​打破專用模型桎梏！谷歌 DeepMind 發佈 GenCeption，一個 AI 搞定五大視覺任務

Google DeepMind 近日發表了名為 GenCeption 的全新模型，這項突破性技術打破過去視覺任務各自為政的格局，以單一模型同時勝任深度估計、圖像分割、3D 姿態估計等五項核心視覺任務。不同於傳統做法需要針對每項任務訓練專屬模型，GenCeption 將視頻生成 AI 逆向改造為深度理解現實世界的視覺分析引擎，僅需一次前向傳播就能完成預測，大幅提升處理效率。該模型基於阿里巴巴開源的通義萬相 Wan2.1 框架進行訓練。使用者只需輸入簡單的文字提示，例如描述場景或目標物體，模型便能精準輸出深度圖、分割掩碼以及相機運動軌跡等多種資訊。

這項設計讓 GenCeption 在實務應用上極具彈性，無論是自動駕駛、機器人導航、擴增實境還是影像後製，都能透過單一模型快速取得所需的視覺理解結果。值得注意的是，GenCeption 的訓練資料規模遠比外界想像的小。團隊僅使用約 7500 段由 Blender 渲染的單人合成視頻進行訓練，但模型展現出驚人的泛化能力。在實際測試中，它不僅能流暢處理真實世界中的多人視頻，還能輕鬆將分析能力遷移至動物與機器人類別。即便是細微的髮絲、動物的毛髮或機器人關節等細節，模型都能保留精確的輪廓與深度資訊，顯示其學習到的視覺特徵具有高度通用性。在處理速度方面，GenCeption 也交出亮眼成績。

根據團隊公布的數據，小模型處理 81 幀視頻僅需約 6 秒，而具備 140 億參數的大模型也只需要約 10 秒左右。這意味著即使在邊緣裝置或即時應用場景中，GenCeption 也能提供接近即時的視覺分析能力，大幅降低以往需要多個模型輪流運算所帶來的延遲與資源消耗。這項技術的誕生，源於 Google DeepMind 團隊對視頻生成模型潛力的重新思考。傳統上，視頻生成模型被視為創造內容的工具，但團隊發現，這些模型內部其實已內建對空間關係、物體邊界與運動軌跡的深刻理解。若能將這份理解反向提取出來，就能讓生成模型「看」懂世界，而非只是「畫」出世界。

GenCeption 正是這個概念的具體實現，它將生成過程中的中間表徵轉化為可用的視覺任務輸出，從而繞過傳統監督學習需要大量標註資料的瓶頸。對於機器人領域而言，GenCeption 的出現尤其具有意義。機器人需要在未知環境中即時感知深度、辨識物體、估計自身姿態，過去這些功能往往需要整合多個獨立模型，導致系統複雜且反應遲緩。如今單一模型便能同時提供深度圖、分割掩碼與相機軌跡，讓機器人能夠更快速且精準地理解周遭環境，有助於提升自主導航與操作的安全性。此外，GenCeption 的訓練方式也為未來視覺 AI 的發展提供了新方向。傳統的視覺模型仰賴大量人工標註的真實影像，成本高昂且難以涵蓋所有情境。

而 GenCeption 僅使用合成數據就能達到令人滿意的泛化表現，代表合成資料與生成模型的結合可能成為降低訓練門檻的有效途徑。這不僅能加速模型開發，也能讓更多資源有限的團隊投入視覺 AI 的創新。在實際應用層面，GenCeption 的潛力橫跨多個產業。例如在影視後製中，創作者可以透過文字描述快速獲得場景的深度圖與分割遮罩，大幅簡化合成特效的流程。在醫療影像分析中，模型能協助標註器官邊界與病灶位置。在自動駕駛領域，即時產生的深度圖與物體分割資訊可作為感知系統的備援輸入，提升決策的可靠性。而對於擴增實境開發者來說，一次性取得相機姿態與場景幾何資訊，能讓虛擬物體更自然地融入真實環境。

Google DeepMind 團隊表示，GenCeption 目前仍處於研究階段，但已開放部分技術細節供學術界與產業界參考。未來他們計劃進一步優化模型架構，探索更高效的訓練策略，並將任務範圍擴展至更多視覺理解領域。這項成果不僅挑戰了「專用模型才能做好專用任務」的傳統思維，也為多任務視覺 AI 的發展開闢了全新路徑。隨著 GenCeption 的問世，業界對於視覺 AI 的想像正在被重新定義。從單一任務的專用工具，到能夠同時處理深度、分割、姿態等多種資訊的通用引擎，這項技術有望加速許多垂直領域的智慧化進程。

而更令人期待的是，GenCeption 所採用的「逆向生成」策略，或許只是冰山一角，未來還有更多生成模型中的隱藏知識等待被挖掘。