「AI哲学」让人类“为自身立命”与“为AI立心”。

在本书作者看来，目前的AI大模型本质上是一种Deep Reconstruct（深度重构）技术。这是对人类知识的深度重构，即先把海量的知识进行压缩（合并、精炼），并打成有结构的碎片；然后再通过设置平滑条件和连续参数，根据应用需求把压缩精炼后的碎片Reconstuct（重构）拼合出新的语句。重构的这个“压缩、打散再拼合”的过程也可被称为编码（Encode）和解码（Decode）过程。这和3D网格面片的重建有相似性：也是先把3D网格面片打散，然后再重建出新的形状，具体图解说明请参见章节“2.32.3 AI的重构主义（Reconstructionism）”。从这点上看，AI大模型和3D重建在本质上有某种意义的相通。

具体地，以下图的3D重建为图示，即先把海量的人类知识进行压缩（寻找结构、合并、精炼），并打成有结构的碎片（图A）；然后再通过设置平滑条件和连续参数，根据新应用的需求（图B），把压缩精炼后的碎片重建（Reconstuct）拼合（图C）出新的语句。重构的这个“压缩、打散、再拼合”的过程也可被称为编码（Encode）和解码（Decode）过程。

图  原始结构先被打散（解构），然后在新姿态（新视角）下拼合（重构）（图片来源：Robert W. Sumner）

进一步地，AI通过其强大的数据处理和生成能力，试图重构人类的知识体系，将人类的认知、情感和社会规则编码到机器中。这种深度重构并非简单复制，而是通过技术手段重新组织、整合和优化人类知识，形成新的知识结构，甚至发现人类难以察觉的知识关联和模式，使其更高效地应用于实际问题。AI可以通过分析海量数据，快速生成新的知识、观点、解释和洞见，拓展了知识的边界和深度，甚至在某些领域超越人类的认知能力。这也重构了传统的知识生产方式，例如通过机器学习从海量数据中发现新的规律。

重构将碎片化的已有知识整合为系统化知识，AI在这一过程中扮演了重要角色，它不仅能够提供碎片化的信息，还能通过算法和模型将这些信息重新组织和扩展，形成新的知识体系。AI不仅仅是被动的数据处理工具，而是积极参与到知识的生成、传播和应用过程中。

下面，我们再具体介绍一个AI与3D相结合的重构案例：辐射神经场。

神经辐射场（Neural Radiance Field，简称NeRF）是一种基于深度学习的三维重建技术，通过神经网络精确模拟场景中的光照和密度信息，仅需要一组在不同视角下的二维图像即可生成高精度的三维场景。其核心是将场景定义为位置和观察视角的五维辐射场函数，并通过隐式神经网络表示，结合体渲染方法实现三维重建。NeRF模型能够学习并表示复杂的三维环境，并且可以渲染出任意新视角下的逼真二维图像。

NeRF的核心思想

NeRF的基本思想是用神经网络表示三维场景，即使用一个深层神经网络（如多层感知机MLP）来参数化一个连续的3D场景函数，该函数将空间中的每一点映射到其颜色和透明度（或密度），并通过体积渲染技术合成新视角的图像。具体来说，对于给定的三维坐标点和观察方向，NeRF网络预测该点的辐射度（即颜色，通常用RGB值表示）和体积密度（表示该点对光线的吸收与散射能力）；然后通过沿着光线积分这些预测值，可以从任意视点合成该场景的二维图像。其中，体积密度（“几何属性”）表示该点对光线的遮挡程度，颜色（“辐射属性”）则依赖视角方向（可模拟非朗伯表面材质）。

隐式建模：具体地，NeRF通过全连接神经网络（如多层感知机MLP）将三维场景建模为一个连续的5D辐射场函数F(x,y,z,θ,φ)→(c,σ)，输入为空间位置（x,y,z）和视角方向（θ,φ），输出为该点的颜色c（RGB）和体积密度σ（opacity）。这种表示方式无需显式建模几何结构，而是通过神经网络隐式函数直接建模体积属性、存储场景信息，支持无限分辨率和复杂几何；并通过学习光线在场景中的传播和反射特性来隐式捕捉场景信息。该函数由多层感知机近似，实现了对光照、几何和材质属性的统一建模。

视角依赖：通过视角方向输入，捕捉材质的镜面反射、各向异性等非朗伯特性。

连续表示：传统三维表示（如体素、网格、点云）是离散的，难以高效建模复杂细节。而NeRF用连续的神经网络（多层感知器，MLP）作为“场景函数”，直接映射三维空间坐标到该位置的属性：体积密度（σ）表示空间中该点的“不透明度”，用于刻画几何结构（密度高则更可能是物体表面）；颜色（c）表示该点沿特定观察方向的辐射（RGB颜色），用于刻画外观。

体积渲染：NeRF利用体积渲染方程（Volume Rendering Equation）对场景进行渲染，通过沿相机光线采样神经网络预测的密度和颜色值，最终生成合成图像。

工作流程

一、 数据准备：首先需要收集目标场景的一组二维照片以及它们对应的相机参数。

二、 训练过程：然后使用这些图片及其相机参数作为输入，训练一个深度神经网络来学习这个场景的NeRF表示（即，输入为不同视角的二维图像，输出为三维场景的辐射场表示）。NeRF通过最小化重建损失（如均方误差）优化神经网络权重，使用从不同视角拍摄的图像集作为输入，并要求提供相机参数（如位置、方向）以确保训练数据的准确性。

三、 新视图合成：一旦模型训练完成，就可以通过对未见过的相机位置进行采样，并利用训练好的模型沿每个像素发射的光线计算颜色值，从而生成新的视角图像。

技术优势

 高保真度：传统显式方法在几何精度和实时渲染上可能更优，但处理复杂场景时容易出现空洞或伪影。作为对比，NeRF能生成无孔洞、细节丰富的照片级渲染结果，尤其在复杂光照和细微结构上表现优异；NeRF的隐式表示能够更自然地处理非结构化数据，但其计算成本较高。

 自监督学习：仅需多视角图像及其相机位姿即可训练，无需深度或法线等标注数据，降低了数据采集成本。

 隐式表达灵活性：连续函数特性使其天然支持平滑插值，可实现自由视角切换与动态场景扩展。

本书作者指导研究生共同提出了一种新型的神经隐式函数曲面重建方法：GG-NeuS（a Geometry-Guided Neural Implicit Surfaces learning method，几何引导的神经隐式函数曲面重建），将三维表面表示为符号距离函数（Signed Distance Function，SDF），采用体渲染方法可以直接通过重建损失来训练隐含的SDF，所提出的基于神经隐式函数的多视图表面重建方法，能够恢复精细级别的几何细节，如下图所示。具体地，对于输入的场景的多视角图片，学习神经符号距离函数场和颜色场分别表示场景的几何和外观，实现从2D图片到3D模型的高保真重建。通过体渲染技术，可以直接通过颜色重建损失对学习的神经符号距离函数场和颜色场进行监督。通过对插值得到SDF为0的曲面上的采样点运用多视图几何一致性约束，能够显著改善曲面重建的质量。我们采用容易获得的单目几何先验去约束训练过程，可以显著提高神经隐式表征的三维重建质量。在不同的数据集上的广泛实验表明，我们所提出的几何引导方法能够重建高质量的表面，并且在质量上优于现有的大部分算法。该工作发表在国际顶级期刊IEEE Transactions On Computational Social Systems 2024（Geometry-Guided Neural Implicit Surface Reconstruction）和计算机视觉的顶级国际会议ECCV 2022上。

图5-1  本书作者所提出的几何引导的神经隐式函数曲面重建方法

小结一下，神经辐射场是一种基于深度学习的三维场景表示与渲染方法，通过将连续场景编码为神经网络参数来实现逼真的新视角合成。其核心思想是用多层感知机（MLP）隐式建模空间中每个点的颜色和体积密度，结合可微分的体渲染技术，仅需输入少量多视角的二维图像，就能重建出具有复杂细节和真实光照效果的三维场景。

NeRF的优势在于能够生成高度逼真的新视角图像，尤其在处理复杂场景的细节（如曲面、反射、遮挡、毛发、烟雾等）时表现出色，因此被广泛应用于三维重建、虚拟漫游、增强现实、影视特效等领域。

至此，3D智能十八篇的内容已告一段落。其实还有更多内容可以阐述（且技术的发展日新月异、时时刻刻都在更新），而“万变不离其宗”，这十八篇的内容可以作为一个很好的专业基础（数学基础还可参考“第13章 数基：设计AI、3D元宇宙与上帝的最优化及相关数学方法”），为你打开AI和3D元宇宙世界的大门！

【“AI哲学一吴怀宇”（中国科学院博士、北大博士后）作者主页：www.OpenDAI.org；邮件：huaiyuwu@sina.com 视频号/公众号：AI哲学一吴怀宇中国科学院（人工智能哲学）】

支持单位：