浙大彭思达：从元宇宙到具身智能，一个三维视觉研究者的八年 | 世界模型50人

传统MV拍摄，摄影机架在哪里，观众看到的就是哪个角度。现在用多台摄像机同时记录舞者动作，再重建出一个三维动态场景，镜头可以任意调换位置；从队形正面绕到侧面，穿过舞者之间，甚至换一个从未真正架设过的机位，重新观看刚才的表演。

今年10月，韩国SM娱乐创始人李秀满在新女团A2O LITE的出道活动上，展示了这项名为4D Gaussian Splatting（4DGS）的技术。

SM娱乐旗下女团A2O LITE 《NEON》运用4DV.ai的4DGS新技术

彭思达对这项技术很熟悉。六年前，彭思达师从浙大教授周晓巍读博，在浙大CAD&CG国家重点实验室的三维视觉研究团队ZJU3DV下研究的就是动态三维人体重建。很快他做的Neural Body入选CVPR 2021最佳论文候选，4K4D把动态场景的渲染推进到4K实时水平，FreeTimeGS把渲染质量推进到可落地的程度。实验室积累的技术后来被一家名为4DV.ai的创业公司采用，出现了在影视飓风的视频里。

技术走出了实验室，但彭思达没有继续留在这个赛道。

2023年博士毕业后，彭思达选择留校任教，入选浙江大学软件学院“百人计划”研究员，把研究对象从人体换成了街道。理想汽车找上门来，双方合作自动驾驶仿真系统，Street Gaussians被应用到了理想汽车的仿真系统中。

两年后，自动驾驶仿真技术逐渐收敛，彭思达又开始研究机器人导航。

从动态三维人体重建、自动驾驶仿真到具身智能，作为一个做了多年计算机视觉的研究者，彭思达反而认为视觉并不是智能的主角。对于像人一样思考、推理和规划，文本可能更重要；对于机器人学会操作，重要的是真正理解动作轨迹的因果性。

“到了具身领域，视觉模态仍然不是主角，动作模态才是主角。”

以下是AI科技评论与浙江大学软件学院“百人计划”研究员彭思达的对话，在不改变原意的基础上有所编辑。

01

端到端不是最优解

彭思达：我们观察到一个现象。之前很多人希望训练一个端到端导航模型，也就是微调一个VLM，让它直接预测行动。但我们持续尝试以后发现，这样微调有两个问题。

第一，把VLM的能力变差了。VLM本来还可以做一些识别等任务，一旦要求它直接输出动作，它就变笨了。

第二，他们使用的VLM本身就不是那么聪明。我们试过一些3B或者4B模型，给它一张图片，问一些问题，发现它的空间推理能力很差。

但为什么要用这些模型？因为只有3B或者4B这种模型，才能微调得动，所以这就有点不那么本质。

彭思达：我个人的看法是大部分公司不具备训练出通用智能模型的能力，只有OpenAI这种基模公司才真正掌握了训练VLM的能力。

要给模型注入某种能力，一定不是微调，一定得在预训练过程中就有这样的过程。如果某个小团队以前从来没训练过这种模型，突然号称微调一下就获得了这种能力，我认为大概率是在某个小数据集上过拟合，实际上没有任何能力上的验证，也没有技术进步性。

彭思达：我们认为导航最重要的是回归问题本身，怎么更好地做决策、交互，怎么在环境里面更好地移动。刚好Agentic System、Coding Agent这种架构出现以后，我们发现非常适合满足这个技术需求。

既然走Coding Agent路线，就以通用多模态大模型作为核心，让它负责整体规划、决策、推理。具体怎么在环境中执行，只需要给Coding Agent提供合适的工具，比如导航小脑。

SuperNav是做决策系统，决定接下来应该去哪，应该记住哪些东西，怎么规划导航路线。ScaleNav做的是导航小脑的事情，相当于大脑指定一个点，小脑负责怎么走过去。

彭思达：是的，我更相信通用多模态大模型+Agent这条路线。

端到端路线要让模型拥有很强的能力，模型肯定要很大。模型变大，最大的问题不是推理速度，而是通信速度。比如一个30B或者100B的模型，肯定不可能部署到本地机器人上，只能部署到服务器。虽然它在服务器上推理很快，但本地机器人上传图片观测到服务器，通信时间好歹得有一秒，这是短期的问题。真正操作东西的时候，肯定不能是一秒一次、一赫兹的水平，至少得是50赫兹。

所以端到端模型可以有这个能力，但因为实际交互频率，我觉得它打不过外挂底层交互工具这种形式。

彭思达：感知、推理以及理解上下文基本上都可以交给VLM去做，记忆和行动是另外两个部分。

先说记忆，在空间里面不太好直接用图文去记，因为没有任何空间结构。而且现在SLAM工具非常成熟，用SLAM做一个基本结构化是没问题的。

所以记忆有两个层面：怎么构建记忆，可以用外部工具；理解记忆，还是用VLM本身。

其次是行动能力，也就是交互能力。机器人怎么跟外界直接交互，怎么预测Action。这个要求交互频率特别高，理想状态是50赫兹。所以这种情况下，最好也外包给一个小模型去做。

02

从元宇宙到具身智能

彭思达： 2020年3月份，博士第二年下学期。当时我习惯每天看一下arXiv网站上的论文，看到了NeRF，发现技术上跟以前的方法区别很大，效果又特别好，非常有突破性。

彭思达：2020年初，也就是NeRF出来的那年，我开始做动态人体重建。 我是一个很乖的学生，我老板（周晓巍）指哪儿我打哪儿。当时他跟华为有一个合作，一直在做人体建模相关的研究。

彭思达： 动态人体和体积视频是等价的。他们要构建三维动态人体，也是为了放到VR眼镜里面看。

以前拍体积视频，要用128个相机，非常稠密。这个在好莱坞应用里面叫Live Stage，广泛应用于电影工业。华为希望把相机数量变得特别少，比如从64个相机变到4个相机。

后来我们做的Neural Body就是想解决非常稀疏视角下的问题，这在当时属于非常前沿的研究问题。

彭思达： 我觉得是运气，当时的科研做法不是那么本质。本质的科研做法，一定是分析核心问题到底是什么，再从问题反推应该用哪些技术。

但我们当时的做法是，发现NeRF技术特别新潮，想赶紧把它用过来试一下。一用过来，确实就能解决问题，属于撞大运了。

彭思达： 三维数字人本质上等价于体积视频，我们做了三维数字人以后，一直贯彻研究风格，想做一套能够落地的系统。我们希望它能放在VR眼镜上，让更多用户观看，就需要从采集、重建、渲染、部署四个方面不断提升。

最直接的是渲染，比如Neural Body渲染很慢，大家戴上VR眼镜，是希望能以60 FPS去看的，所以得提升实时渲染能力。训练速度也是一样，用户采集重建的时候，我们希望普通用户能像拍照、拍视频一样录制内容，需要提升重建速度，这就是快速训练。

紧凑表示是另一个问题。如果一个体积视频要放到VR眼镜上，不可能像最早那种表征一样，需要几百GB或者几TB，这显然放不到VR眼镜上。我们把它压缩到一两百MB的程度，一切都是为了能落地到VR眼镜上，我们为此做了很多努力。

彭思达： 其实做得还挺好，最后也催生了一家创业公司，做体积视频的，叫4DV.ai。4DV.ai跟影视飓风合作很多，影视飓风有几期上百万观看量的视频提到过4K4D。但我没有参与4DV.ai，只是他们用了很多我们实验室的技术，特别是我博士中后期做的这些东西。

彭思达： 博士毕业之前，更多是我的博士生导师指哪儿我打哪儿，没想过到底有哪些具体应用。等我真正工作以后，对这方面的思考越来越深。我觉得体积视频确实有用，但应用面不广，顶多在影视或者VR里面用一用，这两个行业总体市场价值并不大。

自动驾驶，听起来想象空间就非常大，过去也是我们学计算机视觉的主要就业需求池。这也是后面转向自动驾驶领域的仿真系统最主要的原因。

彭思达：首先这里智能有很多层次的定义。

最高层次的智能，是像人一样思考、推理、规划；也有一些比较低级的智能，比如操作。这种操作是不过脑子的、本能的智能，也可以叫本体智能。我不知道怎么定义这个词，大概就是这两类智能。

彭思达：现在大家讲通用智能，更多指第一种。真正像人一样思考，像人一样推理、决策、规划，这种肯定跟视觉没关系。文本本来就是最紧凑的一种信息。比如我们看侦探小说，或者各种书本知识，文字就是最好的推理、决策、规划的载体。在文字上做模型学习，肯定能更好地接触到这种智能。

但如果想从视觉里面学习，就非常冗余。我们看各种视频，视频里也不会莫名其妙体现出推理、规划、决策能力。所以从视觉去学习这些信息，基本是南辕北辙。

彭思达：视觉是一个重要部分，但我觉得不是最重要的。

这种动作智能，是跟环境做交互的智能。视觉只是一个输入，不是最关键的部分。最关键的是把动作轨迹采集下来以后，怎么从动作轨迹里面学习动作智能。

视觉不管是在第一种高级的规划、推理智能里面，还是后面的动作智能里面，更多像一个外挂，或者说挂件。比如文本智能学好了以后，我再把视觉加进去，让它能够从视觉里面做规划、推理。

第二种动作智能，是先从动作轨迹里面学会怎么操作，理解动作本身以后，再把视觉加进去，让它能从视觉里面推理动作。但动作智能这里不是那么容易，因为很多时候，人操作东西跟视觉是紧耦合在一起的。

所以第一种文本智能，确实可以完全脱离视觉而存在，它自己就能做自己的事情。但第二种动作智能，确实一开始就得把视觉信息加进去，让它学会怎么从视觉里面推理出动作。不过，视觉模态还不是主角，动作模态才是主角。

03

在具身领域的新征程

彭思达：我原来做的是三维人体重建，一下跳到一个跟先前技术链路区别很大的方向不太现实，就做了城市重建。底层都是重建技术，从人体到城市，切换起来还挺丝滑的。只需要把输入数据换一下，改一下特定问题。对我们整体积累的技术栈来说，并没有构成太大挑战，点云重建、构建可微、可渲染的三维表征等技术都是完全可复用的。

刚好那时候有一些自动驾驶公司找我们合作，我们就发现了自动驾驶仿真系统这个需求。

彭思达：对，一开始是理想找我们。2023年下半年，就是我工作的那个下半年。我们当时做了一篇工作叫Street Gaussians，那篇工作应用到了理想汽车的自动驾驶仿真系统里面。后来因为这方面做得比较出名，也有很多的智驾公司找我们合作。

自动驾驶公司跟高校的产学研合作一直非常紧密，智驾的很多技术都是高校实验室提出来，再在智驾领域放大。我们和理想是典型的校企合作方式，他们规定好要研究哪些体技术需求，给我们提供计算资源、数据资源，我们就找学生去做。

彭思达：Street Gaussians本身是在解决场景表征建模的问题，也就是如何在计算机里面表达动态街景。在Street Gaussians之前，没有一个工作能很好地把动态场景重建出来，甚至在计算机里面，都没有一个很好的表达方式。

我们发现，Street Gaussians虽然完成了重建，但如果视角偏移比较大，渲染质量就会比较差。所以StreetCrafter希望利用扩散生成模型引入视频生成先验来解决这个问题。

彭思达：路测有很多问题。

第一是成本，比如我要测试一万次，如果在真实世界测一万次，成本就很高。第二是复现，比如某个版本的算法在路上出现了问题，我必须保证在一模一样的情况下，能够重新复现这个问题，来确认新版算法有没有解决它。

这都是真实世界存在的问题，但仿真不会有这些问题。因为仿真是在电脑里面跑，成本很低，遇到问题也完全可以复现出来。

彭思达：高保真仿真已经被工业界大规模使用了。如果要更广泛地应用，关键还是三维资产怎么重建，怎么规模化重建。比如车厂随便就能积累几千万公里的数据，怎么把这几千万公里的场景都重建成一个仿真环境。怎么鲁棒、快速地重建，还是比较麻烦的。

所以近两年，我的很多研究都在推进这方面，包括一系列工作，像InfiniDepth、InfiniSplat v1/v2/v3等就是不断往这方面推进。

彭思达： 最主要的原因是，我们前面已经发生过一次研究转向。刚工作的时候，我从体积视频转到了自动驾驶仿真。做了两年多，自动驾驶方面研究慢慢进入平台期，大家没那么强调自动驾驶技术了，自动驾驶仿真技术也在收敛了。

现在自动驾驶仿真技术方案，基本就是前馈高斯。数据堆上去，通过前馈高斯得到比较好的初始化高斯，再通过视频生成模型补全未观测区域，形成智驾仿真的方案。

这方面做好以后，我们肯定希望Move On，看看更有挑战的领域，所以今年年初开始想做一些机器人相关研究。

彭思达： 每一次切入都得小心翼翼。如果一下子变化太多，我觉得很容易出问题。还是得对实验室学生负责，当然也是对自己负责。一旦切得太大，自己什么都不懂，学生做不出东西，我也做不出东西。

所以我们每次都是逐步切换，我本来做自动驾驶仿真，对自动驾驶、移动机器人就很熟悉。机器人导航本质上也是移动机器人，所以我们原来就很熟悉，就往这方面切。

彭思达： 这是很简单的一次切换。原先我们做的是自动驾驶场景仿真器，Habitat-GS是做面向移动机器人的仿真器。这个仿真器里面可以放底盘、轮臂机器人、机械狗等各种机器人，本质上还是做仿真。这是我们开始做移动导航方面的第一个工作。

彭思达： 我觉得更多还是应用上的区别。机器人仿真需要支持更复杂的地形，也要直接支持移动机器人的各种任务。自动驾驶没有那么复杂的导航需求，沿着GPS路线往前开就行了。

但是移动机器人跟人一样，需要有像人一样的移动能力。比如你让它帮你拿杯水，它得知道怎么找到这杯水。这样一来，仿真器里面就需要构建类似的评测环境和指令。所以跟自动驾驶最大的不同，是更复杂的指令任务，以及与之对应的更复杂环境。

彭思达：我个人觉得最重要的是强化学习技术。这里面又涉及很多问题，比如机器人跟三维世界模型交互时，反馈是很稀疏的，导致RL优化没那么好。但如果有一个全方面可微的世界模型，就能更好地保证RL收敛。

彭思达： 目前还没有。不过最近有一篇比较火的工作叫SuperMimic，是一种比较好的尝试。以前英伟达做的SONIC用的是传统仿真器，这种在RL训练的时候，反馈很稀疏。SuperMimic引入了一个可微世界模型，能够很好地求解人形机器人和地形交互时的梯度。这种梯度不像传统仿真器，只有接触的时候才有梯度，而是在所有情况下都有连续梯度，这样就能很好地指引RL训练。

但它的世界模型还比较初步，只是建模人形机器人和平地的一种世界模型，不能做“Contact-Rich”那种复杂交互的世界模型。

04

三维重建不是空间智能

彭思达：空间智能概念很宽泛，我认为只要是在三维空间中的智能，都叫空间智能。比如机器人就是一种典型的空间智能应用，机器人需要在三维空间里面做推理、交互、决策，当然自动驾驶也是。

彭思达：三维重建不是空间智能，关键在于怎么定义智能。我对智能的定义，标准比较高，智能一定是像人一样去思考。三维重建不涉及像人一样思考。

区别在于，三维重建只是把一些图片观测转成三维空间中的数字环境。空间智能研究的是这些智能体在三维环境里面怎么做推理、决策和交互。

彭思达：我觉得这里最本质的问题，是智能体怎么在空间中做推理、决策、交互。

人做推理、决策、交互时，并没有用到显式三维几何。我们是在自己脑海里面构建出一种很模糊的场景状态，比如我要抓起那杯水，我构建出这种很模糊的状态，就能抓它了。

但学习空间规律，如果是通过训练学习，那需要显式三维结构。

所以这里有两个部分，真正做推理、决策、交互时不需要，但在学习时需要。因为我们得真正抓过这个杯子，才能知道这个感觉。

彭思达：我们很快还会推出一篇新工作，叫SuperNav 1.5。之前的SuperNav没有用心灵地图，用的是比较朴素的图文长上下文记忆。跟普通VLM一样，把原来见过的图片存在记忆里面，把描述存在记忆里面，然后去索引。

SuperNav 1.5则利用SLAM设计了一种心灵地图。现在SLAM非常成熟，机器人在探索过程中可以不断建图，慢慢就有一个基本地图。此外，我们又在这个地图上标记一些关键点，让它知道每个区域有哪些东西，这样就能记住这些空间了。

彭思达：如果只有移动，我觉得技术瓶颈可能是怎么构建非常大规模的空间记忆。比如人在一个办公楼工作过以后，很莫名其妙地就能把一整栋楼记下来。但现在导航机器人没有这个能力，每次还得非常慢地重新推理一遍。

不过这在应用上可能也不是那么大的问题，在学术上倒挺有意思。我很好奇人的大脑机制如何运行，使其能很自然地记住自己走过的地方。

05

后记

彭思达有一个习惯，遇到不懂的东西，就每天磨一点。

刚开始读一篇论文，他也可能完全看不懂，甚至需要把论文背下来。但只要每天反复读、反复敲代码，一两周后，原本陌生的概念就会突然变得熟悉。这个过程，他从读博一直延续到现在。研究具身智能时，面对一堆全新的知识，他还是每天学一点，直到慢慢建立起自己的认知。

彭思达从中得到了一种“微快乐”，学会一个新东西，就开心一点，然后继续学下去。

这种研究习惯被总结成了一份开源手册，在GitHub上斩获超1.5万颗星。博士毕业前后，彭思达开始在GitHub上维护这个名为Learning Research的项目，把自己做科研的经验整理下来。从如何入门科研、寻找重要问题，到设计实验、写论文、做学术报告，几乎把一名博士生需要经历的环节都拆解了一遍。

过去八年，彭思达的研究对象从动态人体一路延伸到城市街景，最近又转向机器人导航。方向在变，但他对研究的追求一直很明确，要做Top-down研究。

先想清楚要做出一个什么样的产品或系统，再从应用出发，一层层拆解问题，直到最基础的技术环节。

成为导师后，彭思达曾一度太在意帮学生发论文，反而偏离了解决问题本身。直到后来，他重新回到一线，亲自拆解问题、设计技术流程和分析实验现象，再带着学生一起做，才找回自己最享受的科研状态。

聊到最后，彭思达说：“自己最舒服的状态，还是作为一名一线科研人员去做研究。”

这也是彭思达身上最有意思的地方：既有把知识一点点磨透的耐心，又有把复杂问题拆解成一条条技术路线的探索欲。对他来说，科研不完全是一场追逐成果的竞赛，更像是不断认识新事物的过程。

学会一个新东西，就有一点“微快乐”；然后，再去学下一个。

欢迎添加作者李秋悦微信 lqy4605 ，最近关注世界模型、物理AI～

雷峰网 雷峰网