專訪圖拉古：讓 AI 以人類的方式進化，是我們的基本追求

　　極具設計感的休閑裝，扎起的長發，帶著金鏈的細邊眼鏡，讓多數人在第一次見到圖拉古時，都感覺他不像人工智能領域的技術專家，反而有一身的“藝術范兒”。

　　圈里的朋友和同事，仍會叫他“圖導”，他身上也還保留著深深的導演氣質。但近些年他卻頻繁現身技術圈，以主講嘉賓身份受邀參加各種國家級的技術交流研討會。即便是出席北京國際電影節、上海電影節、重慶電影科技周等場合，或以專家身份在清華大學、北京電影學院講課，談的也不再是電影創作，而全是關于下一代視聽技術的未來。

　　在6月22日華為舉辦的一年一度HDC 2024大會上，圖拉古分享了《視頻聲效大模型催生空間智能》的主題演講。作為在國內首個推出AI感知視聽大模型的創始人，此次他分享的AI大模型發展路徑備受關注，因為——

　　我們對AI“智能”的定義，變了!

　　當AI進化出類人“大腦”，走入“聯級神經元”框架

　　盡管2016年時，人工智能已經在世界圍棋方面下贏了人類，但我們仍然要說，AI的智能訓練還在早期，尤其是在對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、遙遠的天空，或是聽到夏夜的蛙叫蟲鳴，看到起伏的麥浪就知道風正在吹過……這一切，其實對AI來說都毫無意義。

　　現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，基本沒有脫離AIGC的范疇。

　　AI生成式內容，本質上來說還是對原有數據的打亂與再重組，然后訓練AI以人類習慣的結果呈現。

　　比如語言大模型，就是按照人的語言習慣進行對話;AI生成圖片，就是把物體A與物體B再組合，比如機器外觀的蜘蛛，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。而現在這些，卻被看成了是AI的創意與智慧。

　　但這種AI創首先是不穩定、不可控的，其次很多場景和人物，是很難通過文字描述而準確生成的，即使加再多的提示詞，文字也難以代替畫面。例如，當你想要一段70年代的中國街景視頻時，就會因為缺乏基礎的視頻素材數據，而難以輸出你想要的結果。

　　所以，AI的這種創造力，不是真正的創造力，可以說是數據素材的積累與再組合。

　　圖拉古就是那個愛給AI產業潑冷水的“吹哨人”，他在很多公開場合曾提出過自己的質疑。在他看來，AI的時代一定會到來，而且進化的速度會超過人們的想象。但是，現在大多數湊熱鬧的AI通用大模型，會在5年后死掉90%。

　　此次HDC 2024大會上，他提出了一種他的的AI理論：AI感知視聽(人工智能視覺聽覺)技術和全新改進的moe框架，稱之為“聯級神經元”框架，正是模擬人類的大腦多區域總決策行為。

　　AI感知視聽就是要讓人工智能具有與人類相似的視覺、聽覺感受，再通過聯級神經元框架，像人的“大腦”中樞系統一樣，將這些AI能力聯接起來，實現對世界的記憶力、理解力、分析力。

　　圖拉古提出，moe最早是在 1991 年的論文中，那時候還是網絡使用的一種方式，而在 AI 時代，它應該是一種類腦框架，需要把每一個專業的垂直 AI 模型作為一個神經元看待，這就像大腦一樣，有負責語言的區域，有負責音樂的區域，有負責行動的區域，有負責平衡的區域，他們雖然都在一個頭顱內，可是各自卻是獨立的，靠生物電通訊。

　　圖拉古提出的AI新理論，實際上是把AI的各項能力“化整為零”，再形成統一的認知，這樣不僅能耗更低，而且可以訓練的更精細。比如實現計算機的視覺分析能力，就可以只通過一臺普通攝影機和普通的消費顯卡完成，而不再需要巨量的算力支撐。

　　圖拉古表示，不要試圖訓練一個AI大模型，讓它學會所有，就像家長不要奢望自己的孩子十項全能一樣，你既要求他懂微積分，又要求他會拉小提琴，還要他會琴棋書畫，精通武藝拳腳。

　　圖拉古和他的團隊已經在AI感知視聽大模型中證實了這一理論的可行性。天圖萬境已經擁有了全亞洲最大的電影級視聽數據集和分割數據集，并正在與華為相關部門合作進行 AI 模型的專業訓練。此次HDC 2024大會上，天圖萬境與華為云攜手推出了“視頻聲效大模型”解決方案，正在向這一全新設計的“聯級神經元”類腦框架的更前端展開探索。

　　從電影領域到AI模型，跨行業復合思維在這個新時代十分重要

　　圖拉古的AI技術探索之路，始于拍電影。他應該算是電影導演中最懂計算機的，計算機里最懂視聽語言的。

　　開始，他是在拍攝科幻電影時，發現為什么所有好的視聽制作的技術、設備，軟件、硬件都被國外廠商所壟斷，這激起了他自主研發的想法。

　　當蘋果掉到牛頓頭上時，很多歷史性的轉折時刻就這么發生了。

　　圖拉古和他的團隊開始是AI研發之路。例如AI圖像分割，這個模型最早就是應用在電影摳像里。但是直到今天，人們才知道，原來天圖萬境的AI智能實時摳綠，并不是真正的摳綠。他們的摳像技術實際上是在訓練AI 認識世界，讓機器知道畫面里的物體是什么，并理解在設定情景下什么物體應該保留或者去掉，甚至還可以執行其他特定的決策。

　　人類看到的世界是立體的，而數字世界中的圖像、視頻是平面的。當然，現在借助一些MR頭顯設備、AR設備，人們可以穿梭到立體世界中看到三維的視頻，但普通攝影機的拍攝還做不到這樣的效果。人們會用激光雷達來測量立體世界，或是用多目組成類人左右眼的形式，計算視差，獲得立體世界。

　　可是我們知道，人類閉上一只眼睛的時候，也可以準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眼俠客的特異功能。人腦具有自己的經驗記憶推理能力，可以在單眼下獲得準確穩定的深度，而我們的機器正是需要這樣的能力。天圖萬境先后推出空間計算框架的多次升級的版本，實現了通過單目攝像頭實時獲取穩定的空間感知圖，實現了世界首個空間計算AI。

　　這些技術剛出現時，多數人還不能理解什么是空間計算，什么是AI感知，所以在過去的日子里，人們以為天圖萬境是一家電影技術公司。因為他們研發的AI感知視聽技術，最早應用在電影領域并取得了成功。但是，當AI技術逐漸走進大眾視野，天圖萬境的AI感知視聽大模型，才被更多人理解。原來，他們的摳綠不是摳綠，是在分割畫面;他們的還原不是還原，而是在計算空間;他們的音頻也不只是音頻，而是讓 AI理解世界。

　　圖拉古經常說自己是“帽子收集大師”，因為在人工智能領域的超前探索，讓他獲得了很多社會榮譽。但他最喜歡的，還是“科技工作者”這個頭銜。作為跨電影、光學、集成電路、計算機語言與圖形學等復合型專家，圖拉古不僅是“超級電影工業”發起者和開拓者，也是虛擬制作體系的引領者，更是開創AI視聽大模型先河的人。目前，該技術不僅在國內領先，在國際上也沒有相關理論和技術出現，圖拉古也成為了中國AI感知視聽領域的“大神級”人物。

　　圖拉古曾說過：“一個偉大的時代，在一種良性循環中，徐徐展開;人類、AI、機器和諧相處，互幫互助的美好愿景，正在向我們闊步走來”。 那么，就讓我們迎接這個美好的AI時代吧。