種，利用3D仿真作為“世界模擬器”。我們知道，3D仿真本身就在嘗試構(gòu)建一個(gè)世界模型，只是目前仿真結(jié)果還不夠真實(shí)。那么，是否可以將其作為第一步：先根據(jù)用戶輸入的條件（如文本），通過(guò)3D仿真引擎生成一個(gè)CG視頻（如游戲畫(huà)面或動(dòng)畫(huà)）。這個(gè)視頻是高度可控的，但問(wèn)題在于它不真實(shí)，有明顯的CG感。于是，可以在其后接入一個(gè)神經(jīng)網(wǎng)絡(luò)，專(zhuān)門(mén)負(fù)責(zé)將CG視頻“轉(zhuǎn)化”為看起來(lái)真實(shí)的視頻。

第三種，將3D信息作為控制信號(hào)輸入。既然純視頻生成不可控，那能否將3D信息作為額外的控制條件，注入到生成網(wǎng)絡(luò)中？其框架是：在輸入生成條件的同時(shí)，也輸入3D信息。例如，要生成一個(gè)室內(nèi)漫游視頻，可以先對(duì)室內(nèi)場(chǎng)景進(jìn)行三維重建。這個(gè)重建的三維模型，本身就充當(dāng)了一種“記憶”，記錄了場(chǎng)景的空間結(jié)構(gòu)。基于這個(gè)三維記憶，再去生成漫游視頻，就有可能實(shí)現(xiàn)更長(zhǎng)的、空間一致的視頻內(nèi)容。

第四種，用3D合成數(shù)據(jù)來(lái)輔助訓(xùn)練。第一種2D“端到端”范式最大的瓶頸是缺乏高質(zhì)量、可控的訓(xùn)練數(shù)據(jù)。網(wǎng)上的視頻數(shù)據(jù)雖然多，但不可控。那么，能不能利用3D仿真技術(shù)，批量生成大量可控的、帶標(biāo)注的視頻數(shù)據(jù)？然后用這些合成數(shù)據(jù)，作為訓(xùn)練信號(hào)或損失函數(shù)的一部分，來(lái)引導(dǎo)和增強(qiáng)純端到端的視頻生成模型。

04

世界模型需要3D嗎？

回到我們今天的主題“世界模型”。現(xiàn)在一提到世界模型，很多人會(huì)直接聯(lián)想到視頻模型。

這里有一個(gè)根本性問(wèn)題：我們?yōu)槭裁匆鍪澜缒Ｐ?？因?yàn)槲覀冃枰斑€原”或“數(shù)字化”一個(gè)虛擬世界。視頻是對(duì)世界的一種數(shù)字化記錄，3D則是另一種形式的數(shù)字化。那么，世界模型究竟需不需要3D？

要回答這個(gè)問(wèn)題，首先要厘清“世界模型”是什么。

我認(rèn)為，世界模型的核心出發(fā)點(diǎn)，是對(duì)我們所生活的真實(shí)世界進(jìn)行數(shù)字化，用計(jì)算的方式理解和表達(dá)其中蘊(yùn)含的規(guī)律。有了這個(gè)模型，我們才能進(jìn)行預(yù)測(cè)——這是世界模型一個(gè)極其關(guān)鍵的功能。

在我看來(lái)，世界模型大概可以分為三類(lèi)：

第一類(lèi)，是服務(wù)于“人類(lèi)共同體”的宏觀世界模型。這其實(shí)是我們?nèi)祟?lèi)一直在做的事：試圖“窺探天機(jī)”。從古代的司天監(jiān)觀測(cè)天象，到現(xiàn)在的天氣預(yù)報(bào)、全球氣候模擬，再到生命科學(xué)探索自然規(guī)律，甚至從某種“造物主”視角去推演文明、社會(huì)的興衰與可能的災(zāi)禍。我們?cè)趪L試?yán)斫獠㈩A(yù)測(cè)這個(gè)物理世界和社會(huì)系統(tǒng)運(yùn)行的根本規(guī)律。不過(guò)，這或許不是當(dāng)前AI語(yǔ)境下“世界模型”討論的重點(diǎn)。

第二類(lèi)，是服務(wù)于“個(gè)人”的體驗(yàn)與探索模型。我們每個(gè)人與生俱來(lái)有一種最深層的需求：探索未知。但人類(lèi)個(gè)體是渺小的，我們無(wú)法親身抵達(dá)世界的每一個(gè)角落，更無(wú)法觸及想象的邊界。因此，我們需要一個(gè)虛擬世界。想象一下，如果能像《頭號(hào)玩家》那樣，戴上VR設(shè)備，就能坐在家中沉浸式地游歷世界任何地方——無(wú)論是真實(shí)世界的數(shù)字復(fù)刻，還是人類(lèi)純粹創(chuàng)造的幻想之境。這種深度、個(gè)性化的體驗(yàn)，是驅(qū)動(dòng)我們創(chuàng)造虛擬世界的核心動(dòng)力之一。

在這個(gè)虛擬世界里，我們需要什么樣的規(guī)律呢？可交互性是核心。你不僅需要看、需要聽(tīng)，還需要能夠操作、漫游，甚至能感受到觸覺(jué)反饋。要建立這樣一個(gè)可交互的虛擬世界，我們就必須研究和數(shù)字化其中大量的物理與交互規(guī)律。

這引出了世界模型的第三類(lèi)，也是當(dāng)前討論最多的：給機(jī)器用的世界模型。

比如，用于自動(dòng)駕駛汽車(chē)或具身智能機(jī)器人。這是一個(gè)“具身”的世界模型。以自動(dòng)駕駛為例，汽車(chē)在決定一個(gè)動(dòng)作（比如變道、轉(zhuǎn)動(dòng)方向盤(pán)）時(shí)，需要能根據(jù)這個(gè)動(dòng)作，預(yù)測(cè)世界（周?chē)h(huán)境、其他交通參與者）接下來(lái)會(huì)發(fā)生什么變化。這就是世界模型在增強(qiáng)機(jī)器智能方面的關(guān)鍵作用。

從以上三類(lèi)來(lái)看，要實(shí)現(xiàn)可交互的世界模型，3D似乎是必要的。再舉VR的例子，如果只有視頻模型，當(dāng)你轉(zhuǎn)動(dòng)視角或進(jìn)行操作時(shí)，它可以給你視覺(jué)反饋。但當(dāng)我們進(jìn)一步需要真實(shí)的觸覺(jué)反饋，去感受物體的大小、形狀和質(zhì)地時(shí)，就必須依賴(lài)對(duì)三維空間的精確理解和建模。因此，在可交互的需求下，3D是不可或缺的。

05

具身智能需要3D嗎？

接著這個(gè)話題，就關(guān)聯(lián)到，具身智能是否需要3D？

雖然我研究不深，但當(dāng)前的主流方法是向人類(lèi)學(xué)習(xí)。我們之所以要造人形機(jī)器人，就是希望它能完成人類(lèi)能做的所有事情。那么，要“向人類(lèi)學(xué)習(xí)”，我們就必須研究人類(lèi)是如何與世界交互的：如何拿杯子、倒水、做飯。要研究這些，第一步就是對(duì)人類(lèi)與物體的交互過(guò)程進(jìn)行數(shù)字化。比如，左下角的例子展示了人手抓取物體的過(guò)程。我們必須對(duì)這種交互進(jìn)行精確的、動(dòng)態(tài)的捕捉與還原，才能深入理解人手操作的機(jī)理。從這個(gè)角度看，3D乃至4D的還原是必要的基礎(chǔ)。

其次，如果不從人類(lèi)示范中學(xué)習(xí)，我們還可以讓機(jī)器人在真實(shí)或仿真的世界中去主動(dòng)探索，就像人類(lèi)通過(guò)實(shí)踐和強(qiáng)化學(xué)習(xí)來(lái)發(fā)展智能一樣。但讓機(jī)器人在物理世界無(wú)限制地探索是困難且危險(xiǎn)的。因此，我們需要仿真環(huán)境。這就必然要求我們能夠創(chuàng)造和生成可交互的三維場(chǎng)景。有了這樣的虛擬場(chǎng)景，機(jī)器人才能在其中安全、高效地進(jìn)行大量試錯(cuò)和強(qiáng)化學(xué)習(xí)。從這個(gè)角度看，具身智能同樣離不開(kāi)3D。

除了這些“虛擬”世界的需求，還有一個(gè)實(shí)實(shí)在在、無(wú)法繞過(guò)3D的領(lǐng)域：從數(shù)字到實(shí)體的制造。

我們不僅需要在虛擬環(huán)境中與一個(gè)杯子互動(dòng)，最終可能還要將這個(gè)杯子真正打印或制造出來(lái)，實(shí)現(xiàn)個(gè)性化定制。無(wú)論是三維打印、智能制造，還是CAD模型生成（這也是當(dāng)前3D生成的熱點(diǎn)方向），這個(gè)“從虛到實(shí)”的過(guò)程，3D是絕對(duì)的基礎(chǔ)。例如，我們正在進(jìn)行的牙齒生成項(xiàng)目，目的就是為了制造出精確的牙齒模型，這完全依賴(lài)于高質(zhì)量的三維數(shù)據(jù)。

06

技術(shù)路線之爭(zhēng)：顯式與隱式之爭(zhēng)

最后不得不談一個(gè)核心的技術(shù)路線之爭(zhēng)：顯式與隱式之爭(zhēng)。

我先解釋一下這兩個(gè)概念。假設(shè)我們有一個(gè)具身智能任務(wù)：一個(gè)機(jī)械爪要抓起一個(gè)盤(pán)子，我們需要預(yù)測(cè)它提起盤(pán)子后會(huì)不會(huì)掉下來(lái)。

隱式路徑是怎么做的呢，就是構(gòu)建一個(gè)端到端的神經(jīng)網(wǎng)絡(luò)，輸入一張圖片，直接輸出預(yù)測(cè)結(jié)果。為此，我需要準(zhǔn)備大量數(shù)據(jù)來(lái)訓(xùn)練它。其核心在于一個(gè)稱(chēng)為 “潛變量”（Latent） 的東西。模型的有效性依賴(lài)于這個(gè)潛變量，它將所有輸入信息（包括其中隱含的物理規(guī)律）都編碼在其中。我們相信，通過(guò)大量數(shù)據(jù)訓(xùn)練，這個(gè)潛變量自身就學(xué)習(xí)和蘊(yùn)含了完成任務(wù)所需的物理知識(shí)。這是典型的“黑箱”或端到端邏輯。

顯式（模型驅(qū)動(dòng)）路徑：與之相對(duì)，顯式方法會(huì)分步進(jìn)行：

首先，我會(huì)顯式地重建出爪子和盤(pán)子的三維模型。然后，基于這些精確的幾何模型，我分析它們是否充分接觸，再結(jié)合盤(pán)子材質(zhì)等物理參數(shù)，通過(guò)明確的物理公式進(jìn)行計(jì)算，最終判斷出提起后是否會(huì)掉落。這條路徑依賴(lài)我們對(duì)世界（幾何、物理）的明確建模和理解。

顯式方法是我們比較容易理解的，也是深度學(xué)習(xí)興起之前主流的范式；而人類(lèi)無(wú)法直觀理解的，如何運(yùn)作我們并不完全清楚，就稱(chēng)為“隱式”。

我再舉一個(gè)開(kāi)車(chē)的例子。很多汽車(chē)會(huì)顯示一個(gè)功能：將周?chē)?chē)輛的三維模型重建出來(lái)，可視化地展示給你看，并提示碰撞風(fēng)險(xiǎn)。這是顯式的方式。另一種隱式的方式是，系統(tǒng)不展示任何三維模型，只是在快撞上時(shí)給你一個(gè)文本或聲音警告。如果讓你選，開(kāi)哪種車(chē)會(huì)更有安全感？我想大多數(shù)人會(huì)選擇前者——把所有東西都可視化給我看，我才能理解和信任系統(tǒng)做出的“會(huì)撞上”或“不會(huì)撞上”的判斷。

這里就引出了一個(gè)關(guān)鍵詞：安全感。

我們?yōu)槭裁匆鍪澜缒Ｐ?？其背后亙古不變的?dòng)機(jī)，是人類(lèi)探索世界規(guī)律的渴望。而人類(lèi)之所以要探索規(guī)律，根據(jù) DeepSeek 給我的答案，是因?yàn)槲覀儗?duì)未知有著與生俱來(lái)的不安全感。正是這種對(duì)未知的恐懼，驅(qū)動(dòng)我們?nèi)ヌ剿鞔蠛?、探索太空，也?qū)動(dòng)我們?nèi)?gòu)建世界模型，以獲得對(duì)世界的理解和掌控，從而滿足我們的安全感。

那么，在AI時(shí)代，最讓人感到不安全的是什么？對(duì)我來(lái)說(shuō)，有兩個(gè)詞：“端到端” 和 “潛變量”。

我知道它們能工作，但我不知道它們?yōu)槭裁茨芄ぷ?。不僅是普通用戶不知道，很多時(shí)候我們研究者也不完全清楚。我們只知道堆疊網(wǎng)絡(luò)層，卻不知道里面的神經(jīng)元究竟在做什么。其本質(zhì)在于，這個(gè)“潛變量”是一個(gè)高維向量，而人類(lèi)無(wú)法直觀理解高維空間。

人類(lèi)能理解什么？我們能理解3D和4D。我們從初中學(xué)習(xí)平面幾何，到高中學(xué)習(xí)立體幾何，我們能把理解到的3D、4D概念畫(huà)在紙上。但一旦進(jìn)入5維、6維甚至更高維度，我們就無(wú)法想象了。這也是為什么會(huì)有“可視化”這個(gè)領(lǐng)域——它的核心邏輯，就是把高維的東西“拍扁”成2D或3D，以便能更容易地理解。

所以，我再次強(qiáng)調(diào)為什么3D/4D是必要的。正是因?yàn)?D/4D是我們?nèi)祟?lèi)能夠直觀理解和感知的維度，它們能帶給我們最直接的安全感。

最后，面對(duì)日益強(qiáng)大的AI，我認(rèn)為可解釋性是人類(lèi)保有基本尊嚴(yán)的關(guān)鍵。

我想用一個(gè)場(chǎng)景來(lái)總結(jié)。想象古代一位追求長(zhǎng)生不老的皇帝，他招攬了許多聰明的術(shù)士來(lái)煉丹。這些術(shù)士很給力，不斷進(jìn)獻(xiàn)丹藥，雖然還不能讓人長(zhǎng)生不老，但或許能強(qiáng)身健體。他們還會(huì)不斷升級(jí)，拿出v2、v3版本?；实酆荛_(kāi)心，不斷給予經(jīng)費(fèi)和權(quán)力，術(shù)士的部門(mén)也越來(lái)越龐大。但這里有一個(gè)前提：皇帝（統(tǒng)治者）完全不懂煉丹的原理，他不知道這丹藥是怎么做出來(lái)的。

那么，請(qǐng)大家想象一下，當(dāng)有一天，術(shù)士們宣布：“我們快要煉出長(zhǎng)生不老藥了！” 此時(shí)此刻，皇帝會(huì)怎么想？他又會(huì)如何對(duì)待這些術(shù)士？

所以，我認(rèn)為真正的安全感，永遠(yuǎn)來(lái)源于效果與可解釋性之間的平衡。這一點(diǎn)至關(guān)重要。然而，在我們當(dāng)前的AI時(shí)代，這個(gè)天平已經(jīng)嚴(yán)重失衡了。我們過(guò)分追求性能（performance），過(guò)分追求效果，但可解釋性還遠(yuǎn)遠(yuǎn)不夠。而要實(shí)現(xiàn)可解釋性，3D是必不可少的途徑。因?yàn)樗峁┝宋覀內(nèi)祟?lèi)能夠直觀理解、能夠信任的基石。