对于普通人来说，辐射场这个词有些陌生难懂，可其实人眼中的色彩，很大一部分是通过辐射而来的。
人眼会接收到光，而光就是电磁辐射，或者说是振荡的电磁场。光的两大主要属性是光强和频率，其中光的颜色就是由频率决定的。
小学二年级的时候我们曾经学过，大多数光是不可见的，仅有的很窄的一段人眼可见的光谱称为可见光谱，对应的频率就是我们认为的某种颜色。
由此可以得出，三维重建的时候，辐射光就是对应的颜色，而神经辐射场则是一种在其中求解光各种指标近似值的方法。
一旦求解成功，几张图片就可以确定三维物体在空间中各个位置的辐射情况，进而做到重构三维物体，使得原本相片中平面的内容立体起来，物体的各个角度都可以做到旋转观看。
神经辐射场是AI与图形学结合的一大重要突破，不过作为方法发起人的孟繁岐却对传统的三维世界重建办法了解很少。
这便是AI技术的厉害之处了，它能够从海量的数据当中学到非常复杂的表达，而不需要技术作者本身对这种表达拥有足够的理解。
最着名的一个例子，就是学出围棋神明阿尔法零不需要技术作者会下围棋，甚至也不需要机器懂得人类的围棋招法。
克莱尔面对这个情况，心中五味杂陈，有三分惊喜三分无奈三分感叹。
这一次图形学取得了大突破，只是画风却跟她想象的完全不一样。
并不是通过非常严密的理论推导，又或者是妙到极致的算法实现了突破。
而是由一个非图形学领域的研究者，通过神经网络直接硬学了一个高维度的表达形式。
大力出奇迹，将这个棘手的问题给解决了。
这特么谁能想得到啊！
这就像是大家看拳击赛，都在期待你能够变身魔鬼筋肉人，一拳打晕对方。
结果你掏出一把机枪，直接把对方爆头了。
赢是赢了，只是不管哪里都有点怪怪的。
克莱尔与韩辞遵循孟繁岐的思路和大方向做黎曼和的形式推导已经有不短的时间了，两人各自想出了不同的思路，不过从结果看来，还是数理功底扎实许多的韩辞进展更快。
“假设我们将射线最近最远之间的部分划分为N个区间，那么第i个区间的积分则可以写作如下形式。函数中，密度和颜色的情况交由AI模型的输出来预测决定。对于剩下的部分，则可以进一步做简化，然后在区间上求和得到最终的黎曼和形式。”
韩辞的草稿有十几页纸，最后整理出来的过程也有整整大半张A4纸之多。
随着她的逐行讲解，孟繁岐眼睁睁地看着最上面那个长达三行的原始式子，不知怎么地就逐步精简，最后化作了一个简短求和形式。
整个式子的长度缩减了十几倍，写成代码自然也就方便了太多。
虽然不写一行代码，但数理能力对孟繁岐的帮助却胜过数千数万行普通代码。
“神经辐射场只是一个开始，以后还有flow办法和扩散系列模型的优化需要借助数理的力量。”目前这些技术在比较保密的阶段，借助少数几个人就已经足够。
等到孟繁岐的几个拳头营收项目成熟之后，这方面的人才可以多养一些。
“毕竟23年之后的技术就得指望他们了！”孟繁岐已经在心中给自己定下了退休计划，等到技术差不多发完了，就跑路享清福去。
前世做打工人想退休，如今做了老板也想退休。
神经辐射场的初步搭建，使得孟繁岐的这个核心小团队分为了两个派系，一方专攻图形学方向，主要是克莱尔和韩辞在做。另一方则开始调研，应该如何将该技术与自动驾驶相结合。
说得直白点，就是一批人去针对英伟达，一批人去针对特斯拉。
AI，特斯拉，英伟达铁三角是孟繁岐现阶段的重要规划。
“神经辐射场作为三维重建和视图合成技术拥有巨大的潜力，对于自动驾驶的帮助其实并不是其核心能力，单纯是因为这种方式可以很大程度上避免特斯拉遭遇类似撞上白色大巴的恶劣事件。”
路易斯被孟繁岐分配去协助克拉克研究自动驾驶相关，但他不是特别支持和理解孟繁岐的做法。
在他看来，直接按照现在的图像检测思路，直接对2D图像做分析就足够了。
不得已，孟繁岐只得将自己跟马斯克一起撞坏了一辆车的事情，以及背后的原理和内情详细说了一下。
“人类是可以从单张图像轻易获取三维物体的大小和位置不错，但神经辐射场目前是做不到的，它需要多个视角的图像辅助生成。”
“当然了，从单张图片去估计图像中各个物体的距离也并不是做不了，那就是另一种做法和思路了，叫做深度估计。”
深度估计的做法和孟繁岐已经发过的图像分割技术比较类似，图像分割需要非常精细地标注图片当中我们感兴趣的部分，细致到像素级别，以便让模型理解目标物体的细致轮廓。
深度估计的操作则是需要标注图像上各个像素的距离远近，通过颜色的深浅来进行表达。
“比起神经辐射场方法，走深度估计的思路就有些普通了，在创新性上差了不少。”孟繁岐觉得之后有需求的时候可以再做，没有必要现在专门投入精力。
这章没有结束^.^，请点击下一页继续阅读！