“总的来说，神经辐射场为自动驾驶提供了新的视角和工具，使我们能够更好地理解和预测环境，能够提高自动驾驶的性能和安全性。我们计划推出基于该技术的先进平台，开放给各行各业使用，其中的技术原理，也拟定开源。”
“随着技术的进步，我期待看到神经辐射场在自动驾驶中发挥更大的作用，也期待我国能够在自动驾驶汽车上取得世界领先的地位。能在新电车这个行业里，取得世界领先的地位。”
“这项技术，就算是我为国内新一代智能车辆做得一项微小的贡献吧！”
孟繁岐做完介绍之后，大家的第一感觉是来自于技术的强烈震撼。在技术的更迭面前，所有的产业和岗位即便再庞大，也不值一提，只会在新的革新面前轰然崩塌。
这显然已经超越了正常的图像AI技术范畴了。
目前主流的图像AI技术，什么分类、检测和分割，都只是单纯对2d的平面图像做一个分析的操作。
属于图片上有什么，我就理解分析什么。图片上如果没有，那我的技术就没什么办法了。
这也是为什么，【遮挡】类的问题，一直是图像领域比较难处理的一件事。
马赛克也是类似的情况，它们都导致图像的内容被实质性破坏了，无法读取无法分析，也就很难进行逆过程。
分类、检测和分割难度层层递进，但也无非是分析得更加精致准确细腻罢了。
例如，分类只是让AI说出图像里有什么，检测要确认大概的位置，分割则是精细到像素级的轮廓，不过从根本上是没有发生什么改变的。
而孟繁岐这次展示的神经辐射场，则可以说完全是一种创造了，构造出了图片上没有展示的内容，跟此前的那些AI图像技术有着本质的区别。
“老师，您为什么说它与只是分析图像的技术不同？那对抗生成网络呢？它不是也是生成式技术，既然此前已经有了生成技术，为什么大家显得这么惊讶？”
高校这群大佬，此行也带了几个得意门生来，其中就有比较年轻，没能跟上老师们思路的。
几人在一旁，听着大佬们简短地惊叹赞美之后，已经开始畅谈这种技术的应用了，顿时觉得人有点晕。
这进度也搞太快了吧！
“小张啊，生成式技术虽然是一种图像的创造，但是它极其不稳定也不可控。就比如孟繁岐他此前的Fa技术，如果要针对人脸的话，就需要大量人脸数据去反复对生成网络进行学习。”
“人脸的识别是比较大众的需求，因此有这么多的数据，我们也接受进行专门的训练，可各种其他的任务呢？我们不可能针对什么东西都去专门的再这么做一次，况且其效果也并不确定。”
“而神经辐射场，仅仅只需要简单的几张图片，就彻底解决了这个问题。诚然，对于相片没有拍到的地方，它无法复原，可人眼不也是一样如此吗？能够做到这个程度，已经相当了不起了。”
周志华侧过头来，为一群好奇的学生们做了简短的解释，为何神经辐射场的意义是颠覆式的。
“按照流程现在也应当是问答时间了是吧？”旁边的鄂维南院士也扭过头来：“这不是直接问的好机会吗？大家有什么不明白的就直接提问。”