Sa unang kalahati ng 2026, ang kabuuang pagsasakop sa larangan ng AI sa Tsina sa赛道 ng pandaigdigang modelo ay umabot sa halos 90 bilyong yuan, na may pagtaas na higit sa limang beses.

May-akda ng artikulo, pinagkukunan: Leifengwang

Sa unang kalahati ng 2026, ang pera at mga tao sa Chinese AI community ay umuusbong sa iisang direksyon: ang world model.

Sa mga unang anim na buwan lamang, ang kabuuang pondo na inanunsyo sa domestic world model sector ay humigit-kumulang sa 30 bilyong yuan; kung isasama ang fusion sector ng “embodied AI + world model,” tumataas ang numero sa higit sa 90 bilyong yuan.

Mas higit sa limang beses ang pagtaas ng pagsasalapi kumpara sa parehong panahon noong nakaraang taon.

Bilyon-bilyong pondo, malaking bilang ng mga talento, parang alon na dumadaloy.

Isang tanong na hindi maaaring iwasan: Maraming tao ang sumisulpot dito, ilan sa kanila ang talagang naiintindihan kung ano talaga ito?

Ang mga propesyonal ay naghahanap ng direksyon, ang mga investor ay naghahanap ng tao, ang mga headhunter ay nag-aaral ng organisasyon, at ang mga strategic department ng malalaking kumpanya ay nag-aaral kung sino ang makakarating sa pagtatapos.

Isang kakaibang bagay ay lahat ay nagtatanong ng parehong tanong: Mayroon ba kahit sino na makakapagpaliwanag nang malinaw tungkol sa world model?

Oo.

Ngayon ay sinuri namin nang malalim si Zhang Lei, ang Chair Scientist ng IDEA Research Institute at tagapagtatag ng ShiQi Future, upang pag-usapan ang bagay na ito.

Siya ay IEEE Fellow na may higit sa 77,000 na mga sulyap sa Google Scholar. Ang kanyang DINO series ay nangunguna sa COCO nang limang buwan, habang ang Grounding DINO at ang susunod na DINO-X ay lumampas sa Google at Meta, at ginamit bilang “standard” ng maraming pang-global na lider na institusyon tulad ng team ni Fei-Fei Li, NVIDIA, at Galaxy General.

Noong 2025, dinala niya ang kanyang tim sa IDEA upang i-hatch at itatag ang ShiQi Future, at nakatanggap ng halos isang bilyon sa unang pagsisikap sa loob ng isang buwan.

Nakatayo sa likod niya ang dalawang mga bantog na AI: ang kanyang akademikong tagapayo, si Akademyano Zhang Bo (isa sa mga tagapagtatag ng artificial intelligence sa China), at ang kanyang tagapayo sa industriya, si Akademyano Shen Xiangyang (dating Global Executive Vice President ng Microsoft at dating President ng Microsoft Asia Research Institute).

Ngunit hindi ito ang pangunahing dahilan kung bakit hinanap namin siya.

Ang dahilan kung bakit hinanap namin siya ay simpleng: noong 2026, kung saan lahat ay nagtatalakay tungkol sa “Ano ang world model?”, si Zhang Lei ay isa sa kaunting mga tao na nagbigay ng malinaw, praktikal, at hindi nakikipagkasundo sa anumang pangunahing pananaw.

Mula sa pangunahing siyentipiko ng Microsoft Research, hanggang sa siyentipiko na may panig sa IDEA Research, at pagkatapos ay isang entrepreneur—marami ang pagbabago sa kanyang karera, ngunit ang kanyang pag-aaral ay hindi nagbago: “Gawing maunawaan ng AI ang mga bagay.”

Ang world model ay ang mahalagang sagot sa isang paksa na ginawa ng higit sa dalawampung taon sa pisikal na mundo.

Kung kasalukuyang sinusubaybayan mo ang field ng world models, nais mong maunawaan kung talagang bubble ito, nais mong malaman kong sino ang mananalo sa pagtatampok ng direksyon, at nais mong masuri kong anong uri ng team ang pinakadapat sundan—ang usapan na ito ay worth your time.

Narito ang transkripsyon ng talakayan, na binago ng AI Tech Review nang walang pagbabago sa kahulugan.

Dr. Zhang Lei, IEEE Fellow, founder and CEO of ShiQi Future, currently serves as a Distinguished Scientist at the Center for Computer Vision and Robotics (CVR) of IDEA Research Institute, adjunct professor at Hong Kong University of Science and Technology (Guangzhou), and former chief researcher at Microsoft Research Asia and Microsoft Headquarters Research. He has published over 200 papers in computer vision and other fields, with over 77,000 citations on Google Scholar, an H-Index of 107, and more than 60 granted U.S. patents. He was elected as an IEEE Fellow for his outstanding contributions to large-scale image recognition and multimedia information retrieval.

Ang pinakamalaking hadlang sa embodied intelligence ay hindi ang katawan, kundi ang utak

Pagsusuri sa Teknolohiya ng AI: Noong nakaraang taon, nagkaroon ng paglago ang embodied intelligence; ang mga kumpanya ng robot ay naging lalong nakakagulat sa pagkontrol ng galaw—ang robot ni Unitree ay tumatakbo sa track ng marathon, habang ang robot ni AgiXp ay nakakagawa ng somersault. Gayunpaman, obserbado namin na sa pagpapatupad ng mga aplikasyon, parang kulang pa sa isang hininga. Ano ang mga hamon na dapat pa linutasin upang maging totoong realidad ang embodied intelligence?

Zhang Lei: Ang dalawang pangunahing bagay na dapat lutasin ng robot ay ang tagumpay at ang pagkakaroon ng kakayahang magamit sa iba’t ibang sitwasyon. Ang tagumpay ay tumutukoy kung kaya ba ng isang gawain na matatag na matapos; ang pagkakaroon ng kakayahang magamit sa iba’t ibang sitwasyon naman ay ang kakayahang matapos ang parehong gawain kahit na nagbago ang kapaligiran o ang katawan.

May apat na tiyak na hamon:

Una, kulang ang pagkakaroon ng pangkalahatang kakayahan sa isang tanging skena. Maraming koponan ngayon ang nakakapagpapataas ng tagumpay sa isang tanging skena hanggang 70% o kahit 80%, na tila malaking paglalagom. Ngunit ano ang ibig sabihin ng 80% sa totoong aplikasyon? Ibig sabihin nito ay isang pagkabigo sa bawat limang pagkilos, kailangan pa rin ng malaking lakas ng paggawa para magkaroon ng suporta, at hindi kayang i-deploy nang independiyente.

Pangalawa, hindi sapat ang pangkalahatang pagpapalawak ng mga skena. Dapat muna ipaglaban ang kakayahan sa isang punto hanggang sa limitasyon nito, bago ipalawak ang lawak ng aplikasyon sa iba’t ibang skena, upang maisagawa nito ang mas marami at mas kumplikadong mga gawain sa mas kumplikadong kapaligiran. Ito ang pinakamalaking pagkakahati sa pagitan ng “demonstrasyon sa laboratorio” at “totoong aplikasyon”.

Ikatlo, ang kakulangan sa malalim na kakayahan ng “utak”. Ang kasalukuyang deep learning ay higit na nakatuon sa pag-aaral ng “pag-uugali” ng inteligensya, hindi naman ang “mekanismo” (ang mga prinsipyo sa likod ng inteligensya). Kailangan ng embodied brain ang tunay na causal inference sa pisikal na mundo (hindi lamang statistical correlation, kundi pag-unawa sa lohikal na serye ng “dahil sa A, kaya B”), pangkabuhayang pag-unawa, at kakayahang mag-adapt, at sa aspetong ito, tayo ay bago lang lang nagsisimula.

Ikaapat, malayo pa sa antas ng “end-user” application. Sa kasalukuyan, ang karamihan sa mga robot ay nakasalalay sa malaking eksternal na computing power, at kailangan nilang lutasin ang pangunahing problema ng “hindi kailangan ng tao na magtanggol” upang maisagawa ito sa malawakang mga skena at makabuo ng positibong siklo ng “application-data-iteration”.

Pagsusuri sa AI Technology: Nangunguna nang tapat, mayroong malaking pagkakaiba ng opinyon sa industriya tungkol sa tanong na ito. Ang mga koponan na nakatuon sa hardware ay naniniwala na malakas ang kahusayan ng supply chain ng China at dapat unahin ang pagbaba ng gastos ng produkto; samantala, ang mga koponan na nakatuon sa algorithm ay naniniwala na ang talino mismo ang tunay na pinag-uusapan. Ano ang inyong pananaw?

Zhang Lei: Mas mahirap, ngunit mas mahalaga ang utak.

Sa aspeto ng hardware, nakakatuwa ang pag-unlad ng China. Ang mga kumpanya tulad ng Unitree at Zhiyuan ay nag-iitera ng motion control sa pamamagitan ng simulation-based reinforcement learning (pagtuturo ng mga algorithm ng kontrol sa virtual na kapaligiran bago isalin sa totoong robot), at patuloy na pinapabuti ang mga pangunahing komponente tulad ng motor at transmission mechanism, na nagresulta sa malaking pagpapabuti sa gastos at kakaibigan. Nakalikha sila ng isang napakatibay na landas. Gayunpaman, ang kakayahan ng hardware sa marathon at表演 ay maaaring sabihin na mayroon na lamang ito sa mga pangunahing kakayahan ng hayop—ang mga natural na tugon, paglalakbay, pag-iwas, at pakikipag-ugnayan sa kapaligiran ng hayop—ay hindi pa natutupad ng hardware.

Pagsusuri sa AI: Sinasabi ninyo na mas mahirap ang “utak”—saan talaga ang hirap? Dahil sa kakulangan ng data, o dahil sa sobrang kakaunti nating pag-unawa sa sariling智能化?

Zhang Lei: Ang mahirap ay ang mga mekanismo sa likod ay hindi pa natin lubos na nauunawaan. Ang utak ng tao, kumpara sa iba pang mga hayop, ay may pinakamataas na antas ng pagkakaiba at intelektwal na kakayahan. Sa kasalukuyan, lahat ng mga pag-usbong sa deep learning ay batay sa panlabas na pagkikita kung ano ang antas ng intelektwal na kakayahan ng utak, at pagkatapos ay ginagamit ang mga algoritmo upang maisabuhay ito. Sa katotohanan, ang AI ay natututo sa pag-uugali ng tao, hindi sa sariling intelektwal na kakayahan ng tao. Tulad ng madalas sabihin ni Guro Zhang Bo, ang malalaking modelo ng wika ay maaaring magsalita tulad ng tao, ngunit ang paraan kung paano ito nauunawaan ang wika ay lubos na iba sa paraan ng tao.

Bakit natagalan ng dalawampung taon ang world model, at bakit biglang naging sikat ngayon?

Pagsusuri sa Teknolohiya ng AI: Kasabay ng pag-usbong ng embodied AI, biglang naging popular ang konsepto ng “world model.” Ngunit alam ng lahat sa loob ng industriya na ito ay hindi bagong salita—noong 1990s ay may mga akademiko na itinampok na ito. Naiisip namin, bakit natigil ang konseptong ito sa loob ng dalawampung taon at biglang naging trend muli ngayon?

Zhang Lei: Mahusay ang tanong na ito. Ang world model ay hindi bagong konsepto. Noong unang bahagi ng dekada ng 90, may mga akademiko na nagsubok na gumawa ng modelo ng kapaligiran para sa pag-interact ng mga agent (mga AI system na nakakakita ng kapaligiran at nagpapatakbo ng mga aksyon upang makamit ang layunin), upang tulungan ang pagpapabuti ng mga algoritmo sa reinforcement learning, ngunit noong panahong iyon ay hindi pa umusbong ang deep learning, kaya mahirap i-verify ang konsepto pagkatapos itong ipresenta.

Totoo pang napatunayan ang konseptong ito noong paligid ng 2018–2019, nang lumabas ang mga papel na tawagin na “World Models” at ginamit sa mga game scene, dahil ang mga laro ay ang pinakamahusay na kapaligiran para patunayan ang reinforcement learning.

Ilang taon pagkatapos ng pag-unlad ng reinforcement learning, nakakamit na ng AI ang kakayahang manalo sa mga human player sa mga laro. Sa panahong iyon, nagsimula ang mga mananaliksik na isipin: Maaari ba naming gawing makapag-ugnay ang AI agent sa paligid ng laro, upang makalikha nang sarili nitong modelo ng mundo, at isama ang proseso ng pagbabago ng paligid sa modelo? Ang ideyang ito ay napapatotohanan nang buo noong 2018 hanggang 2020.

Pagsusuri sa AI Technology: Paano ito nauugnay sa embodied intelligence ngayon? Sa aming narinig, parang ang embodied ang tunay na nagpapalit ng world model?

Zhang Lei: Ang ugnayang ito ay dapat ipaliwanag mula sa language model. Ang industriya ay unang gumawa ng VLA (Vision-Language-Action, o modelo ng paningin-linggwistika-aksyon, kung saan ang robot ay tumitingin sa imahe at nagpapahula ng susunod na aksyon), at ginamit ang parehong paraan ng imitation learning mula sa language model: ang language model ay gumagawa ng Next Token Prediction; samantala, ang embodied VLA ay ang robot na tumitingin sa kasalukuyang imahe at nagpapahula kung paano gagawin ang susunod na aksyon.

Ngunit madaling makarating sa hangganan ang paraang ito. Ang hangganan ay hindi lang sa data; naniniwala ako na ang data ay isang aspeto lamang, habang ang isa pang aspeto ay ang hindi sapat na paggamit ng reinforcement learning. Mayroon akong metapora: ang imitation learning ay nagtuturo sa language model kung paano magsalita, habang ang reinforcement learning ay nagtuturo sa language model kung paano magsalita nang tama.

Ang antas ng inteligensya ng robot at ang tagumpay na rate ng mga galaw ay kailangan din ng reinforcement learning.

Ngunit ang reinforcement learning kapag ginagamit sa embodied systems, ay nakakatagpo ng dalawang makapagpapahamak na hadlang: una, ang efisiyensiya ng pagkolekta ng data ay napakababa, mas mababa kaysa sa language models; kailangan ng robot na gawin nang talagang ang bawat aksyon sa totoong kapaligiran at hintayin ang pisikal na feedback; at pangalawa, ang gastos ng pagkabigo ay hindi matitiyak—kung hindi matututo ang robot na maglilinis ng pinggan, sisiraan nito ang pinggan; kung matututo ang autonomous driving na iwasan ang aksidente, maaaring kailanganin nito na harapin ang maraming totoong aksidente bago matutunan. Ito ay iba sa pagkakaroon ng mababang gastos sa pagsubok at pagkakamali ng language models sa digital na mundo.

Ang virtual na kapaligiran na ibinibigay ng world model ay ang tamang solusyon para sa mga problema na ito. Kung ang isang model ay makapag-predict kung “paano magiging kapaligiran kung gawin ko ito aksyon,” maaaring mag-“mental rehearsal” ng maraming pagsubok at pagkakamali sa virtual na mundo ang robot, nang hindi kailangang mabasag ang isang libo't isang plato.

(Nota ng may-akda: Ito ang simpleng lohika ng pahayag na ito. Una, kailangan ng maraming pagsubok at pagkakamali para matutunan ng robot ang isang gawain. Ikalawa, sobrang mahal at mapanganib ang pagsubok sa totoong mundo. Ikatlo, ang mundo model ay isang “virtual na training ground” para sa robot, kung saan ito ay maaaring i-predict ang bawat epekto ng mga galaw nito sa isip. Ikaapat, kailangan lang i-apply sa totoong mundo ang pinakamahusay na solusyon. Dito nagmumula ang dahilan kung bakit biglaang naging sentro ng interes ng buong industriya ang mundo model sa panahong ito.)

Hindi ito tinatawag na world model kung hindi gumagamit ng aksyon bilang kondisyon ng input.

Pagsusuri sa AI Technology: Sa kasalukuyan, ang depinisyon ng industriya sa “mundo model” ay lubos na magulo. Ang video generation ay tinatawag na mundo model, ang 3D space modeling ay tinatawag na mundo model, at ang JEPA (Joint Embedding Predictive Architecture) ni LeCun ay tinatawag din na mundo model. Ano ang iyong opinyon, ano ang minimum na mga kondisyon na dapat taglay ng isang modelo upang makamit ang apat na salitang ito?

Zhang Lei: Naniniwala ako na ang world model ay dapat may action dependency, o Action Conditioned (kung saan ang aksyon ay bilang input, at ang model ay dapat makapag-sagot sa “Ano ang mangyayari sa kapaligiran kung isasagawa ang isang partikular na aksyon?”).

Ang dahilan kung bakit kayang makipag-ugnayan ang agent sa kapaligiran ay ang aksyon: ang aksyon ng agent ay nagdudulot ng pagbabago sa kapaligiran, at pagkatapos ng pagbabago, nabubuo ang bagong estado at binabalewala ito sa agent upang ipaalam kung nakaapela ba ang kasalungat na aksyon sa layunin. Ito ay isang buong saradong loop, at bawat paglipat ng estado ng kapaligiran ay nakasalalay sa partikular na aksyon na ginawa sa nakaraang hakbang.

Madalas sabihin ng mga tao na ang world model ay ang pagbabago ng Next Token Prediction ng language model sa Next State Prediction, ngunit naniniwala ako na ang depinisyon na ito ay hindi sapat na matalino at nawawalan ng isang mahalagang kondisyon. Ang tamang pahayag ay: Action Conditioned Next State Prediction. Only by incorporating the premise of action does state prediction become meaningful and truly align with the needs of reinforcement learning.

Pagsusuri sa Teknolohiya ng AI: Seryoso lang, marami, kabilang ang ilang mga investor, sa kanilang business plans, ay karaniwang tatawagin ang mga video generation model tulad ng Sora bilang world models. Ngunit ayon sa iyong ibinigay na pamantayan, kulang sila sa dimensyon ng pagkilos. Gusto naming marinig kung paano mo i-deconstruct ang problema na ito?

Zhang Lei: Ang world model na tinalakay natin dito ay nagmula sa model-based na mga paraan sa reinforcement learning, na naglalayong tulungan ang agent na mas epektibong makipag-ugnayan sa kapaligiran. Bagaman may maraming aplikasyon ang world model, ang embodied intelligence ang pinakamalinaw at pinakamahalagang aplikasyon sa kasalukuyan.

Sa ganitong kahulugan, ang mga purong modelo ng paggawa ng video tulad ng maagang Sora ay hindi maaaring tawaging world model. Ang pangunahing dahilan ay ang pagkakawala ng pagmomodelo ng “aksyon”; ito ay nagpapagawa lamang ng isang sariling magkakaugnay na sequence ng video, nagpapahula kung paano magbabago ang mga pixel, ngunit hindi ito nagmomodelo ng anumang aksyon sa pagitan ng robot at kapaligiran. Maaari ba itong tumulong nang indirekta sa robot? Oo, maaari itong matutunan ang ilang mga batayang pattern ng pagbabago sa mundo, ngunit mahirap itong gamitin upang tulungan ang robot na mas mabuti na makipag-ugnayan sa kapaligiran.

Pagsusuri sa AI: Ano naman ang recently popular na World Action Model? Narinig namin na ito ay nag-uusap din tungkol sa aksyon—iba pa ba itong uri ng world model?

Zhang Lei: Ang WAM ay hindi rin isang mundo model sa kahulugan ng reinforcement learning. Ito ay gumagamit ng pixel-level supervision mula sa paghuhula ng mga hinaharap na imahe upang tulungan ang pagpapabuti ng paghuhula ng mga aksyon, at nakikita na ito ay may mas mabuting performance kaysa sa VLA sa ilang mga gawain. Gayunpaman, ang pagmomodelo nito ay cause-and-effect na pagsunod-sunod: una ito ay nagpapagawa ng mga hinaharap na imahe, tapos bumabalik upang hulaan ang aksyon, at hindi ito maaaring gamitin sa reinforcement learning, kaya’t hindi ito sumasabay sa depinisyon ng mundo model na pinag-uusapan natin dito.

PixelPunks vs.隐空间派: Parehong nagagawa ng parehong bagay

Pagsusuri sa AI Technology: Kapag tinatalakay ang pagkakaiba sa mga direksyon, ito ang pinakamainam na paksa sa kasalukuyan sa larangan ng mga modelo ng mundo. Si LeCun ay ang pangunahing tagapagsagawa ng grupo ng latent space, habang ang Sora ay kumakatawan sa grupo ng pixel. Ang dalawang direksyon ay tila hindi magkakasundo—paano mo ito pinapahalagahan?

Zhang Lei: Una, dapat nating makita na mayroong pagkakatulad ang dalawang landas.

Sa totoo lang, ngayon ay karaniwang nadarama ng mga tao na malakas ang kanilang pagkakaiba, posibleng dahil sa mas malinaw at matatag na pagpapahayag ni LeCun sa kanyang pananaw; minsan, upang makatandaan ng labas ang kanyang pananaw, kailangan ng isang siyentipiko na ipahayag ito nang malinaw.

Ngunit ang pixel route ay kailangan din ng latent space para sa pag-operate. Ang Stable Diffusion at Sora ay una munang kumompres ng imahe o video patungo sa isang mababang dimensyonal na representasyong espasyo bago ito prosesuhin. Kaya, ang representasyong espasyo ang mas pangunahing tanong. Ang tunay na pagkakaiba sa dalawang route ay hindi nasa paggamit o hindi paggamit ng latent space, kundi kung ano ang dapat panatilihin at ano ang dapat alisin pagkatapos mabuo ang latent space.

Ang pagkakaiba ay: ang隐空间路线 ay nagsisikap na tanggalin ang mga detalye ng pixel tulad ng liwanag at textura na hindi nagmumula sa mga pisikal na batas, na nakakatulong sa modelo na matutunan ang mas pangunahing mga batas sa likod ng pagbabago ng estado, ngunit ito ay nakakaranas ng panganib ng pagkabagsak ng representasyon; kung isang libong iba’t ibang imahe ay mapapalitan sa isang parehong representasyon, ang representasyon ay mababagsak, na nangangahulugan na nawawala na ang kakayahan ng modelo na magkakaiba ng iba’t ibang estado. Ang pixel route ay naglalayong makuha ang lahat ng detalye, at sa pangkabuuan ay nagpapahalaga sa mata ng tao, dahil ang tao ay napakasensitibo sa mga detalye ng biswal.

Pagsusuri sa AI: Habang pinag-uusapan natin ito, mayroon kaming isang intuitibong damdamin. Hindi ba ang pag-iisip ng tao ay nangyayari rin sa latent space? Kapag isarado mo ang mga mata at isipin ang epekto ng isang galaw, sino ang magrere-render ng bawat pixel sa isip?

Zhang Lei: Tama. Kung mayroong mundo model sa utak ng tao, ang pag-iisip kung paano nagbabago ang galaw sa kapaligiran ay nangyayari sa latent space, at hindi nagpapalilipat ng bawat pixel ng buong imahe sa isip. Kaya, ang paggamit ng paghuhusga ng mata ng tao sa kalidad ng imahe bilang pamantayan sa pag-e-evaluate ng mundo model ay hindi sapat. Kung gagawin ng pixel approach ang mundo model, ang dapat abutin ay hindi kung gaano katotoo ang mga pixel, kundi kung ang mga sequence ng video na ginawa ay sumusunod sa lohikal na pisika.

(Nota ng may-akda: Ang talakayan na ito ay tungkol sa dalawang pagkakaiba sa mundo ng AI. Ang mga tagapagsunod ng Sora, na nagsasaklaw sa pixel, ay nakatuon lamang sa pagiging totoo ng imahe, at madalas ay nagkakaroon ng mga bug na lumalabag sa pangkaraniwang kaalaman sa pisika, tulad ng pagkakaroon ng baso na nagsasalba, paglalagay ng bagay sa loob ng iba pang bagay, o kandila na hindi maaaring mapatay. Samantala, ang pangkat ni LeCun at Zhang Lei, na nagsasagawa ng隐空间 (latent space), ay una nang abstrakto ang imahe bilang mga batas bago ito i-derive, kaya mas nauunawaan nila ang pisikal na kausalidad. Ang pangunahing inobasyon ni Zhang Lei ay ang pagdaragdag ng “istraktura ng bagay” sa latent space, upang mabigyan ng kakayahan ang AI na maunawaan ang mga hiwalay na bagay tulad ng baso, mesa, at tao, bago matutunan ang mga batas ng kanilang interaksyon—nag-iwas ito sa mga visual na error tulad ng Sora, at mas angkop ito para sa robot sa pag-iwas sa mga hadlang, paghawak, at pagpaplano ng galaw sa totoong mundo.)

Pagsusuri sa AI: Parehong route ng隐空间 ang inyong sinundan kasama si LeCun. Ngunit narinig namin na may isang mahalagang pagkakaiba sa inyong paraan—pinapahalagahan ninyo ang “pagsisilip sa istruktura ng bagay.” Ano ang pangunahing pagkakaiba?

Zhang Lei: Ang ating diskarte ay nagbabahagi ng parehong unang prinsipyo kay LeCun: ang tao ay gumagawa ng counterfactual reasoning (“Ano kung gawin ko ito?” na pag-iisip) bilang action-conditioned, sa abstraktong representasyon, hindi sa pixel.

Ginamit ni LeCun sa mga nakaraang taon ang I-JEPA, V-JEPA, at LeJEPA upang patunayan ang prinsipyong ito: ang pagpapalaya ay dapat mangyari sa espasyo ng representasyon. Ngunit ang kompleksidad ng pisikal na espasyo sa direksyon ng embodied ay sobrang mataas, at sa aming pananaw, kailangan pa ng mga kinakailangang istruktura sa latent space upang gamitin ang paraang ito sa malawakang totoong mga kaligiran.

Ang pananaw na ito ay batay sa aming napatunayang kakayahan. Ang DINO-X, na pinamumunuan ng aming pangunahing koponan sa pagbuo, ay nagsolba na sa problema ng “pagkakita ng mga bagay” sa isang bukas na mundo. Kaya ngayon, ginagawa naming ang mga bagay bilang pangunahing yunit para sa paghuhula at pagpaplano ng modelo ng mundo. Sa isang intuitibong paraan, ang mga batas ng pisika ay umiiral sa mga bagay; ang pag-unawa sa mga bagay sa pamamagitan ng representasyon sa latent space ay maaaring magdulot ng mas epektibong pagkatuto sa mga batas ng pisika.

Pagsusuri sa Teknolohiya ng AI: Hintayin muna, gustong tatanungin namin ng isang katanungan. Kinuha ni LeCun ang AMI Labs na nagkaroon ng maraming bilyon dolyar sa pagsisikap na harapin ang direksyong ito. Bakit ninyo inaasahan na mas malayo ang inyong “pagsasama ng istruktura ng bagay” sa kanyang malaking framework?

Zhang Lei: Dahil sa dating proyektong DINO-X, na isang open-ended na pangkalahatang modelo para sa pagkilala sa mga bagay, natapos namin ang pag-unawa sa mga bagay sa pinakamahusay na antas sa buong mundo. Ang aming pag-unawa sa mekanismo ng visual model, kung bakit ang mga visual model ay makakagawa ng physical na katotohanan, ay lubos na sumasalungat sa aming dating pag-unawa sa pangkalahatang pagkilala sa mga bagay.

Sa madaling salita, ang landas ni LeCun ay ang pangunahing framework, at dito ay idinagdag namin ang istruktura ng mga bagay at ginawa namin itong sarado sa tunay na kapaligiran. Ang kakayahang “sarado” na ito ay aming natamo sa mga nakaraang taon.

Bakit mas mataas ang kakayahan ng DINO series kaysa sa Google at Meta?

Pagsusuri sa AI Technology: Sobrang tagumpay ng inyong team sa yugto ng malalaking modelo sa pagkikita. Ang Grounding DINO at ang susunod na ipinakilalang DINO-X ay lalong nagsuplado sa Google at Meta, at ginamit bilang standard na sanggunian ng mga pinakamataas na institusyon sa buong mundo tulad ng team ni Li Fei-Fei, NVIDIA, at Galaxy General. Tinatalakay namin ito sa loob ng aming team, at lahat ay nagsasabing “hindi karaniwan”: karaniwan ay ang mga team mula sa Tsina ang naglalabas para sundin ang mga dayuhan—paano ninyo nakuha ang pagiging tinutulungan ng mga dayuhang team?

Zhang Lei: Dalawang dimensyon ang nakakatangi.

Sa pamamagitan ng isang paradigm shift, aming unang grupo sa larangan ng visual na pag-unawa na nagdagdag ng Transformer (isang deep learning architecture batay sa self-attention mechanism, at ang pundasyon ng mga large language models) upang makamit ang SOTA (State of the Art). Ang Grounding DINO ay nagdala ng paradigm mula sa language models at unang beses na sinakop ang object detection sa open-domain—hindi na limitado sa pagkilala lamang sa mga klase ng bagay na tinuturuan, kundi kaya nito ang pag-detect sa anumang bagay na hindi pa nakikita. Hanggang sa ngayon, ito ay ang pinakamaraming cited at downloaded na open-source model, isang paradigm-shifting breakthrough.

Sa mga datos at estratehiya ng inhinyeriya, pagkatapos ng Grounding DINO, umiikot tayo sa isang saradong daan upang i-scalar ang mga napatunayang ideya. Samantala, mataas ang antas ng kalidad na hinihingi ko. Bagaman ang koponan ay batang-bata at wala pang karanasan sa ganitong antas ng trabaho, pinanatili ko ang mataas na pamantayan at sinuportahan ang pangangailangan na makamit ang isang malaking bersyon na pagbubukas bago ipaglabas. Kaya, gumastos kami ng halos isang taon upang ilabas ang Grounding DINO 1.5, at isang kalahating taon pa upang ilabas ang DINO-X. Napatunayan ng mga resulta na ang mga bersyon na pinag-isipan at pinagtrabahuhan sa loob ng mahigit isang taon ay may mataas na pagkilala sa industriya.

Pagsusuri sa AI Technology: Ano ang ugnayan ng mga malalaking modelo ng biswal na inyong ginawa sa paggawa ng mundo ngayon?

Zhang Lei: Ang aming trabaho ay magkasunod. Noong una, ang aming pangunahing layunin ay magbigay ng pundasyon ng pagkakakilanlan para sa mga robot, at mula noon, maraming mga koponan ang gumamit ng aming Grounding DINO upa solusyunan ang mga problema sa pag-unawa sa mga pisikal na kapaligiran.

Sa teknikal na landas, ang world models ay mas visual-native kaysa sa wika, at ang karamihan sa mga gawaing world model ay hindi batay sa purong arkitekturang wika tulad ng GPT.

Sa pagkumpil ng team, ang aming pag-unawa sa mekanismo ng visual model ay may mataas na pagkakatugma sa dating teknikal na landas ng pangkalahatang pag-unawa sa bagay. Ito ang dahilan kung bakit may tiwala kaming patuloy na i-iterate ang world model.

Isang team na 20+ mula sa IDEA, napakatatag. Habang gumagawa kami ng mga closed-source model, patuloy naming tinatanggap ang mga eksperto mula sa labas na may malakas na kasanayan sa algorithm at engineering. Ang 20+ na ito ay ang “mga butil” ng ShiQi Future ngayon.

Ang pag-unlad mula sa DINO series models patungo sa world models

Paano gawing totoo ang “pagkakita” ng AI sa mga bagay?

Pagsusuri sa AI Technology: Sinabi niyo na ang mga umiiral na solusyon sa latent space ay "hindi talaga naiintindihan ang mga bagay," at hindi nila alam kung alin sa escena ang mga independiyenteng bagay o ano ang ugnayan sa pagitan ng mga bagay. Nagiging curious kami kung paano ito sinusuri? Paano natin malalaman kung ang modelo ay talagang "naiintindihan" ang mga bagay, o kaya ay "nagpapanggap" na naiintindihan?

Zhang Lei: Ang pag-unawa ay mahirap direktang i-verify. Paano talaga nag-uunawa ang language model sa wika, wala pa ring malinaw na paliwanag ngayon; maaari lang nating masuri ito sa pamamagitan ng mga panlabas na pagkilos. Kung ito ay tuloy-tuloy na naglalabas ng mga salita at iyong naririto na walang pagkakaiba sa sinasabi ng tao, sinasabing naiintindihan nito.

Ang mga mundo model ay nakakaranas ng katulad na pagsubok. Mahirap diretso ipaliwanag kung talagang naiintindihan ng model ang mga batas ng pisika o kung talagang nakatanggap ito ng istruktura ng bagay. Magiging bahagi namin ang visualisasyon ng mga intermediate na hakbang; kung ang resulta ay sumasalungat sa intuisyon ng tao, ipinapakita nito na posibleng nakatanggap ito ng istruktura ng bagay.

Pagsusuri sa AI Technology: Mayroon bang tiyak na paraan ng pagsubok? Maaari ba naming gawin ang isang eksperimento para makita?

Zhang Lei: Oo. Ang counterfactual testing ay isang magandang paraan upang subukan ng modelo ang iba’t ibang aksyon at tingnan kung makakapagbigay ito ng mga resultang pisikal na makatwiran. Kung ang trahektorya ay maliit lang ang pagbabago pero kaya pa gawin, ibig sabihin ay natutunan nito ang mga pattern; kung hindi kayang gawin, ibig sabihin ay maaaring natutunan pa rin nito ang statistical correlation.

Nakakapagsubok ito sa pagkamatalino. Tulad ng sinabi ni Professor Richard Sutton, laging gustong tumulong ang mga tao sa mga modelo at ilagay ang kanilang sariling karanasan. Noon, ang mga mananaliksik sa language model ay naisip na ilabas ang analisis ng istruktura ng pangungusap, i-feed ang tokenization at phrase structures sa modelo, ngunit sa huli, napagtagumpayan pa rin ng simpleng paradigma na “predict the next token.”

Naniniwala ako nang malakas sa kapangyarihan ng simpleng paraan na umuunlad. Ang sobrang pagdidisenyo ng tao, kahit epektibo sa maikling panahon, ay magiging hadlang sa pag-unlad sa matagalang panahon.

Pagsusuri sa AI Technology: Mayroon pa ring ilang mahirap na bagay sa pisikal na mundo, tulad ng buhanging kumikinang, tubig na flowing, usok, at tela—walang malinaw na hangganan. Ang aming pag-aalala ay, baka ang inyong “object-centric” framework ay maging limitado ng konsepto ng “object” mismo?

Zhang Lei: Ang tanong na ito ay isinasaalang-alang din namin. Mula sa teknikal na pananaw, ang pinakasimpleng paraan ay ang Mask, kung saan hihiwalayin ang mga pixel ng rehiyon ng bagay. Matatag na nangyayari sa mga nakaraang taon ang pag-unawa sa semantik ng bagay at pag-predict ng Mask sa larangan ng visual, at maaaring tratuhin ang mga di-rigid na bagay tulad ng buhangin at tubig.

Kaya ang pagmumula sa Mask ay isang praktikal na simula. At ang ating mga akumulasyon sa pangkalahatang pagkakakilanlan ng mga bagay ay mas malalim kaysa sa anumang team sa labas.

EgoTwin: Pagtuturo sa kamay ng robot gamit ang kamay ng tao

Pagsusuri sa AI Technology: May isang mahalagang konsepto sa inyong teknikal na framework na tinatawag na “action alignment,” kung saan ang mga galaw ng kamay ng tao, dalawang-digito na grip, at maraming-digito na malikhaing kamay na iba’t ibang disenyo ay mapapalitan sa isang parehong implicit space. Ito ang aming pag-unawa—parang nagtuturo kayo ng pagsasalin sa robot, upang makaintindihan nila ang mga galaw na nasa iba’t ibang “wika,” tama ba?

Zhang Lei: Ang mga pangunahang input ng world model ay dalawa: larawan (estado) at galaw, kaya mahalaga ang pag-unawa sa galaw.

Ang pagkakasunod ng galaw ay pangunahing pangangailangan sa maraming ontolohiya. Mas mahirap ang pagkakasunod ng kamay at robotic arm: ang mga posisyon ng mga sasakyan ng robotic arm sa pisikal na espasyo ay eksaktong kilala sa mga koordinadong XYZ, ngunit ang data ng tao ay karaniwang 2D video; kapag nag-record ka ng isang video ng pagluluto, mayroon lamang itong 2D na imahe, walang 3D na koordinado. Ang direkta na paggamit ng pareho ay mababaw ang epekto.

Ang aming paraan ay ang pagkuha ng 3D keypoint, ang pagpapalit ng 2D video ng tao sa isang sequence ng operasyon sa 3D space, at ang pagpapares nito sa data ng robotic arm sa parehong pisikal na espasyo. Ito ang pagkuha at pagproseso ng Ego data (mga tao na operasyon na kinuha mula sa first-person perspective) na kilala sa industriya ngayon.

Ang EgoTwin na aming ipinakilala ay lalo na nakakasolusyon sa mga problema sa pagkuha ng data, at kasalukuyang nagtatrabaho kami kasama ang tim ng pagkuha ng data ng Baidu Cloud.

Pagsusuri sa Teknolohiya ng AI: Nilutas ng EgoTwin ang problema ng data na “paano gumagalaw ang mga kamay.” Ngunit gustong tanungin namin, ano ang gagawin sa mas mataas na antas ng impormasyon na nakapaloob sa mga video ng tao, ang “bakit ganito gumagalaw ang mga kamay” na intensyon?

Zhang Lei: Ang pag-unawa sa intensyon ng mas mataas na antas ng aksyon, iiwan namin ito sa world model o VLA model para lutasin. Ngunit ang premyo ay ang kalidad ng data mismo ay sapat na mataas. Sangkap ng data ay napakahalaga. Maraming pagsisikap at gastos ang ginugol sa industriya sa pagkuha ng data, ngunit sa maraming kaso, hindi ideyal ang paggamit ng data. Ang pangunahing aral na nakuha namin sa aming mga gawain sa Grounding DINO at DINO-X ay ang paghahanap ng mga tao na nauunawaan ang algorithm upang maging malalim sa data; kung hindi, maaaring hindi gamitin ang nakolekta na data sa pagtuturo. Kailangan ng parallel na pagpapalawak ng algorithm at data.

Zhang Bo at Shen Xiangyang: Dalawang tagapayo, iisang kulay

Pagsusuri sa AI: Napansin namin na naka-stand sa likod mo ang dalawang tao na malaking impluwensya sa iyo, si Academician Zhang Bo (isa sa mga tagapagtatag ng AI sa Tsina) at si Academician Shen Xiangyang (dating Global Executive Vice President ng Microsoft at dating President ng Microsoft Asia Research Institute). Isa ay nakatuon sa akademya, at isa ay nakatuon sa industriya—nais naming malaman, ano ang ibinigay nila sa iyo?

Zhang Lei: Si Academician Zhang Bo ay palaging aking guro at halimbawa. Unang-unang nakilala ko si Guro Zhang nang unang pumasok ako sa klase ng清华 sa kanyang laboratoryo, kung saan siya ang puno ng laboratorio. Noong iyon, nagtatrabaho ako sa AGV (automated guided vehicle), at maraming oras sa labas ng klase ay ginugugol ko sa laboratorio para i-debug ang hardware at gawin ang mga eksperimento; noon, madalas kong nakikita si Guro Zhang na nagtuturo sa mga doktorante tungkol sa mga robot. Pagkatapos, naging masaya akong maging doktorante ni Guro Zhang. Ang pinakamalalim na imprenta ay ang kanyang sobrang sensitibidad sa mga bagong teknolohiya at malakas na pagkakaroon ng pagkakainggit. Kapag humihingi ako ng tulong para tingnan ang mga resulta ng eksperimento at talakayin, laging masigla siyang nakaupo sa tabi at sinasabing, “I-modify mo ito, tingnan kung paano.” Sa paraang ito, binabawasan niya ang kanyang sariling pag-unawa. Makikita mo kung paano ang isang scholar ay ganap na hinahamon ng kanyang pagkakainggit sa pag-unawa sa algorithm at sa mga problema.

Isang iba pang aral na hanggang ngayon ay nagpapahalaga sa kanyang pagteklado na “kailangang maintindihan nang buo ang mga bagay”; kung hindi mo maintindihan nang buo, iiwanan ka ng mga manloloko, at kung maintindihan mo nang buo, malalaman mo kung paano gumagana ang mga pangunahing prinsipyo. Naging pamantayan ko rin sa pagtuturo sa mga mag-aaral: intindihin nang buo, ipaglaban ang pinakamahusay.

Ang impluwensya ni Academician Shen Xiangyang sa akin ay lubos na malaki. Sa panahon kong nasa Microsoft, siya ang aking pangunahing boss at nag-impluwensya sa buong aking propesyon: siya ang nag-recruit sa akin mula sa Tsina patungo sa Amerika, at siya rin ang nag-convince sa akin na bumalik sa Shenzhen. Bukod dito, mayroon siyang napakatalino at maunawaang paghuhusga sa direksyon ng industriya, at ibinahagi niya sa akin ang maraming espesipikong payo at karanasan mula sa pagbuo ng koponan hanggang sa pagkuha ng pondo.

Pagsusuri sa Teknolohiya ng AI: Narinig namin na si Guro Zhang Bo, na 90 taong gulang, ay pa rin nagkakaroon ng pag-uusap sa inyong team? Nakakadama naman namin iyon.

Zhang Lei: Oo. Noong Nobyembre ng nakaraan, hiniling ng Graduate School ng Tsinghua na pumunta siya sa Shenzhen para magturo; pagkatapos ng kanyang leksyon sa umaga, ibinigay niya ang buong hapon para sa amin. Nagkaron tayo ng isang buong hapon na pag-uusap, at kumain tayo nang magkasama sa gabi. Napakalawak ng kanyang pananaw, at ibinigay niya ang maraming payo sa amin tungkol sa pangkalahatang pag-unawa sa biswal at sa direksyon ng robotika. Bagaman may edad na siya, napakalinaw ng kanyang pag-iisip, at ang kanyang lohikal na pagkakasunod-sunod at pag-unawa sa mga problema ay hindi mas mababa kaysa sa mga kabataan.

Bawat alon ay lalampas sa imaginasyon, ngunit ang mga alon ay darating sa iyo mismo

Pagsusuri sa Teknolohiya ng AI: Sa mga nakaraang taon, mula sa deep learning hanggang sa malalaking modelo, at pati na sa embodied at world models, ikaw ay malalim na nakikilahok sa bawat alon. Gusto naming malaman, mayroon bang isang moment na naramdaman mo na “Ito ang gagawin ko”?

Zhang Lei: Ang trabaho sa object detection ay napakalapit sa estado na sinasabi mo. Ang trabahong ito ay nagbibigay sa akin ng malaking pagmamalaki, dahil nakikita ko ang malaking pag-unlad sa buong larangan.

Ang susunod na mundo model ay isang direksyon na nagpapakita sa akin ng malaking kasiyahan at kaya kong ipaglaban nang buong puso. Ang nakaraang dekada ng pag-usbong ng reinforcement learning at world models, kasama ang tagumpay na paradigm ng language models, ay maaaring ma-applying dito. Naniniwala ako na ang direksyong ito ay magdudulot ng malaking epekto sa buong industriya ng AI.

Pagsusuri sa AI Technology: Madalas banggitin ang mga pinakamataas na panahon ng mga mananaliksik, ngunit kadalasan ay hindi binabanggit ang mga pagbaba. Narinig mo na ba ang mga pagbaba sa teknolohiya?

Zhang Lei: Oo. Sa paligid ng 2018, subukan kong gamitin ang mga mahinang nagmamarkang data para sa pagdetekta ng mga bagay, na nagmumula lamang sa mga label ng kategorya ng larawan upang magdetekta, at iwasan ang pagmarka ng bawat box sa bawat bagay. Ang paraang ito ay tila napakalaking atraksyon, at ginugol ko ang isang mahabang panahon dito, ngunit hindi ko ito nasolusyunan nang buo.

Pagkatapos ay ginawa namin ang Grounding DINO sa IDEA, na pinagsasama ang pag-unawa sa wika at pagkakakilanlan, at sa ganitong paraan ay nasolusyunan ang problema mula sa ibang panig. Ang pag-usbong na ito ay nanggaling sa isa, sa aming mga inobasyon sa DINO detection model na nagbigay sa amin ng matibay na pundasyon, at sa ikalawa, malaki ang aming pagkakaroon ng benepisyo mula sa pag-unlad ng mga language model. Ang pag-usbong ng Grounding DINO ay nangyari noong huling bahagi ng 2022 at unang bahagi ng 2023, na eksaktong panahon na lumabas ang ChatGPT. May isang sabi na “kapag sapat ang data, natural na lumalabas ang inteligensya”; sapat ang data, sapat na simpleng algorithm.

Nakakatulong ang pagkakaroon ng mga pagkabigo—ang mahalaga ay may sapat na determinasyon na harapin ang mga mahirap na problema. Kung hindi mo maaabot ang solusyon sa isang paraan, subukan ang iba’t ibang pananaw; isipin ito habang kumakain, habang natutulog, at palaging isipin ito. Ang mga tunay na mahahalagang problema ay magpapatuloy na isipin mo sa loob ng maraming taon, at sa isang panahon, maaaring biglang lumitaw ang isang pagbabago na may malaking epekto.

Pagsusuri sa AI Technology: Marami ngayon sa mga kabataan ang nagtatayo ng mga startup sa world models, tulad ni Chen Boyuan at Ji Jiaming mula sa Inverse Matrix, at Bai Yinqi mula sa Baize Technology—kahit sila ay undergraduate pa lang. Nakikita namin na interesante ito; anong palagay ninyo tungkol sa “sunod na henerasyon” na ito?

Zhang Lei: Ito ay nagpapakita na ang mga hadlang sa pagpasok sa pag-aaral ay talagang bumaba. Bago ang pag-usbong ng deep learning, kailangan ng mga bagong pumasok ng ilang taon para magbuo ng mga pundasyon. Ngayon, ang open-source technology ay nagpasimple ng teknolohiya—kung nauunawaan mo ang Transformer, maaari ka nang pumasok sa larangan na ito. Ang pangunahing kahusayan ng mga kabataan ay ang wala silang mga balakid, at mas madaling tanggapin ang mga bagong paradigma mula sa unang prinsipyo. Ngunit ang totoong mahirap na mga problema ay nangangailangan din ng mga matatandang mananaliksik na may pananaw, pag-unawa, at kakayahang kontrolin ang direksyon.

Laging nagbabago ang mga paksang panlipunan, ngunit kung ikaw ay naglalayong sundan ang mga paksang iyon nang walang malalim na layunin, mas hihintayin ka pa. Ang pangunahing punto ay: anuman ang direksyon, kailangan ng bawat tim ng mga pinakamahusay na tao. Kung patuloy mong papanatili ang pag-aaral at ang matibay na pundasyon, ang mga pinakamoderno at pinakabagong direksyon ay magkakaroon ng pagkakataon na pumunta sa iyo.

Isang pagkakataon

Ang pinakamalalim na naging epekto sa amin sa interbyu na ito ay hindi ang kanyang mga nakakatangi na teknikal na tagumpay, kahit hindi rin ang mga kahanga-hangang kabataang nagtrabaho sa ilalim niya—ang mga intern na Huang Zheng, Li Xuelong, at ang mga miyembro ng tim sa unang pagsisikap ng Microsoft sa face detection algorithm na si Zhu Long, Xiao Rong, at Yan Shuicheng.

Ang pinakamalalim sa atin ay ang paulit-ulit niyang pagbanggit sa isang salita: “unawain nang buo.”

Ang salitang ito, tinala ni Zhang Lei nang tatlong dekada.

Sa mga unang taon ng dekada 1990 sa Tsinghua Campus, ang artificial intelligence ay isang hindi sikat na larangan na walang nag-uugnay, at si Zhang Lei ay isang undergraduate sa Department of Computer Science na naglalaro ng AGV carts sa research room. Noong panahong iyon, ang head ng laboratoryo ay nagmungkahi sa mga doktorante tungkol sa mga proyektong may kinalaman sa robotics, na nag-iwan ng malalim na epekto sa kanya, at sa huli ay naging kanyang mento.

Ang direktor ng laboratorio ay si Zhang Bo, isa sa mga tagapagtatag ng artificial intelligence sa China. Kapag hinihingi ni Zhang Lei ang kanyang kasama sa pagsusuri ng mga resulta ng eksperimento, laging masigla siyang upo sa tabi ni Zhang Lei, tinitingnan ang screen ng ilang sandali, at ipinapahiwatig ang kanyang daliri: “Ibago mo ito, tingnan kung paano.” Hindi ito pagsusuri ng takdang-aralin, kundi totoo siyang nais malaman kung ano ang mangyayari pagkatapos baguhin ang mga parameter.

Ang mga bagay na itinuro ni Zhang Bo kay Zhang Lei, ay naging isang maikling tatlong salita: “Unawain nang buo.”

Kung hindi mo maintindihan nang maayos, masasaktan ka; kung maintindihan mo nang buo, malalaman mo kung paano gumagana ang mga pangunahing prinsipyo.

Ang espiritu ng isang henerasyon ng mga siyentipiko sa Tsina ay ipinapasa sa pamamagitan ng mga simpleng bagay na ito.

Noong 2018, si Zhang Lei ay nagtrabaho sa weakly supervised object detection sa Microsoft, ngunit hindi ito nagtagumpay, at hindi siya nagbago ng paksa.

Kung hindi mo kayang gawin ito sa isang paraan, subukan ang ibang pananaw—isipin ito habang kumakain at natutulog, at palaging umiikot paligid dito.

Hindi ito retorika, ito ang kanyang araw-araw.

Pagkatapos ay nagtrabaho siya sa IDEA para sa Grounding DINO, at sinolusyunan niya ang problema mula sa ibang pananaw. Ang sandaling pagbubukas ay noong dulo ng 2022—nang lumabas ang ChatGPT, tumaas ang kakayahan ng mga language model, at sapat na malaki ang data.

Ginamit ni Zhang Lei ang isang paglalarawan: "nagmumula nang natural."

Mula sa pagbabago ng mga parameter ng AGV cart hanggang sa paglutas ng world model, mayroong tatlong Dekada. Sa loob ng tatlong dekada na iyon, mula sa malawakang image retrieval hanggang sa pangkalahatang visual understanding, tinry niya na lubos na maunawaan at gawing pinakamahusay ang bawat problema, hanggang sa bumalik siya sa direksyong “pagbuo ng world model para sa robot.” Tulad ng sinabi ni Jobs na “connect the dots”—hindi magugugol ang bawat bagay na ginawa nang serio.

Sa dulo ng 2025, ang 90-taong-gulang na Zhang Bo ay naglalakbay patungo sa Shenzhen upang magturo. Pagkatapos magturo sa umaga, agad siyang pumunta sa opisina ng ShiQi Weilai. Pitong o walong kabataan ang nagsasakop sa kanya, at sinabi niya ang lahat ng kanyang mga ideya sa buong hapon, at kasama nila ang kanyang hapunan kung saan pinag-uusapan niya ang kanyang mga karanasan sa pag-aaral at ang kanyang pagtataya tungkol sa direksyong ito. Malinaw ang kanyang pag-iisip, matibay ang kanyang lohika, at hindi siya napapag-isa sa mga kabataan. Binigkas din ni Zhang Lei sa kanyang guro ang kanyang mga ginagawa ngayon.

Si Academician Zhang Bo sa “Vision for the Future,” binabanggit ni Zhang Lei sa kanyang guro ang mga pag-unlad ng pananaliksik

Mga tatlong dekada ang nakalipas, sa campus ng Tsinghua, ang guro ay nakaupo sa tabi ng estudyante at sinabi: “Iayos mo ito, tingnan kung paano.”

Tatlumpung taon pagkaraan, sa tanggapan ng Shenzhen, ang isang mag-aaral ay nagpapaliwanag sa kanyang 90-taong-gulang na guro tungkol sa kanyang ginagawang mundo model.

Ano isang napakadakilang pag-uulit ng isang makabuluhang eksena.

Mumumutol ang tao, mababawasan ang alon, at mawawala ang mga trend, ngunit ang pagpupursigi ng mga siyentipiko sa Tsina na “maunawaan nang buo” ang bawat pandaigdigang hamon ay hindi nagbago. LeiFeng.com