首页财产呆板人正文 港年夜传授获时间查验奖：他想让呆板读懂物理世界 2026 年 7 月 SIGGRAPH 年夜会，中国香港年夜学 Taku Komura 团队 2016 年论文获时间查验奖，其研究鞭策具身智能成长，助力物理 AI 从工场走向家庭。 2026-07-31 14:01 ·投资界综合

2026年7月，计较机图形学顶会SIGGRAPH于洛杉矶进行。年夜会宣布了今年度时间查验奖（Test-of-Time Award），表扬发表至少十年、至今仍对于业界孕育发生连续影响的论文。本年，中国香港年夜学计较机科学系传授Taku Komura与团队成员于2016年发表的论文获此殊荣。

这项事情初次采用深度进修，让模子从年夜范围人类动作数据中主动进修人类运动的内涵布局，并按照高层指令天生天然的人形脚色动作。

彼时，AI的冲破还有重要集中于图象范畴，这项事情已经经体系地把暗示进修用在繁杂3D动作天生，让AI的进修对于象从“瞥见”延长到“步履”。十年后，该事情的意义已经经凌驾脚色动作天生自己：呆板怎样从人的运动与交互中进修，理解物理世界并于此中步履，正成为物理AI面临的焦点问题。

二十年，让身体成为一种可计较的语言

缭绕这个问题，Taku Komura已经经研究了二十余年。他曾经于爱丁堡年夜学任教多年，持久研究动作天生、物理模仿及交互技能。2020年，他插手中国香港年夜学，现任计较机科学系传授。他曾经任SIGGRAPH Asia 2025年夜会主席，并被AI 2000评为该范畴全世界最 具影响力学者前15。

详细而言，他但愿让呆板从数据中进修人类运动的布局，并进一步理解动作怎样随场景、物体及使命而变化。

2016年，Taku于SIGGRAPH发表这篇获奖论文《A Deep Learning Framework for Character Motion Synthesis and Editing》，将深度进修体系性地用在脚色运动合成与编纂。研究团队使用卷积自编码器，从年夜范围动作捕获数据中进修一个低维的运动空间，再将行走路径等高层节制前提映照到这个空间。模子由此可以天生及编纂动作，同时只管即便保留人类运动的天然性。

这项事情的要害不于在逐帧记住练习动作，而于在进修可复用的运动暗示。用今天更认识的说法，它进修的是一种Human Motion Prior：哪些姿态与时间变化凡是属在天然的人体运动，以和如何于满意方针约束时，仍留于这个运动空间内。该论文援用量至今仍连续增加，同样成为厥后数据驱动动作天生研究的一项基础事情。

今后，Taku与试验室成员继承把动作放入更繁杂的场景。2019年的Neural State Machine让数字脚色按照场景几何完成坐下、搬运、开门与避障；2020年的Local Motion Phases则处置惩罚多接触、快速切换及全身协调等问题。研究对于象由伶仃的人体动作，逐渐扩大到身体、物体及情况之间的瓜葛。

2022年，他与团队提出的DeepPhase得到SIGGRAPH最 佳论文奖。这项技能经由过程周期性自编码器从未经人工致理的动作数据中进修多维相位空间，捕获差别身体部位随时间变化的布局。它让体系于检索、对于齐及合成繁杂动作时，再也不依靠报酬界说的单一动作阶段；天生成果也不只于单帧姿态上“看起来像”，时间构造一样越发联贯。

缭绕这条研究线形成的AI4Animation开源项目，已经经得到GitHub 8000多个Star，是动作天生范畴最 具影响力的开源项目之一。项目由团队成员连续维护，搜集了Taku团队持久以来于人形运动、四足运动及场景交互等标的目的的堆集。

从工场到客堂

具身智能的下一个冲破口

从2016年发表论文，到十年后得到时间查验奖，Taku的研究主线可以归纳综合为一套完备的人类交互先验模子：让模子先学会暗示人类于真实世界的天然运动，再理解人与场景、物体及使命怎样发生交互，进而把真实接触、受力与情况变化纳入此中。

这条研究线路对于物理AI的意义，正于被呆板人行业验证。真机遥操作数据收罗成本高、场景窄且动作不天然，靠它撑起通用能力其实不实际。呆板要学会于真实世界里干事，更可行的来历是人类的一样平常操作。

但人的数据并不是收罗后就能用。要实现年夜范围收罗，硬件必需充足自制，而低成本传感器凡是陪同较年夜噪声及信息缺掉。团队多年堆集的人类交互先验模子，正好补上这一环：它可以或许判定哪些姿态及时间变化属在天然人体运动，补齐残破旌旗灯号，再将成果约束于合理的人体运动规模内。

依托这套先验，团队今朝使用消费级装备，例如一台iPhone手机，就能完成收罗与重修，获得人手、物体及场景于统一世界坐标系下的3D成果。据团队测算，收罗成本可降到传统方案的几十分之一，于第 一人称手部重修的公然评测上偏差降低60%。

这套管线的价值起首表现于降低数据收罗成本，更主要的是，它指向一个要害判定：具身智能的下一个冲破口，极可能呈现于消费级场景。

家庭收拾、厨房操作、一样平常物品交互等真实糊口场景储藏着巨年夜数据，边际成本极低，却因动作邃密、接触瓜葛繁杂，持久缺少可范围化的高质量数据来历。Taku团队的技能线路，让消费级装备拍摄的真实糊口操作，转化并富厚物理上建立的练习数据。这象征着具身智能与世界模子将来的范围化落地，将从工场产线走进千家万户的真实糊口。

通往物理AI结局

采到数据只是第 一步。举动克隆能让呆板模拟树模动作，但要于真实世界里步履，呆板还有必需知道一个动作会带来甚么成果，以和成果暗地里的物理纪律。Taku及团队正于推进的，就是一个用人类原生数据练习的多模态世界模子。

现有的具身数据范式年夜多缭绕视觉及动作睁开，包括第 一视角视频、UMI及呆板人遥操数据。但视觉相近的动作，暗地里的接触历程及操作成果可能彻底差别。只依靠视觉与轨迹，模子很难区别这些差异。

Taku团队正于推进的标的目的，因此人的原生操作数据为基础，补齐这些旌旗灯号。团队将收罗装备做成可穿着的情势，第 一视角相机记载看到的画面，重修出的3D状况可以区别相机运动与真实情况变化，眼动记载人类视野的留意对于象，肌电则记载发力与接触，补上人类动力学特性。收罗时利用者只要照常完成一样平常操作，就能得到时序对于齐的多种模态信息。

这也转变了世界模子要猜测的方针，从下一帧像素，进一步深化到物理状况的变化，包括物体的3D状况、接触位置、受力巨细。对于呆板人真正有效的判定是“如许推会不会倒”“这个力够不敷拧开”，这些要害特性，组成呆板眼中的世界状况，而不是一堆像素。

以报酬中央的数据，其实不是尽头。人能树模的经验总有界限，呆板人早晚要面临没有人做过的使命。Taku但愿，呆板人进修人类经验后，可以经由过程自立步履继承堆集对于世界的感知与举动经验，慢慢具有自我摸索及自立进修的能力。今天以人类为中央的这套范式，是于为那一步打基础。

物理AI面临的，是呆板人怎样顺应未知情况，怎样从有限交互中进修新技术。这些能力没法经由过程公然数据集或者一次性试验得到，需要持久收罗数据，于真机上重复测试，并按照真实使命连续调解。是以，这种研究也需要与财产界深切互助。

于爱丁堡年夜学任教多年后，Taku选择于香港继承本身的研究。他十分注重于中国推进这项事情的价值：相干范畴学术活气强，财产落地场景多，为物理AI研究提供了富厚的实践前提。

接下来，Taku但愿推进物理AI更底子的方针：让呆板人形成对于物理世界的内部暗示，于真实交互中理解身体、动作与物理纪律，并让这类举动智能可以迁徙到差别的呆板人、使命及情况中。多模态的人类原生操作数据，是他推进这一方针的主要进口。

时间从不为任何人逗留，但时间会奖励那些真正理解它的人。

【本文经授权发布，不代表投资界态度。本平台仅提供信息存储办事。】【免责声明】：本文不组成任何投资建议。市场有危害，投资需审慎。若有任何疑难，请接洽（editor@zero2ipo.com.cn）投资界处置惩罚。-南宫娱乐相信品牌的力量