Wayve首席科学家Jamie Shotton：把 Kinect 学到的，带上车，再带进机器人 | ECCV 2026|eccv|伦敦|机器人|神经网络|算法|首席科学家

如果世界无法模拟，那就让机器人自己学会一个世界。

作者丨吴思梦

编辑丨岑峰

如果一个世界本身就无法被完整描述，我们凭什么认为，可以先把它写成规则，再教给机器？

人工智能过去几十年的很多工作，本质上都在尝试回答“可以”。

这也是Jamie Shotton在过去二十年里不断遇到的问题。

从 Kinect 的人体追踪，到 HoloLens 的手部感知，再到 Wayve 的端到端自动驾驶，他一次次把机器从“被工程出来”推向“被学习出来”：先是用一百万张合成图像让机器学会看人，再是在极端算力约束下让机器学会感知，最后干脆把方向盘交给神经网络，让它从数百万小时的真实驾驶数据里学习如何在世界中行动。

但自动驾驶把这个问题推到了极限。

道路上的每一个行人、每一次让行、每一个突然出现的物体，都可能成为规则没有覆盖的例外。仿真器可以被工程出来，却很难工程出一个足够接近真实世界的仿真器。于是，Shotton 开始把答案进一步往前推：如果世界无法被完整地模拟，那就不要模拟它，而是让机器自己学会一个世界。

这也是世界模型真正吸引他的地方。

9 月 12 日，在 ECCV 2026 最后一场主旨演讲中，这位 Wayve 首席科学家回望了自己从视觉识别走向具身智能的二十年。贯穿这段经历的，并不是某一种算法，而是一种越来越激进的判断：今天看似不可逾越的约束，未必是明天的边界；而当工程走到尽头，学习可能才刚刚开始。

以下是 Jamie Shotton 在 ECCV 2026 发表的主旨演讲精编稿。AI 科技评论基于现场英文演讲进行了编辑，在不改变原意的基础上，对口语表达和技术术语进行了重新梳理。

▎From Visual Recognition to Embodied AI

主讲人：Jamie Shotton，Wayve 首席科学家 / Wayve Labs

Kinect：一百万人体的合成数据

谢谢大家，早上好。很高兴和计算机视觉社区的老朋友重新见面。ECCV 对我有特殊意义。差不多二十年前，ECCV 2006 是我作为博士生的一次重要突破。那也是我第一次在大型会议上做口头报告，还是大会开幕环节的第一场。

当时我讲的是 TextonBoost，那是我在剑桥微软研究院实习时的工作，合作者是 John Winn、Carsten Rother 和 Antonio Criminisi。按今天的眼光看，结果大概就是三个“强拒”（three strong rejects）：有颗粒感、分辨率低，也不够准确。但幸运的是，那时一切还很早，它确实是机器学习发展过程中的一束微光。

TextonBoost 怎么工作？技术细节就不展开了，一切都在名字里：纹理元，一种半人工设计的外观组合特征，用提升方法挑选，最后再加一层条件随机场。

更有意思的是当时数据和算力的规模：591 张照片，21 个类别，一颗 CPU，训练 42 个小时。

几年后我们往前走了一步，叫语义纹理元森林。思路基本一致，但换成决策森林分类器，推理速度提上去了很多。我还记得自己站在 CVPR 2008 的台上：很难弄到活的动物，于是拿一个网络摄像头对着屏幕上动物的照片，让观众看分割结果实时跑出来。事后看有明显局限，数据和算力都太少，它对我们训练用的数据集几乎肯定过拟合得很厉害。但也有微光：你看它对尺度、对旋转的不变性。而这个演示的交互速度，开始打开一些别的可能性。

所以，我从这一段早期工作里带走的是：学习，而不是工程，才是物体识别的解法。

当然，这在今天听来稀松平常。但在当时，它绝对没有被那么广泛地理解和认同。我本人也是在那时候染上了机器学习的瘾。

快进到 2008 年 9 月，我已经加入微软研究院做博士后。这时收到一封完全不期而至的邮件，来自一个叫 Mark 的人，他在雷德蒙德总部的 Xbox 团队。

周四晚上八点二十分左右，他写信问我能不能聊一聊他正在攻克的一个重要场景。我那天在办公室待了很久，有点累，就回他说：好啊，下周聊。

几分钟后，回复来了：现在能聊吗？

就是那种时刻，我答应了，而且一直庆幸自己答应了。

他接下来描述的是当时的 Project Natal：微软内部一个高度机密的体感游戏项目。那是 Wii 的时代，玩家握着手柄，而他们的梦想是——用自己的身体，你就是那个手柄。这听起来近乎科幻，当时社区已经关注了很久，普遍认为至少还要五年。

但真正棘手的是约束：它必须适用于任何体型、姿态和身材尺寸的人；不能给用户做标记或显式标定；必须实时运行，不能失败；而且只能占用 Xbox 360 全部算力的 10%。更麻烦的是，产品大约一年零三个月后就要出货，赶上假日购物季。

我们不知道这件事是否可能，很多人甚至觉得大概不可能。但我们决定先假设它可以，看看会发生什么。恰恰是这些约束，逼着我们重新理解问题，也打开了新的研究路径。

真正给我们希望的是深度相机。这是 Mark 发给我的第一张深度图，来自驱动 Project Natal 的 PrimeSense 相机。我以前见过深度图，却从没见过这么干净、这么高分辨率的。它没有彻底解决问题，但让背景分割更容易，也能在自遮挡时看清前景。

最终方案是：输入深度图，用类似语义纹理元森林的方法，在每个像素上推断身体部件分布；聚类后结合深度相机提供的三维信息，再进行经典的骨架拟合。

为了让机器学习算法真正工作，我们标注了一批深度图和身体部件，覆盖各种体型、身材和姿态。这是最早能跑起来的演示之一，站在摄像头前的人就是我。当然，它还很不靠谱，失败模式很多。

那时我博士后快结束，正在面试是否留下。巧的是，Bill Gates 第一次来剑桥实验室，正好赶上我的面试，而且很想看这个演示。

演示有个已知问题：摄像头非常不喜欢反光表面。那天我穿得很正式，还系着一条非常亮的皮带。开始前五分钟，我意识到它可能会把整个演示搞砸。

于是我解下皮带，走出去给 Bill Gates 做演示。整个过程我同时祈祷两件事：演示别崩，裤子别掉。谢天谢地，两件事都还行。

要把它做大，我们相信需要更多数据，天花板就是数据。所以我们决定用合成数据：找来动作捕捉数据，重定向到不同体型和身材上，想要多少训练数据就渲染多少，再把需要应付的变化训练成不变性。

最终我们得到约一百万张图像的数据集，当时可能是机器学习史上最大的训练集之一。训练也必须做大。那时还没有大型 GPU 数据中心、PyTorch，甚至没有真正意义上的云计算，我们只能搭自己的训练框架和 CPU 集群。算力只用于训练，推理依然可以很快。

于是，我们从博士生阶段的几百个样本，一跃到了高出几个数量级的数据规模。问题是：这真的有用吗？

有用。这就是我们当时得到的扩展曲线。因为使用的是决策森林分类器，树越深，图像越多反而越不容易过拟合，理论上可以持续扩展。

所以我从这一章带走的是：把赌注压在数据和算力的扩展上。今天听来理所当然，但当时微软非常幸运，有一批领导者愿意在结果尚未被证明时，就为一个产品押下这个注。

2010 年 11 月，我们赶上假日季出货，表现好得让我意外。更没想到的是，几百万台 Kinect 进入市场后，低廉的成本让人们开始探索各种新用途：三维重建、手术室里的无接触界面，以及机器人。

与此同时，雷德蒙德团队已经开始转向 HoloLens。顺着往前走一步，对我来说似乎顺理成章。

HoloLens：

今天的约束，不等于明天的边界

其中一个关键问题是手部追踪：你能不能伸出手去，摸到眼前的那些全息影像，跟它们交互？

这是几年后我们能渲染出来的手部训练数据。画面质量提升了非常多，我们已经能渲染完整的 RGB 图像，而不只是深度图。这让你能训练极其稠密的关键点检测，这种东西永远不可能靠人工标注标出来。

同样的想法还能扩展到脸上。这些人脸合成数据在我们人类眼里看着挺吓人，但机器并不在意。只要渲染出足够多样的合成人脸数据集，就能零成本应用到真人图像上，做出换条路走会很昂贵的事：稠密的面部关键点、深度预测，甚至眼动追踪。

但所有这些工作都很好，可惜有一个残酷的产品现实。

HoloLens 是一台你要戴在头上的小设备，功耗极低，能散发的热量几乎为零，所以算力预算微乎其微；而且算法必须永远在线、必须实时运行，否则你没法用。按今天的标准看，它几乎没有可用的深度神经网络算力。

所以要把我们的一些想法真正做进产品，逼着我们极度压缩自己的思路，而且是往远离刚才那些例子的方向上压缩。

最后真正出货的一个工作，来自 John Taylor（我相信他今天在观众席的某个地方）以及那边的其他同事。它把极其轻量的深度神经网络关键点和连续优化结合起来，在深度图上做极其稀疏的采样。我很为这项工作自豪。在那样极端的算力预算下做优化，还交付出一个真能出货的东西，团队完成了一件了不起的成就。

但回过头看，我觉得里面有一笔更隐蔽的代价。我们变得极其擅长问：“在这么小的算力和功耗预算里，能塞进多少智能？”但我问得太少的一件事是：如果约束变了呢？

当然，就在我们埋头做 HoloLens 的那几年，整个 AI 领域出现了一场难以置信的爆发：计算机视觉、游戏、生物化学、生成式 AI，当然还有大语言模型。

所以这一段，我带走的是：今天的约束，不一定要成为明天的边界。约束很重要，尤其是你想出货的时候。但如果你让它把视野遮得太严，你就会错过正在发生的别的东西。而就在我们做 HoloLens 的时候，前沿已经整体挪到了别的地方。

于是当我开始想“下一个做什么”时，我在找一个能把学到的几条经验一起放进去的地方：看起来不可能、可以用学习替代工程、数据和算力能极大扩展、今天的约束不等于明天的限制，而且做成了能有真实世界影响。

下一个前沿在我看来是具身智能。而在具身智能这个空间里，一个非常自然的起点是自动驾驶。

AV 1.0：一套被“工程”出来的系统

在自动驾驶这件事上，在座有多少人其实喜欢开车？我看到至少有一位勇士。美国普通驾车者一年有超过 50 个小时堵在路上，整整两天。更严肃地说，我们为使用道路付出了极沉重的社会代价，而今天路上绝大多数事故，都由各种形式的人为错误造成。

所以几乎从汽车时代开始，人们就想让车自己开。最早我找到的是 1920 年代无线电控制汽车。然后是 80 年代末 Pomerleau 的 ALVINN：那辆卡车只做横向控制，靠一对低分辨率双目图像和一个很小的 MLP，输出转向方向。

真正抓住公众、技术人和投资者想象力的，是 2000 年代中期的 DARPA 挑战赛。先是穿越沙漠的 Grand Challenge，第一届没人跑完；第二届巨大进步，紧跟着 Urban Challenge。自动驾驶成了我们这一代人的太空竞赛。

但半路上，我们卡住了。原因之一是技术路线：社区把这批系统“工程”起来。这张图故意画得乱，但它代表当时存在、今天某些地方依然存在的自驾系统——尽可能多的传感器，一堆检测物体和车道线的视觉算法，还要把整座城市以厘米级精度预先测绘一遍来定位；做完视觉才进入规划，预测其他车辆和行人，最后决定自车做什么。

这套东西能跑，也在全球少数城市小规模部署过。但它们脆弱、构建成本极高、极难规模化。依赖有监督感知，让你很难从一座城市走到下一座而不重新采数据、重训；手工接口笨重又脆，下游一改，上游可能全要改；地图很棒，如果你有的话，但城市一直在变，保持最新非常困难；传感器堆得越多越好，但贵、笨重。

很多人看过 Gartner 曲线：创新触发期对应 ConvNets、AlexNet 和 2012 年前后的物体识别热；然后是期望顶峰、幻灭低谷，最后到生产率平缓期。2017 年前后，我们大概在这里。有人意识到游戏还没解决，也有不少人依旧乐观。

而 Wayve 恰好成立于 2017 年，由 Alex Kendall 和 Amar Shah 创立。第一辆车是一台 Twizy；那个不太像“总部”的地方，是剑桥居民区街道上的一栋房子，团队就在那里起步。

Wayve 的成立，本质上是押在那片 AV 1.0 背景上的一个反向赌注，带着三条核心技术假设：自动驾驶是一个具身智能的决策问题，感知和视觉很重要，但难的是决定做什么、怎么行动；它会被端到端深度学习、被数据和算力的扩展解决；而在具身智能这个更大的空间里，自动驾驶是正确的起点，因为路上已经有非常多的车，一旦成功，就有通往市场的现成路径。

所以 Wayve 主张的端到端方案，概念上很简单：传感器进来，直接喂给一个大神经网络，出来一条运动规划，交给下层控制器执行。

说起来容易，做出来难。关键在于复杂性没有消失，它只是转移了。

你怎样从世界里学到正确的教训？怎样泛化、怎样处理长尾？怎样知道这东西是安全的？怎样解释它？

三条学习路径，

和一个学出来的世界模型

我们一开始就看了强化学习。这段视频是那台 Twizy 在一小段乡间道路上行驶，一开始采取的基本是完全随机的动作。

当然随机动作走不了多远，这时候就由人类驾驶员（我想这个其实是 Alex Kendall）接管纠正。这么反复很多回合，配上强化学习算法，你就能开始学到一条策略，能开得越来越远。最终，这个题为《Learning to Drive in a Day》的工作，可以在这条路上完成一段安全行驶。这是一个“被学出来而不是被工程出来”的绝佳例子。

但它有一个非常明显的问题：它需要一个探索阶段。而把这个阶段搬到公共道路上，显然不可能。

那还能怎么办？另一个关键环节是模仿学习：不去探索什么可行，而是找来专家人类司机，记录他们在路上做了什么，也记录他们被告知要做什么：目标条件、地图、应当遵循的路线。有了专家的观测、意图和动作，你就能学到这个映射。

这一直是我们很多工作的强力基座。但它有根本性的问题：它告诉你某人做了什么，却并不必然告诉你那是不是最好的做法；一旦走出专家的分布，它对你该做什么就说不上什么了。

这两种想法其实可以用另一种方式合起来。先用模仿学习训练出一个初始策略，这个策略安全到足以带着安全员上路；然后部署出去，从真实世界收集安全员接管、困难案例、长尾样例；再把它塞回一个离线 RL 算法里。这样，路上的策略完全不需要探索，我们依然能从那些经验和奖励信号里学习改进。这也就从“人类做了什么”，走到了“哪些动作能带来好结果”。

而选择好动作，同样需要理解你所行动的世界。在一项工作里，我们在快速三维重建算法的基础上，加上一个我们知道的额外约束：车上装的是一套固定的相机阵列，这让我们得到了鲁棒得多的位姿估计。

所以我们可以学到物理世界的一部分结构。但光有结构不够，你还需要“意思”，也就是正在发生什么、为什么、什么才是重要的。

Lingo 是我们向视觉、语言和行动这个方向的一次试探。你们看到的这些字幕：“我在减速，因为有人横穿马路”“我在为即将到来的转弯减速”。它开始能给你一缕微光，让你看见神经网络里面正在发生什么。后来我们用一个“看图说话”式的聊天界面把它扩展开来：它不光用文本回答，还会把图像中相关的部分指代性地分割出来，好让你相信它确实知道自己在说什么。

但即便理解了场景的意义，也不足以行动。你需要理解的不只是世界是什么，而是世界怎么变化。这就把我带到了仿真。

考虑到我前面讲 Kinect 时合成数据的成功，我对把仿真用在自动驾驶上非常兴奋，这大概不难理解。我们在 Wayve 做的第一批相关工作之一，是一个多智能体 RL 算法：又回到了那个可探索的环境，只不过这次在仿真里，你可以随便采取什么动作，而且是在俯视的鸟瞰图表示下做的。我们能在超过 700 倍实时的速度下学习，奖励极其简单：朝你的目标前进，别撞别的车。

这带来了一些真正有意思的涌现行为：学会在各种路口让行。你可以把策略蒸馏到一个没有特权信息、只能看到相机图像的策略上，拿到的驾驶质量和涌现行为基本一样。

可惜当你要把这种东西搬出仿真器时有一个大问题：仿真器和真实世界之间的鸿沟太大了。而 Kinect 和 HoloLens 的做法在这里不好使了——之前能成功，是因为那是一间客厅、一个人，范围终究有限；这里不行，真实世界太复杂、太多样，你没法用那种方式“工程”出一个仿真器。

那么，如果我们把这个仿真器学出来呢？

这当然就到了世界模型。昨天大家已经听过很多世界模型了，我就不深究它们是什么：它们本质上是一种“学出来的仿真器”——在已知现在是什么样、以及你要采取什么动作的前提下，预测接下来会发生什么。

Wayve 其实从 2018 年就开始探索世界模型。那篇《Dreaming about driving》是一种基于模型的强化学习算法：用离线的越野赛道数据学习世界模型，再在模型里探索、学着驾驶。

我们沿着这条路不断迭代，第一次真正跑起来大概是在 2023 年 6 月。这是 GAIA-1 的第一段视频，GAIA 是 Generative AI for Autonomy 的缩写。几年后再看，它的分辨率很低、画面粗糙，但当时几乎像魔法：这里的一切都是模型“想象”出来的——它想象红灯变绿，想象街道上车辆的排布。它采用的是当时预测下一个词元的自回归架构，只是额外加入了文本和动作条件。更重要的是，我们再次验证了扩展假设：从当年 6 月到 10 月，参数量扩大 10 倍，结果也明显变好。

而且它不只是生成视频。我们可以从同一个初始种子出发多次推演，看到分岔的未来：车辆可能倒回车道，也可能驶出去，而自车行为也随之调整；同时还能对模型进行动作条件控制。

此后 GAIA 持续迭代。GAIA-2 引入多视角一致性、更高分辨率和更多全球数据，并换成隐变量扩散架构。更有意思的是，几何一致性自己涌现了：我们没有教它这些知识，甚至没有提供相机标定，它却学会了物体在一个视角消失、又在下一个视角出现。它甚至能生成分布外场景，比如把车开出路面、开进森林。

但之后我们的重点转向了一个更实际的问题：它到底怎么用于自动驾驶？

我们尤其希望提升危险场景的生成能力——那些现实中绝不希望发生、却极其重要的测试场景。有了 GAIA-3，我们可以生成“险情”，比如让车驶出路面或撞向其他车辆；还可以进行本体迁移，把真实序列重定向到不同的相机阵列，快速适配不同车型。

几周前，我们发布了 GAIA-4，加入雷达生成，更重要的是实现了闭环仿真。现在可以把 Wayve AI Driver 直接放进仿真环境，让它作为真正的智能体运行。比如安全员曾因不确定前车会驶出还是让行而接管，我们把同一场景放进仿真后，模型确实停下来让行，没有发生碰撞。这样，任何场景、任何观测，都可以转化为反事实测试。

涌现的行为，与下一次冒险

退一步看，我刚才讲的这些研究都很好，但如果这套系统真的不会开车，那就有点学术了。所以它能吗？我想给你们看几组行为，都是我刚加入 Wayve 时真心不确定端到端能不能解决的。

比如窄路上的让步协商：看到对面来车，主动靠边让对方先过。这个行为我们并没有写进去。再比如让一辆车并入，看到那辆厢式货车的转向灯，让行，让它先动；或者应付对面这组相当怪异、恐怕也不太合法的驾驶；或者更稀松平常的：地上倒下的垃圾桶。

看到这些行为从学习过程中自己涌现出来，是我开始觉得“这个赌注可能真的成立”的时刻之一。我们也探索了跨车型的泛化：同一条驾驶策略，跑在两台外形差别很大的车上，一台轿车、一台厢式货车，同时在伦敦的街道上转。

更有意思的是地域泛化。几年前我们向全球扩展，美国是第一站：把在伦敦训练的策略直接放到美国街道上，因为它原本学的是靠另一侧行驶，表现一般。但加入少量额外训练数据后，这个差距就被大幅压缩。到了德国，我们甚至可以零样本部署训练过英美数据的策略，虽然仍有差距，却比当年去美国时小得多。

就这样，我们构建了 Wayve AI Driver。它现在已经部署到世界很多城市，从高速公路到乡间道路都有。比如意大利北部某条我们从未专门训练过的道路，对在伦敦训练的系统来说明显属于分布外，但它依然能够顺畅通过。路上还会遇到各种意料之外的东西，比如小松鼠、东京街头的卡丁车，它们都不是我们专门设计的场景，而是从训练数据中涌现出来的能力。

于是，我们得到了 AV 2.0 的飞轮：部署、获得经验，用经验改进训练和验证，得到更好的模型，再带来更多部署。这也塑造了 Wayve 的商业模式——将 AI 授权给汽车制造商和车队运营商，以更大的规模和覆盖面让这个飞轮不断加速。

如今，我们也不再是唯一在 AV 2.0 上下注的人。我们已经宣布与日产和 Stellantis 的合作，上周还在伦敦启动了与 Uber 的首次有人监督自动驾驶出租车试运营。

我要挂在这里的第四条经验是：回头看这二十年，我最感激的很多东西，都来自“倾向冒险”——无论是做人体追踪、把感知装到人的头上，还是离开微软的舒适区。

这也到了我现在真正兴奋的地方。自动驾驶很重要，但具身智能还有远为宽广的空间：我们在自动驾驶上学到的东西，能不能迁移到其他任务？这也是我们今年早些时候成立 Wayve Labs 的原因之一。

对 Wayve 这样的初创公司来说，技术跑起来、开始部署并变成产品后，可以选择全力押注，把它更快推向市场；但这也可能赌掉未来，给后来者留下用新想法颠覆你的机会。所以我们选择成立 Labs，继续推进具身智能中的未解问题，把自动驾驶建立起来的能力扩展到其他形式的机器人。

Labs 已经聚集了一批来自计算机视觉、机器人和机器学习领域的人。我们也在把这些年积累的扩展经验，以及平台、算力和数据带过去，在伦敦、温哥华和森尼维尔开展工作，并刚刚与 Alex Toshev 开始了机器人操作的新方向。是的，我们在招人。

不过这些故事没有一个属于个人。我特别想提两位：Roberto Cipolla 和 Andrew Blake，他们很早就把我引向机器学习和物体识别；还有 Alex Kendall——他恰好创立了一家公司，也是我正在寻找的地方，并在正确的时间带着我们走到了今天。

当然最重要的是家人。他们支持我经历的冒险，恐怕远比当初答应支持的更多。

二十年前，我来到 ECCV，以为挑战是让机器理解视觉世界。今天我认为机会更大：构建那些足够了解世界、从而能够在世界中智能行动的系统。

如果过去二十年教会了我什么，那就是：在宣布某件事“不可能”时，我们应该极为谨慎。谢谢大家。

Q and A

▎问：端到端自动驾驶的规模定律出了名地差。几个月前 Mobileye 有篇博客宣称，光靠扩大端到端模型规模，是到不了完全自动驾驶的。你怎么看？

我同意自动驾驶的规模定律确实很难，我们自己也在挣扎。有些地方它相当好用，有些地方则不然。我想表达的并不是“盲目把现有东西做大就行”，而是必须保持创造力，把那条曲线掰弯，找到越来越好的配方。

就我自己而言，随着部署规模扩大，我看到系统有了大幅改善，也确实相信它能走到产品级。只是这个“配方”具体是什么，还在不断创新和演化。

▎问：你提到过，不要假设今天的约束明天还在。放到自动驾驶上，现在有哪些约束未来可能会消失？

我觉得推理算力永远是一个约束，它最终可能决定驾驶能力的上限。今天这个上限已经够做成产品，但如果真要做到 L5，也就是任何地方、任何条件下不受限地驾驶，很可能需要更多算力。

传感也很有意思。只用摄像头确实能走很远。有人经常问 Wayve 到底用摄像头、激光雷达还是雷达？某种意义上我们并不太在意。我们和不同车厂合作，他们对传感器有不同偏好，不同组合也会带来不同效果。我不会低估传感领域的创新，它完全可能改变明天的可能性。

▎问：你们的系统里有显式的人行为建模吗，还是这些能力都是涌现出来的？

我们不做任何显式的人行为建模，也不做其他显式建模，看到的一切都是涌现出来的。

比如斑马线旁的行人，他可能过马路，也可能不过，你必须推断接下来会发生什么。这涉及身体姿态，甚至可能涉及表情。我们没有显式建模，但这些能力确实会在行为中涌现出来。尤其在伦敦市中心，路上有大量行人，想不明白这件事，很快就走不动了。

▎问：昨天 Yann 提到，人类的学习速度要快几个数量级。走向机器人后，它们的行动方式比汽车多得多。你怎么看样本效率的问题？

我完全同意。令人沮丧的是，我们需要几百万小时的视频和驾驶数据才能学会开车，其他机器人也一样。

我没有魔法方案，但我希望像地域泛化一样，每完成一个新任务，后面的任务都能比前一个更容易。也许第一个任务需要一百万小时，下一个只需要 100 小时，再下一个 10 小时，最后只需要 1 小时。如果能达到这个程度，最初那一百万小时的成本就能摊销到各种任务和机器人本体上，也许这就足够了。

为了方便大家抱团交流、互通会议消息，我们专门建了ECCV 2026参会交流群！进群你会解锁这些「福利」

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 现场探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。