最近，Meta AI 公司宣布推出了人工智能技术的最新突破，旨在实现能够执行具有挑战性的感官运动技能的通用目的体现 AI 代理：人工视觉皮层（称为 VC-1）。这是首次支持多种感官运动技能、环境和体现形式的单一感知模型。它是第一款模拟人类视觉皮层的人工智能模型。VC-1 的出现对于人工智能发展极具意义，代表着人工智能向模拟人类智能又迈进了一大步。
为了训练 VC-1，Meta AI 构建了一个开创性的数据集 Ego4D。该数据集包含了 2100 小时的第一人称视角视频，记录了人类做饭、打扫、运动等日常活动。这些沉浸式的视觉数据使 VC-1 学会感知复杂环境，理解物体运动，判断人体姿态。
VC-1 的独特之处在于它模拟了人脑视觉皮层的结构和计算原理。人脑视觉皮层包含上百亿个神经元，负责处理和分析视觉输入。VC-1 参考视觉皮层的结构，使用数十亿个参数，可以对各种视觉环境做出灵活的感知和理解。
此外，VC-1 通过预训练超过 4000 小时的视频数据，获得了强大的视觉理解能力。不同于仅针对单一任务进行训练的模型，它作为一个统一的系统，支持多种视觉能力，包括物体识别、场景分割、姿态估计等。在 Meta AI 的测试中，VC-1 在这些任务上的表现达到或超过了专门训练的模型。
VC-1 的出现带来的影响深远。它不仅推进了对人类视觉系统的理解，也为研发更通用智能的人工智能系统提供了宝贵经验。VC-1 展示了通过模拟人脑结构实现通用智能的可能性。
名称诠释
Ego4D 数据集：是一个规模巨大、多样性前所未有的以自我为中心的数据集。它由 923 名来自 9 个不同国家 74 个世界各地的独特参与者收集的 3670 小时视频组成。该项目汇集了 88 名研究人员，组成了一个国际联盟，将公开可用的以自我为中心的数据的规模大大提高了一个数量级，使其比任何其他数据集在视频小时数方面多出 20 倍以上。Ego4D 旨在催生第一人称视觉感知研究的下一个时代。部分视频伴随着音频、环境的 3D 网格、眼球注视、立体声和/或来自同一事件的多个以自我为中心的摄像头的同步视频。