那多跌份啊！

台下大佬们几十上百，听懂的估计不足一成，但一个个都在热烈地拍手，表情若有所思，频频点头，很像那么回事。

“传统的计算机图形学允许我们生成高质量的可控场景图像，但场景的所有物理参数，例如相机参数、照度和物体的材料都需要作为输入提供。”

小主，

“但我们现在拥有了全新的神经辐射场渲染，它让一切都变得不同了。很显然，这样全新的从平面图形重构三维世界的全新技术有着诸多的应用场景。由于本次时间有限，我在报告上，主要从自动驾驶方面进行讨论。其他方向的应用呢，大家会后有空的话，可以前往视界公司的展台，那边有非常多应用方向的展示。”

虽然带着任务而来，要替官方做一些宣传，但孟繁岐仍旧没有忘记给自己的公司打打广告。

“之所以选择神经辐射场在自动驾驶领域的应用作为这次汇报的主题，一是因为两者的相性极佳，这种新的感知方式在自动驾驶领域具有极其广阔的前景。另一方面，就像汪秘书所说的，在今后的发展当中，万物互联、物联网的概念也会更加迅速的发展...”

“...”

“...可以说，神经辐射场提供了一种新的方式来帮助车辆去理解和建模环境。”

“在传统的方法当中，比如激光雷达（LiDAR）和立体视觉虽然可以提供一定的深度信息，但是一旦情况变得复杂，它们就很有可能无法做到提供足够详细的信息以供算法系统进行相应的操作判断。”

孟繁岐与马斯克撞坏特斯拉电车，很大程度上就是因为马斯克采用的传统算法，错误地估计了大面积白色的形状和成分，如果能够正确判断侧翻白色大货车的纹理，算法系统是应当正常制动，停下车辆的。

而另一个关键词，【连续】则又是神经辐射场相比原本图像识别技术的一大优势了。

“神经辐射场的生成模型可以用于预测未来的场景变化。由于神经辐射场模型是连续的，因此我们可以通过插值和外推来预测新的视点或者动态物体的未来状态。这对于自动驾驶非常重要，因为车辆需要对未来的环境变化做出预测，以便提前做出决策。”

孟繁岐在此处，展示了一些与特斯拉对接后的真实街景测试，相比原本的传统方法，只能识别平面图像内某些区域到底是什么。

新的辐射场办法已经协助实现了相当范围内行车路况的三维重构，就像是网格于平面一样，用立体方块来表示三维世界空间的占用情况。

并且用不同的颜色可以标注空间内物体的移动情况，是静止不动，还是正在移动，乃至于速度大约是多少，都可以做到估算。

这对于现阶段的自动驾驶图像办法来说，几乎是无法想象的，来参会的那几个搞自动驾驶方法的初创公司高层，坐在下面人都看傻了，一个个面如死灰。

麻了，彻底麻掉了。

这都不是一个维度的事情了，你这么搞，我们还做个P啊！