听雨 发自 凹非寺量子位 | 公众号 QbitAI

Yann LeCun押注的天下模子蹊径，，，，，一匹深圳黑马也已提前落子。。。。

他们是视启未来，，，，，做出全球第一视觉大模子——Grounding DINO、DINO-X——的那支团队。。。。

他们并不知足于「望见天下」，，，，，而是正起劲把AI进一步推向「预见未来」的能力界线。。。。

现在，，，，，他们押注的是隐空间天下模子

要知道，，，，，LeCun为了这条手艺蹊径，，，，，脱离Meta、开办AMI Labs，，，，，完成10.3亿美元融资，，，，，创下欧洲史上最大种子轮纪录。。。。

差别于主流天下模子展望下一帧画面长什么样，，，，，隐空间天下模子要求AI在更笼统的表征空间里，，，，，学习行动和天下状态转变之间的因果纪律。。。。

5月15日，，，，，在2026全球人工智能终端展暨第七届深圳国际人工智能展览会举行的「AGI前夜：大模子的醒觉时刻」论坛上，，，，，视启未来首创人张磊，，，，，更是在主题演讲中直言：

做天下模子很难，，，，，做隐空间天下模子更难，，，，，但我们会知难而进。。。。

隐空间天下模子为什么是更难的那条路？？
？难在那里？？
？

做出来又意味着什么？？
？

「隐空间天下模子很难，，，，，但我们一定要做」

随着人工智能加速从数字天下走向物理天下，，，，，智能体面临的焦点使命已经变了。。。。

不但要「望见」，，，，，并且要「预见」——明确因果关系，，，，，掌握时空动态，，，，，在希罕反馈与重大约束下完成妄想、决议与学习。。。。

强化学习提供了从交互履历中学习的基本范式。。。？？
？创笥镅阅Ｗ诱獗，，，，，从ChatGPT应用强化学习，，，，，到o系列模子以及coding能力的突破，，，，，实质上都是一系列强化学习算法应用的突破。。。。

但物理天下的样本效率低、清静约束严、交互本钱高、情形不可重置，，，，，纯粹依赖在线试错的要领，，，，，难以扩展到真实场景。。。。

张磊的判断是，，，，，真正的智能，，，，，不可只停留在「看到目今状态就输出行动」的层面

若是没有对未来状态的预想、对行动效果的预判，，，，，智能体就无法在物理天下中一连睁开决议链条，，，，，也难以真正进入现真相形。。。。

这正是天下模子的意义所在：让AI从履历数据中学习行动、状态与效果之间的因果关系，，，，，在行动前先「想象」下一步可能爆发什么，，，，，为强化学习提供可扩展的内部预演空间。。。。

在张磊看来，，，，，目今种种天下模子蹊径都在差别偏向上推进得很快。。。。但关于机械人和物理智能而言，，，，，一个焦点挑战仍然保存：

模子学到的事实是像素级相关性，，，，，照旧可用于妄想和控制的物理纪律与因果关系？？
？

模子在像素层面学习，，，，，很容易被纹理、光照、配景等细节滋扰，，，，，学习效率低下，，，，，倒运于学习真实的因果关系和物理纪律。。。。

这正是LeCun说「在输入空间做展望是糟糕的」的原因，，，，，也是隐空间天下模子的出发点

Latent表征的价值在于，，，，，它可以把高维、冗余的视觉输入压缩成更笼统的状态体现，，，，，过滤掉大宗与决议无关的像素细节，，，，，把学习重点放到更实质的转变纪律上。。。。

可以说，，，，，表征学习是天下模子中最为焦点的问题。。。。

换句话说，，，，，隐空间天下模子不执着于「未来画面长什么样」，，，，，而更关注「天下状态怎样演化」，，，，，因此更适合学习物理纪律和因果关系。。。。

但视启发明，，，，，现有的隐空间方案还差了要害的一步。。。。

大大都latent表征虽然脱离了像素，，，，，却并不真正「明确物体」。。。。

若是模子不知道场景里哪些是自力物体、物体之间是什么关系、哪些转变来自视角、哪些转变来自交互，，，，，那么它要直接在隐空间中学习物理纪律，，，，，难度仍然很是高。。。。

原因很简朴：物理纪律实质上并不作用在像素上，，，，，而是作用在物体、结构和关系上。。。。

我们这里也做了张图，，，，，利便各人明确：

张磊以为，，，，，latent表征必需具备明确物体的能力，，，，，才华更好地学习物理纪律。。。。

视启的解法是把物体明确能力引入latent表征学习中，，，，，通过2D感知、3D表征、支解和语义明确，，，，，让latent表征具备「天下由哪些物体组成、它们处于什么空间位置、具有什么语义属性」的基础认知，，，，，再进一步学习行动驱动下的状态转移和物理演化。。。。

通过引入物体明确的结构信息，，，，，模子可以更高效地对数据举行压缩，，，，，从海量数据中学到内在的、更为实质的纪律。。。。

这样，，，，，模子学习的不再是黑盒式表征，，，，，而是一个更具工具性、空间性和物理性的结构化latent天下。。。。

因此，，，，，视启将自己的蹊径称为「视觉原生天下模子」，，，，，这也是他们和其他隐空间天下模子的要害区别。。。。

为了实现真正可落地的物理天下模子，，，，，张磊以为，，，，，这类模子需要同时具备三个焦点特征：

Object-Centric，，，，，以物体为中心。。。。

表征不可停留在像素层面，，，，，要具备对物体的明确能力，，，，，能够识别天下由哪些工具组成、它们之间怎样交互。。。。只有这样，，，，，模子才有可能从海量数据中学习到更稳固、更可泛化的物理纪律，，，，，而不是停留在外貌的视觉相关性上。。。。

Action-Aligned，，，，，跨本体行动对齐。。。。

把人手行动、机械臂操作以及差别机械人本体的数据对齐到统一体现空间，，，，，从而更高效地使用大宗人类交互数据，，，，，资助机械人更快学会怎样与情形互动。。。。

Causality-Driven，，，，，因果驱动。。。。

天下模子要学的，，，，，是「执行某个行动之后，，，，，天下状态将怎样转变」。。。。只有具备这种因果建模能力，，，，，天下模子才华真正与强化学习连系，，，，，支持机械人在与情形一连交互中一直提升决议、学习和泛化能力。。。。

张磊说，，，，，视启对偏向的判断始终准确，，，，，只是赛道的热闹水平，，，，，确实凌驾了当初的预想。。。。

不过，，，，，这反而印证了视启坚守隐空间蹊径的前瞻性——在所有人都往像素空间冲的时间，，，，，视启已经在更难、也更准确的偏向上积累了先发优势。。。。

从全球第一视觉大模子，，，，，到视觉原生天下模子

张磊关于天下模子的看法，，，，，并非空穴来风。。。。

背后是视启恒久构建的以物体为中心的视觉明确能力，，，，，也是这支团队数年的积累。。。。

视启未来，，，，，其焦点团队来自粤港澳大湾区数字经济研究院盘算机视觉与机械人研究中心（IDEA CVR）孵化的DINO-X团队

团队已一连推出DINO、Grounding DINO、DINO-X等代表性事情，，，，，一连推动开放天下目的检测与物体级视觉明确的生长。。。。

Grounding DINO已成为开放集检测的主要里程碑之一，，，，，而DINO-X则是面向开放天下物体明确的全球领先视觉大模子。。。。

今年4月，，，，，谷歌DeepMind揭晓的Vision Banana论文中，，，，，也多处提到视启未来的DINO-X模子。。。。

这篇论文的署名作者包括何恺明和谢赛宁，，，，，在SA-CO/Gold instance segmentation使命上，，，，，强调DINO-X是zero-shot transfer物体明确的全球SOTA。。。。

别的，，，，，DINO系列论文也普遍被Meta的SAM2/SAM3、阿里的Qwen系列、字节的Seed系列引用。。。。这反映出视觉物体明确基模门槛极高，，，，，依赖强盛的视觉基座大模子预训练能力。。。。

自2023年以来，，，，，视启未来依附Grounding-DINO与DINO-X系列，，，，，在开放物体明确榜单上坚持了最长的一连领先时间。。。。

有趣的是，，，，，DINO的意思是「恐龙」，，，，，恐龙也是这个团队种种模子的标记。。。。

他们尚有一个基于视觉提醒做物体检测的模子T-Rex2 （ECCV 2024），，，，，就是恐龙家族的霸王龙。。。。

DINO系列解决的焦点问题，，，，，正是Object-Centric天下模子最需要的底层能力：让机械真正「看懂」天下由哪些物体组成、它们在那里、它们之间是什么关系。。。。

视启未来的蹊径，，，，，更强调面向真实天下交互的Object-Centric表征能力，，，，，即围绕「物体是什么、在那里、怎样被引用、怎样与情形爆发关系」建设统一建模能力。。。。

在此基础上，，，，，视启未来不但在2D物体检测与支解，，，，，3D物体明确与语义明确上建设了显著优势，，，，，也一连向3D行动明确延伸，，，，，形成了从望见物体，，，，，到明确物体，，，，，再到明确行动与物体交互的完整能力栈。。。。

从这个意义上说，，，，，视启做天下模子并不是转型，，，，，而是在其原有手艺基础上的顺势延伸。。。。

单个模子的乐成还能归因于时机，，，，，那么一连做出Grounding DINO、DINO-X等这样的全球领先物体明确视觉基座大模子，，，，，更多说明的是团队底层能力已经成型。。。。

对一家做基础模子的团队来说，，，，，这意味着它不但会「做模子」，，，，，更掌握了数据组织、预训练范式、能力迁徙和使命扩展的系统要领，，，，，这恰恰是基模训练能力最有说服力的体现。。。。

这种能力已经最先在产品上体现。。。。5月15日，，，，，视启未来联合百度智能云在2026全球人工智能终端展上正式宣布EgoTwin——全球最新的高质量Ego人手3D对齐引擎。。。。

若是说视觉原生天下模子是视启未来的恒久手艺蹊径，，，，，那么EgoTwin就是这条蹊径在具身智能数据层面的第一个产品化抓手。。。。

EgoTwin直击行业最卡脖子的难题——把人手操作数据转化为机械人能用的训练数据，，，，，数据收罗效率是行业主流方案的3.75倍。。。。

更主要的是，，，，，EgoTwin并不但是一个数据收罗工具：它一方面把人类Ego操作视频转化为机械人可学习的数据资产，，，，，另一方面也为天下模子提供Action-Aligned的训练底座，，，，，成为「数据引擎—模子迭代—本体落地」闭环的第一步。。。。

更大的愿景，，，，，张磊直言：天下模子将成为物理天下AI的焦点基础设施。。。。

在他看来，，，，，数字天下中，，，，，大语言模子正在肩负类似于OS（操作系统）的角色，，，，，底层是GPU算力，，，，，中心是大语言模子，，，，，上层是种种各样的Agent。。。。

这条路已经被充分验证，，，，，无论是Coding领域照旧其他Agent形态，，，，，都已经证实走得通。。。。

物理天下里，，，，，同样的范式转变正在爆发。。。。只不过，，，，，物理天下的基础设施除了算力之外，，，，，还会加入机械人本体。。。。

在这一层之上，，，，，张磊向导的天下模子团队正在买通Learning From Experience的范式，，，，，机械人在学习历程中可以变得越发自主、越发高效，，，，，由此获得更强的物理使命手艺。。。。

英伟达科学家Jim Fan年头说，，，，，下一个词展望是第一种预训练范式，，，，，现在我们正在履历第二次范式转变：下一个物理状态展望。。。。

他预言，，，，，2026年将被载入史册，，，，，成为天下模子为机械人手艺涤讪真正基础的第一年。。。。

张磊支持这个判断，，，，，同时强调一点：视觉，，，，，是物理智能最主要的信息入口，，，，，也是通向天下模子的要害优势偏向。。。。

视启未来恒久积累的检测、识别、支解、跟踪、3D物体明确，，，，，3D行动明确与开放天下感知能力，，，，，不但让机械更好地「望见」天下，，，，，也为其进一步建模天下、预演未来、支持行动提供了坚实基础。。。。

天下级目的，，，，，吸引天下级人才

要做天下级的模子，，，，，首先得有天下级的团队。。。。

视启未来首创人兼CEO张磊，，，，，是这支团队最主要的底色。。。。

张磊博士，，，，，师承中国人工智能涤讪人张钹院士，，，，，并曾恒久在盘算机科学与人工智能领域天下级专家、美国国家工程院外籍院士沈向洋先生向导下事情。。。。

作为 IEEE Fellow，，，，，他累计揭晓200余篇顶级聚会和期刊论文，，，，，Google Scholar 总引用已凌驾7.3万次。。。。

他曾在微软亚洲研究院、微软总部研究院及盘算机视觉相关产品部分任首席研究员，，，，，向导研究组从事盘算机视觉基础研究，，，，，及其在大规模图像剖析、物体检测、视觉语言多模态明确方面的应用，，，，，研究效果被普遍用于微软必应搜索及认知服务云盘算平台。。。。

值得一提的是，，，，，在张磊举行博士深造之前，，，，，是海内最早一批加入室内移念头械人研究的职员之一。。。。

绕了一个大圈，，，，，从机械人到盘算机视觉，，，，，再从视觉回到机械人，，，，，这条轨迹并非无意，，，，，而是他对物理天下AI判断的一直逻辑在驱动。。。。

2021年，，，，，张磊加入IDEA研究院，，，，，向导团队研发DINO-X视觉大模子，，，，，为机械赋予物体级明确能力。。。。

随后其孵化视启未来，，，，，将这套能力推向天下模子赛道。。。。

视启未来还约请了张钹院士、沈向洋院士担当科学照料。。。。团队焦点成员主要来自清华大学、微软、腾讯等顶尖高校与海内外科技大厂。。。。

据视启透露，，，，，团队中约50%具有清华配景，，，，，约20%拥有智能驾驶相关履历，，，，，80%为90后青年人才，，，，，100%具备外洋或海内头部科技企业履历。。。。

近期，，，，，视启在北京进一步吸引了多位海内机械人和强化学习偏向的优异年轻算法人才加入。。。。

他们的自动选择加入，，，，，自己就是一种投票——投的是视启在天下模子偏向上的手艺判断，，，，，也是他们对这支团队能够再创绚烂的信心。。。。

做天下模子很难，，，，，做隐空间天下模子更难。。。。

一经做出天下第一视觉大模子的视启团队，，，，，正把同样的信心，，，，，押注在隐空间天下模子上。。。。

张磊和他的视启未来，，，，，正走在将隐空间天下模子贯彻究竟、知难而进的路上。。。。