丁文超：为什么之前没有模型有很好的空间感知能力，我认为是大家建模的时候太粗暴，比如认为基于过去的图像和视频，就能预测未来，就认为模型具备空间感知能力了。但实际不是，视频预测模型学会的空间感知能力，可能很间接。
比如大家现在可能会刷到 AI 生成的短视频，看起来逼真，但很多小细节可能在违反物理定律。或者前后一致性的问题。
我们的解决思路是 4D 空间对齐，在具身智能领域，3D 空间操作之外，加入时间的维度，引导模型引擎预测整个 4D 空间的变化。这实际上展示了模型学习和理解空间感知的能力。
为什么其他人无法做到这一点？首先可能是尚未意识到重要性。其次是训练这样的模型，必须要有强大的自动化标注能力作为支撑，以及有对应的训练数据资料。空间感知能力需要模型学会，它不会灵光一现涌现，需要你教小孩子一样，先有监督学习，只不过这个监督学习主要是数据自动化标注获得。
数据自动化标注的能力、场景重建的能力实际非常有门槛，做好了这个才能设计好整个模型架构，设计模型学习的任务，而这条路我们在自动驾驶工程项目中获得了经验。
————
如果丁文超这段分析是对的，那我们应该对特斯拉打造 Optimus 大脑抱有更高的期待。
因为这里提到的 4D 空间对齐、数据自动化标注、场景重建，所有这些能力特斯拉在做 FSD 的时候都完整做了一遍，而且做这种物理 AI 特斯拉的工程能力是最强的。
且从这个角度看过去，一旦华为（它石的班底就是华为 ADS）和理想决定做人形机器人，这里有大量的工程资源可以复用。
机器人看似没门槛，实际上非常有门槛。
