
(工体)就是这样一个特殊的存在。
经过60年沉淀,已经成为大家心目中的“足球殿堂”和“演艺圣地”——它时尚、富有生命力、象征着国际化,承载了一代又一代人的城市记忆。
工体在过去一段时间,一直在紧锣密鼓地进行一场大型保护性改造。
新工体在改造复建后,将会在两种空间,以相同又不同的面貌,迎接它的到访者:
所以,当工体重新亮相时,它不仅将是一个现代化的物理之“城”,也将是一个前所未有的数字之“城”,上演一场现实世界和虚拟世界交相辉映的“双城记”。
如同传统建筑,需要钢筋水泥等材料,而要让新工体在元宇宙中焕发数字荣光,就必须有数字技术作为打底。甚至,也正是这些新的技术角色,才让元宇宙真正从科幻走向现实。而在这之中,5G,就是其中的关键点。
01
向元宇宙跃迁的「关键力量」
元宇宙,源自于30年前一本科幻小说中的概念,一直流传于硬核科幻爱好者,未出现在大众的视野。当它真正成为一个主流技术趋势,却几乎与工体的翻新重建时间同步,那是2020年,那一年,也正是5G牌照发放、5G商用发令枪打响的时间。
不是巧合,却是机缘。
抛开晦涩的概念不谈,先浅谈一个大家都熟悉的情景:因为有了3G/4G/5G等通信技术,活跃在物理世界中的数千万人,也是数字世界中的数千万个ID,他们在某一个时间,彼此相遇在同一个地点,又各自散开,形成独一无二的行动轨迹。
数字孪生,而当人们为数字世界提供超越物理世界想象力的超凡体验时,我们便走入元宇宙的时代了。
不过,无论是现实仿真的数字孪生,还是有无穷奇观的元宇宙,人类其实都离不开脚下的物理世界。所以,总是需要一艘方舟,能嫁接于不同世界,让人类实现在不同世界的体验能无缝切换。
因为将虚拟世界和物理世界、数字世界融合,需要有非常快速的连接,而5G正好提供了支持人与人、物与物之间完全融合的连接技术。
02
进入元宇宙空间的「时间要求」
进入物理世界的新工体,可能需要一张门票;而漫步数字世界的新工体,我们需要的是一个XR设备。
都会有一个刻板印象,就是容易头晕,其中有很多技术性的原因。
第一,空间定位。第二,画面渲染。
因此,只要其中有一个问题没解决好,出现了让人类身体察觉的时延,这个数字空间的体验一定不会好。工体元宇宙的合作伙伴高通,对上述两个问题,给出了自己的5G答案。
5G连接时延是20毫秒,而用户从动作、到渲染、到显示的整个过程的时延是70毫秒。从而用5G解决了XR头显因为时延高而产生眩晕的问题。
这样才能真正地让XR终端深入到千家万户,深入到每一个人的手中。
有了这样的数字基础,我们便可能在工体元宇宙之中,看到这样一些应用场景。例如:在虚拟看球的应用场景中,用户可以邀请合作伙伴和家人好友,在虚拟的房子中一起看球,不再担心网络时延和画面低质造成的不佳体验。
03
如何打造元宇宙地标?
正如一座建筑的设计开发运营,需要产业链中不同的成员。打造元宇宙的样板间,也需要不同角色的加入。
、VR技术厂商银河威尔等多个玩家的加入。
由于5G在元宇宙中的支点作用,高通在新工体数字空间中,也担当起了技术上的中枢赋能角色。
比如,从技术架构看,工体元宇宙搭建了一张非常强大的「网」,这张网不仅支持在公有网络、5G专网、毫米波以及Sub-6GHz网络下的数据传输,同时也支持边缘云架构。
其次,银河威尔、梦想绽放所提供的产品,搭载的也都是骁龙平台。
有人说建筑是凝固的音乐,而元宇宙似乎成了流动的音乐剧。人们不仅可以远远地欣赏,还可以近距离沉浸其中。可以预见,有了5G之网,有了「消费者-XR设备-5G-工体元宇宙-商圈」互通,新工体将重新定义“观赛”、“听演唱会”和“生活购物”等多种场景。当城市的物理天花板将被打破,不再受时间、地点、天气、空间限制的数实融合「消费新时代」,也将随之开启。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。