專訪圖拉古：讓 AI 以人類的方式進(jìn)化，是我們的基本追求

　　極具設(shè)計(jì)感的休閑裝，扎起的長(zhǎng)發(fā)，帶著金鏈的細(xì)邊眼鏡，讓多數(shù)人在第一次見(jiàn)到圖拉古時(shí)，都感覺(jué)他不像人工智能領(lǐng)域的技術(shù)專家，反而有一身的“藝術(shù)范兒”。

　　圈里的朋友和同事，仍會(huì)叫他“圖導(dǎo)”，他身上也還保留著深深的導(dǎo)演氣質(zhì)。但近些年他卻頻繁現(xiàn)身技術(shù)圈，以主講嘉賓身份受邀參加各種國(guó)家級(jí)的技術(shù)交流研討會(huì)。即便是出席北京國(guó)際電影節(jié)、上海電影節(jié)、重慶電影科技周等場(chǎng)合，或以專家身份在清華大學(xué)、北京電影學(xué)院講課，談的也不再是電影創(chuàng)作，而全是關(guān)于下一代視聽(tīng)技術(shù)的未來(lái)。

　　在6月22日華為舉辦的一年一度HDC 2024大會(huì)上，圖拉古分享了《視頻聲效大模型催生空間智能》的主題演講。作為在國(guó)內(nèi)首個(gè)推出AI感知視聽(tīng)大模型的創(chuàng)始人，此次他分享的AI大模型發(fā)展路徑備受關(guān)注，因?yàn)椤?/p>

　　我們對(duì)AI“智能”的定義，變了!

　　當(dāng)AI進(jìn)化出類人“大腦”，走入“聯(lián)級(jí)神經(jīng)元”框架

　　盡管2016年時(shí)，人工智能已經(jīng)在世界圍棋方面下贏了人類，但我們?nèi)匀灰f(shuō)，AI的智能訓(xùn)練還在早期，尤其是在對(duì)世界的感知能力方面幾乎為零。

　　人們能夠看到色彩斑斕的蝴蝶、遙遠(yuǎn)的天空，或是聽(tīng)到夏夜的蛙叫蟲(chóng)鳴，看到起伏的麥浪就知道風(fēng)正在吹過(guò)……這一切，其實(shí)對(duì)AI來(lái)說(shuō)都毫無(wú)意義。

　　現(xiàn)在人們大談特談的人工智能，尤其是火爆資本圈的AI大模型，基本沒(méi)有脫離AIGC的范疇。

　　AI生成式內(nèi)容，本質(zhì)上來(lái)說(shuō)還是對(duì)原有數(shù)據(jù)的打亂與再重組，然后訓(xùn)練AI以人類習(xí)慣的結(jié)果呈現(xiàn)。

　　比如語(yǔ)言大模型，就是按照人的語(yǔ)言習(xí)慣進(jìn)行對(duì)話;AI生成圖片，就是把物體A與物體B再組合，比如機(jī)器外觀的蜘蛛，或是戴帽子的狗等;AI生成視頻，同樣也是把原有視頻素材改頭換面出現(xiàn)。而現(xiàn)在這些，卻被看成了是AI的創(chuàng)意與智慧。

　　但這種AI創(chuàng)首先是不穩(wěn)定、不可控的，其次很多場(chǎng)景和人物，是很難通過(guò)文字描述而準(zhǔn)確生成的，即使加再多的提示詞，文字也難以代替畫(huà)面。例如，當(dāng)你想要一段70年代的中國(guó)街景視頻時(shí)，就會(huì)因?yàn)槿狈A(chǔ)的視頻素材數(shù)據(jù)，而難以輸出你想要的結(jié)果。

　　所以，AI的這種創(chuàng)造力，不是真正的創(chuàng)造力，可以說(shuō)是數(shù)據(jù)素材的積累與再組合。

　　圖拉古就是那個(gè)愛(ài)給AI產(chǎn)業(yè)潑冷水的“吹哨人”，他在很多公開(kāi)場(chǎng)合曾提出過(guò)自己的質(zhì)疑。在他看來(lái)，AI的時(shí)代一定會(huì)到來(lái)，而且進(jìn)化的速度會(huì)超過(guò)人們的想象。但是，現(xiàn)在大多數(shù)湊熱鬧的AI通用大模型，會(huì)在5年后死掉90%。

　　此次HDC 2024大會(huì)上，他提出了一種他的的AI理論：AI感知視聽(tīng)(人工智能視覺(jué)聽(tīng)覺(jué))技術(shù)和全新改進(jìn)的moe框架，稱之為“聯(lián)級(jí)神經(jīng)元”框架，正是模擬人類的大腦多區(qū)域總決策行為。

　　AI感知視聽(tīng)就是要讓人工智能具有與人類相似的視覺(jué)、聽(tīng)覺(jué)感受，再通過(guò)聯(lián)級(jí)神經(jīng)元框架，像人的“大腦”中樞系統(tǒng)一樣，將這些AI能力聯(lián)接起來(lái)，實(shí)現(xiàn)對(duì)世界的記憶力、理解力、分析力。

　　圖拉古提出，moe最早是在 1991 年的論文中，那時(shí)候還是網(wǎng)絡(luò)使用的一種方式，而在 AI 時(shí)代，它應(yīng)該是一種類腦框架，需要把每一個(gè)專業(yè)的垂直 AI 模型作為一個(gè)神經(jīng)元看待，這就像大腦一樣，有負(fù)責(zé)語(yǔ)言的區(qū)域，有負(fù)責(zé)音樂(lè)的區(qū)域，有負(fù)責(zé)行動(dòng)的區(qū)域，有負(fù)責(zé)平衡的區(qū)域，他們雖然都在一個(gè)頭顱內(nèi)，可是各自卻是獨(dú)立的，靠生物電通訊。

　　圖拉古提出的AI新理論，實(shí)際上是把AI的各項(xiàng)能力“化整為零”，再形成統(tǒng)一的認(rèn)知，這樣不僅能耗更低，而且可以訓(xùn)練的更精細(xì)。比如實(shí)現(xiàn)計(jì)算機(jī)的視覺(jué)分析能力，就可以只通過(guò)一臺(tái)普通攝影機(jī)和普通的消費(fèi)顯卡完成，而不再需要巨量的算力支撐。

　　圖拉古表示，不要試圖訓(xùn)練一個(gè)AI大模型，讓它學(xué)會(huì)所有，就像家長(zhǎng)不要奢望自己的孩子十項(xiàng)全能一樣，你既要求他懂微積分，又要求他會(huì)拉小提琴，還要他會(huì)琴棋書(shū)畫(huà)，精通武藝拳腳。

　　圖拉古和他的團(tuán)隊(duì)已經(jīng)在AI感知視聽(tīng)大模型中證實(shí)了這一理論的可行性。天圖萬(wàn)境已經(jīng)擁有了全亞洲最大的電影級(jí)視聽(tīng)數(shù)據(jù)集和分割數(shù)據(jù)集，并正在與華為相關(guān)部門合作進(jìn)行 AI 模型的專業(yè)訓(xùn)練。此次HDC 2024大會(huì)上，天圖萬(wàn)境與華為云攜手推出了“視頻聲效大模型”解決方案，正在向這一全新設(shè)計(jì)的“聯(lián)級(jí)神經(jīng)元”類腦框架的更前端展開(kāi)探索。

　　從電影領(lǐng)域到AI模型，跨行業(yè)復(fù)合思維在這個(gè)新時(shí)代十分重要

　　圖拉古的AI技術(shù)探索之路，始于拍電影。他應(yīng)該算是電影導(dǎo)演中最懂計(jì)算機(jī)的，計(jì)算機(jī)里最懂視聽(tīng)語(yǔ)言的。

　　開(kāi)始，他是在拍攝科幻電影時(shí)，發(fā)現(xiàn)為什么所有好的視聽(tīng)制作的技術(shù)、設(shè)備，軟件、硬件都被國(guó)外廠商所壟斷，這激起了他自主研發(fā)的想法。

　　當(dāng)蘋(píng)果掉到牛頓頭上時(shí)，很多歷史性的轉(zhuǎn)折時(shí)刻就這么發(fā)生了。

　　圖拉古和他的團(tuán)隊(duì)開(kāi)始是AI研發(fā)之路。例如AI圖像分割，這個(gè)模型最早就是應(yīng)用在電影摳像里。但是直到今天，人們才知道，原來(lái)天圖萬(wàn)境的AI智能實(shí)時(shí)摳綠，并不是真正的摳綠。他們的摳像技術(shù)實(shí)際上是在訓(xùn)練AI 認(rèn)識(shí)世界，讓機(jī)器知道畫(huà)面里的物體是什么，并理解在設(shè)定情景下什么物體應(yīng)該保留或者去掉，甚至還可以執(zhí)行其他特定的決策。

　　人類看到的世界是立體的，而數(shù)字世界中的圖像、視頻是平面的。當(dāng)然，現(xiàn)在借助一些MR頭顯設(shè)備、AR設(shè)備，人們可以穿梭到立體世界中看到三維的視頻，但普通攝影機(jī)的拍攝還做不到這樣的效果。人們會(huì)用激光雷達(dá)來(lái)測(cè)量立體世界，或是用多目組成類人左右眼的形式，計(jì)算視差，獲得立體世界。

　　可是我們知道，人類閉上一只眼睛的時(shí)候，也可以準(zhǔn)確的拿到面前的水杯，也可以知道自己距離物體的距離，甚至一些電影里還描繪了獨(dú)眼俠客的特異功能。人腦具有自己的經(jīng)驗(yàn)記憶推理能力，可以在單眼下獲得準(zhǔn)確穩(wěn)定的深度，而我們的機(jī)器正是需要這樣的能力。天圖萬(wàn)境先后推出空間計(jì)算框架的多次升級(jí)的版本，實(shí)現(xiàn)了通過(guò)單目攝像頭實(shí)時(shí)獲取穩(wěn)定的空間感知圖，實(shí)現(xiàn)了世界首個(gè)空間計(jì)算AI。

　　這些技術(shù)剛出現(xiàn)時(shí)，多數(shù)人還不能理解什么是空間計(jì)算，什么是AI感知，所以在過(guò)去的日子里，人們以為天圖萬(wàn)境是一家電影技術(shù)公司。因?yàn)樗麄冄邪l(fā)的AI感知視聽(tīng)技術(shù)，最早應(yīng)用在電影領(lǐng)域并取得了成功。但是，當(dāng)AI技術(shù)逐漸走進(jìn)大眾視野，天圖萬(wàn)境的AI感知視聽(tīng)大模型，才被更多人理解。原來(lái)，他們的摳綠不是摳綠，是在分割畫(huà)面;他們的還原不是還原，而是在計(jì)算空間;他們的音頻也不只是音頻，而是讓 AI理解世界。

　　圖拉古經(jīng)常說(shuō)自己是“帽子收集大師”，因?yàn)樵谌斯ぶ悄茴I(lǐng)域的超前探索，讓他獲得了很多社會(huì)榮譽(yù)。但他最喜歡的，還是“科技工作者”這個(gè)頭銜。作為跨電影、光學(xué)、集成電路、計(jì)算機(jī)語(yǔ)言與圖形學(xué)等復(fù)合型專家，圖拉古不僅是“超級(jí)電影工業(yè)”發(fā)起者和開(kāi)拓者，也是虛擬制作體系的引領(lǐng)者，更是開(kāi)創(chuàng)AI視聽(tīng)大模型先河的人。目前，該技術(shù)不僅在國(guó)內(nèi)領(lǐng)先，在國(guó)際上也沒(méi)有相關(guān)理論和技術(shù)出現(xiàn)，圖拉古也成為了中國(guó)AI感知視聽(tīng)領(lǐng)域的“大神級(jí)”人物。

　　圖拉古曾說(shuō)過(guò)：“一個(gè)偉大的時(shí)代，在一種良性循環(huán)中，徐徐展開(kāi);人類、AI、機(jī)器和諧相處，互幫互助的美好愿景，正在向我們闊步走來(lái)”。 那么，就讓我們迎接這個(gè)美好的AI時(shí)代吧。