2026年10月8日，聚焦视觉语言模型前沿方向的专题讲座顺利举办。讲座由王佳桐副院长主持，武琳教授围绕“迈向空间智能与具身人工智能系统”作分享，并介绍了三项最新研究成果，在视频理解、可控人物图像动画生成、音视融合感知等方面取得技术提升。
针对视频目标识别分割场景，团队提出全新技术框架，能够依据自然语言描述，在动态视频中精准定位目标对象。该技术对文本信息进行拆解分析，结合视频内物体的运动轨迹完成追踪，再通过双重校验过滤错误识别结果。即便采用中小规模模型，依旧可以取得良好效果。依托物体间的空间位置关系，有效降低外观相似物体带来的识别干扰。
在可控人物图像动画生成方面，以往人工智能生成人物画面时，容易出现人物姿态、空间位置不符合现实物理逻辑的问题。该研究融入三维场景深度信息，实现了实现了人物运动轨迹与相机镜头运动的统一对齐，依靠几何约束优化生成效果，让人物姿态、站位更加符合现实逻辑，人物动作与镜头变化衔接更为自然，相关技术可应用于机器人学习等实际场景。
面向移动端等轻量化设备，团队研发高效的视听分割技术。传统视听感知算法计算开销大，难以在便携设备上流畅运行。新框架将视觉、音频信息分别处理，以音频信号引导视觉模块锁定声源对象，在大幅降低计算开销的同时，维持较高的识别准确度，便于在手机等终端设备部署使用。
讲座互动环节，师生围绕多模态学习、空间智能、具身智能的应用场景等问题踊跃提问，武琳教授逐一细致解答，现场交流气氛热烈。通过本次讲座，对视觉语言模型的前沿进展有了更直观的认识，也对人工智能如何理解物理世界、服务机器人学习等方向有了更深入的思考。讲座不仅拓宽了学术视野，也为后续科研选题和跨学科合作提供了有益启发。
图文：阮梦绮
一审：周晓丽
三审：李晓明