“总的来说，神经辐射场为自动驾驶提供了新的视角和工具，使我们能够更好地理解和预测环境，能够提高自动驾驶的性能和安全性。我们计划推出基于该技术的先进平台，开放给各行各业使用，其中的技术原理，也拟定开源。”
“随着技术的进步，我期待看到神经辐射场在自动驾驶中发挥更大的作用，也期待我国能够在自动驾驶汽车上取得世界领先的地位。能在新电车这个行业里，取得世界领先的地位。”
“这项技术，就算是我为国内新一代智能车辆做得一项微小的贡献吧！”
孟繁岐做完介绍之后，大家的第一感觉是来自于技术的强烈震撼。在技术的更迭面前，所有的产业和岗位即便再庞大，也不值一提，只会在新的革新面前轰然崩塌。
这显然已经超越了正常的图像AI技术范畴了。
目前主流的图像AI技术，什么分类、检测和分割，都只是单纯对2D的平面图像做一个分析的操作。
属于图片上有什么，我就理解分析什么。图片上如果没有，那我的技术就没什么办法了。
这也是为什么，【遮挡】类的问题，一直是图像领域比较难处理的一件事。
马赛克也是类似的情况，它们都导致图像的内容被实质性破坏了，无法读取无法分析，也就很难进行逆过程。
分类、检测和分割难度层层递进，但也无非是分析得更加精致准确细腻罢了。
例如，分类只是让AI说出图像里有什么，检测要确认大概的位置，分割则是精细到像素级的轮廓，不过从根本上是没有发生什么改变的。
而孟繁岐这次展示的神经辐射场，则可以说完全是一种创造了，构造出了图片上没有展示的内容，跟此前的那些AI图像技术有着本质的区别。
“老师，您为什么说它与只是分析图像的技术不同？那对抗生成网络呢？它不是也是生成式技术，既然此前已经有了生成技术，为什么大家显得这么惊讶？”
高校这群大佬，此行也带了几个得意门生来，其中就有比较年轻，没能跟上老师们思路的。
几人在一旁，听着大佬们简短地惊叹赞美之后，已经开始畅谈这种技术的应用了，顿时觉得人有点晕。
这进度也搞太快了吧！
“小张啊，生成式技术虽然是一种图像的创造，但是它极其不稳定也不可控。就比如孟繁岐他此前的FaceGAN技术，如果要针对人脸的话，就需要大量人脸数据去反复对生成网络进行学习。”
“人脸的识别是比较大众的需求，因此有这么多的数据，我们也接受进行专门的训练，可各种其他的任务呢？我们不可能针对什么东西都去专门的再这么做一次，况且其效果也并不确定。”
“而神经辐射场，仅仅只需要简单的几张图片，就彻底解决了这个问题。诚然，对于相片没有拍到的地方，它无法复原，可人眼不也是一样如此吗？能够做到这个程度，已经相当了不起了。”
周志华侧过头来，为一群好奇的学生们做了简短的解释，为何神经辐射场的意义是颠覆式的。
“按照流程现在也应当是问答时间了是吧？”旁边的鄂维南院士也扭过头来：“这不是直接问的好机会吗？大家有什么不明白的就直接提问。”
鄂维南院士今天没带人来，他最近几年亲自收的徒弟相当之少，关门弟子韩辞还被台上这个人拐跑了，从应用数学不知不觉就转到AI那边去了。
今天来这里，他也是想亲眼看看，孟繁岐能在会程中给大家带来什么样的惊喜。
真要说起来，鄂维南院士应该是在场的高校大佬里唯一一个提前对孟繁岐的技术内容有所涉猎的。
韩辞在辐射场和扩散模型这两个方面的原理推导过程中，也是请教了自己的老师不少的。
“孟先生给我们带来的新技术可以说是非常的震撼，不知道能否请您举一个比较具体的例子，来仔细说明一下神经辐射场技术在自动驾驶中的具体应用。”主持人虽然自己听得云里雾里的，但还是坚持进行了串场。
“没问题，可能我刚才展示的例子还不够方便理解。我们来看这样一个例子，假设一辆自动驾驶车辆在繁忙的城市街道上行驶，遇到一个交叉路口。传统的自动驾驶技术可能会局限于通过传感器获取的有限信息来判断交通状况和障碍物。”
“但是交叉路口的情况常常是复杂和多变的，这样的判断很难保证准确性和安全性吧？”主持人似乎觉得自己既然做出了提问，也应当有所回应。
孟繁岐听到主持人的插话，眉头一扬，好家伙，已经学会捧哏了是吧？
“没错！这正是目前传统办法的一大问题！图像上的内容只要一多一杂乱，就很容易分析不明白。例如在纷繁的十字路口，行人、车辆、建筑、红绿灯、交通指示牌。有太多的东西需要检测分割。”孟繁岐说着，展示了一张交通要道的复杂场景图，其中信息量很大。
他心里也在嘀咕，不知道这主持人是懂还是不懂，这捧哏的气口和内容选择的相当不错。
传统式视觉技术一直存在这样的缺陷，其中一大原因也是因为能够处理的分辨率有限，如果相同的分辨率内塞入了太多的内容，较小的目标就很难被分析清楚。
小主，这个章节后面还有哦^.^，请点击下一页继续阅读，后面更精彩！