你是否注意到，那些让我们惊叹不已的AI虽然能写诗作画，却对我们生活的三维空间理解有限?当今大多数AI世界模型仍在二维平面中"思考"，它们能识别照片中的猫咪，却难以理解物体在空间中的位置、形状与深度。这种"二维诅咒"严重限制了AI，特别是机器人在现实世界中的应用能力。
来自UMass Amherst、HKUST和哈佛的研究团队带来了突破性解决方案——TesserAct，一个真正能够理解四维世界的AI模型。这个名称让人联想到《星际穿越》中的高维空间概念，而它的功能同样具有科幻色彩:赋予AI理解三维空间加时间维度的能力。
传统2D模型在机器人控制应用中面临诸多痛点。想象一个仅能理解平面图像的机器人尝试从冰箱取出牛奶时的窘境:它无法准确判断距离，不知如何调整抓取姿态，更无法对物体运动做出合理预测。这些问题对于需要与物理世界交互的具身智能而言是致命的。
TesserAct的创新在于它没有试图直接预测复杂的4D动态场景，而是选择了一种更高效的表示方法:预测未来的RGB-DN视频流。这一巧妙组合包含了常规彩色图像（RGB）、深度图(D)和法线图(N)。深度图告诉AI画面中每个点的距离，就像给它戴上3D眼镜;法线图则提供表面朝向信息，使AI能"触摸"物体表面的形状和纹理。这三种信息构成的视频流既包含了物体外观，又含有关键的3D几何信息，还捕捉了时间变化。
获取这类4D数据是一大挑战。研究团队采用"虚实结合"策略:在机器人仿真环境中生成大量带精确深度信息的数据，同时使用先进算法为真实机器人视频添加深度和法线标注，还补充了人类与物体交互的数据。这一创新数据集成为训练TesserAct的基础。
在模型架构上，团队没有从零开始，而是聪明地利用了预训练的CogVideoX文本到视频生成模型。他们对模型进行了巧妙改造:分别对RGB、深度和法线视频进行编码，设计了专门的"投影仪"处理这三种模态信息，同时扩展了输出端以预测完整的RGB-DN数据。这种方法最大限度地利用了预训练模型的知识，仅需在相对较小的4D数据集上微调。
TesserAct还创新性地开发了优化算法，将生成的"三视图"转化为连贯动态的4D场景。它利用法线图优化深度图，使用光流算法区分动态与静态区域，并引入时空连续性约束确保场景真实感。这套精巧的优化流程将预测出的RGB-DN视频流"缝合"成时空高度一致的4D表示。
在各项测试中，TesserAct表现出色。它在4D场景生成质量、新视角合成和跨平台泛化能力上均优于现有方法。最关键的是，基于TesserAct训练的机器人在各种操作任务中，成功率远超仅使用2D图像的方法，特别是在需要精确空间理解的任务上优势明显。
TesserAct的出现标志着AI世界模型研究的重要"升维"。它让我们看到了让AI真正理解三维动态世界的可能性。基于这种4D世界模型，未来机器人有望在复杂环境中灵活操作，通过"想象"未来场景做出智能决策，并从仿真训练无缝迁移到现实应用。
虽然研究仍有局限，但TesserAct无疑开启了通往更强大具身AI的大门。下次当你看到机器人笨拙地抓不起东西时，也许可以想:它缺的正是这样一个能理解四维世界的大脑!
论文地址：https://arxiv.org/pdf/2504.20995
