斬獲 ICML 2026杰出論文提名：英偉達(dá)華人團(tuán)隊(duì)用 10%數(shù)據(jù)，打破算力堆砌

用10%淘洗100%：ICML 2026數(shù)據(jù)提純里的“算力反思”與真實(shí)物理感

作者丨張 璐

編輯丨齊鋮湧

英偉達(dá)聯(lián)手華人團(tuán)隊(duì)提出首個(gè)視頻運(yùn)動(dòng)歸因框架 Motive，以 10% 黃金數(shù)據(jù)學(xué)物理的反直覺實(shí)證，完美驗(yàn)證了吳恩達(dá)的“Data-centric”方法論，并正面回應(yīng)了楊立昆對(duì)像素自回歸無法建立真實(shí)世界模型的痛批。

在剛剛公布的ICML 2026獎(jiǎng)項(xiàng)名單中，一項(xiàng)由英偉達(dá)、普林斯頓大學(xué)與MIT聯(lián)合團(tuán)隊(duì)提出的Motive框架，一舉斬獲了ICML 2026杰出論文提名獎(jiǎng)。

論文鏈接：https://arxiv.org/abs/2601.08828

當(dāng)下，具身智能與視頻大模型開發(fā)進(jìn)入深水區(qū)，從盲目堆砌像素轉(zhuǎn)向高質(zhì)數(shù)據(jù)提純已成為行業(yè)既定共識(shí)。然而，如何從互聯(lián)網(wǎng)海量視頻中，量化并清洗出符合真實(shí)物理因果律的動(dòng)態(tài)數(shù)據(jù)，行業(yè)此前一直缺乏一個(gè)可計(jì)算的工程抓手。

Motive 框架正是為了填補(bǔ)這一工具空白而提出。

作為首個(gè)針對(duì)視頻生成運(yùn)動(dòng)歸因的框架，Motive 在實(shí)證中給出了一個(gè)關(guān)鍵的數(shù)據(jù)支撐：在剔除時(shí)序噪音后，僅用 10% 的高影響力運(yùn)動(dòng)數(shù)據(jù)進(jìn)行微調(diào)人類偏好勝率竟高達(dá)74.1%，在多項(xiàng)核心動(dòng)態(tài)指標(biāo)上直接碾壓了100%全量數(shù)據(jù)微調(diào)的成績。

01

打破算力堆砌：Motive 僅憑 10%

提純數(shù)據(jù)逆襲全量微調(diào)

這篇論文最直觀、最讓人驚艷的，在于它徹底打破了視頻生成模型在面對(duì)真實(shí)物理交互時(shí)頻頻露怯的問題。

過去，無論是硬幣在玻璃桌面上旋轉(zhuǎn)，還是橡膠球被重物壓縮，大模型生成的畫面往往伴隨著詭異的形變和穿模。

在“單枚硬幣快速旋轉(zhuǎn)”的極限測試中，這種差距被展現(xiàn)得淋漓盡致。

調(diào)整前，預(yù)訓(xùn)練基座模型以及普通的隨機(jī)數(shù)據(jù)微調(diào)，經(jīng)常讓硬幣在旋轉(zhuǎn)中直接變形、邊緣糊成一片，完全失去了金屬的剛性。

但在引入Motive框架后，數(shù)據(jù)篩選的邏輯發(fā)生了根本性的轉(zhuǎn)變。

經(jīng)過 Motive 提純數(shù)據(jù)微調(diào)后的模型，真正還原了那種帶有摩擦力和重力反饋的真實(shí)物理感。

硬幣每一次與桌面的碰撞、傾角的變化、以及最后的靜止，都嚴(yán)絲合縫地符合經(jīng)典力學(xué)公式。

這證明了，想要讓AI真正學(xué)懂物理世界的運(yùn)行規(guī)律，靠的絕不是盲目喂大片，而是極其精準(zhǔn)的數(shù)據(jù)提純。

在主流廠商高度依賴擴(kuò)大算力規(guī)模的背景下，Motive提供了一種計(jì)算可行的視頻運(yùn)動(dòng)歸因方案，使業(yè)界能夠量化評(píng)估視頻樣本對(duì)模型物理動(dòng)力學(xué)學(xué)習(xí)的貢獻(xiàn)度。

團(tuán)隊(duì)背景：深耕Data-centric的華人學(xué)者

這份論文的主導(dǎo)者，是一位極為耀眼的華人青年學(xué)者——吳新迪（Xindi Wu）。

吳新迪本科畢業(yè)于西安交通大學(xué)少年班，隨后在卡內(nèi)基梅隆大學(xué)（CMU）機(jī)器人研究所獲得計(jì)算機(jī)視覺碩士學(xué)位，目前師從著名計(jì)算機(jī)視覺大牛 Olga Russakovsky 教授。

吳新迪的研究方向主要聚焦于以數(shù)據(jù)為中心的方法（Data-centric approaches）與高效多模態(tài)機(jī)器學(xué)習(xí)。

其研究核心在于探討如何通過追蹤數(shù)據(jù)影響力，來理解訓(xùn)練數(shù)據(jù)構(gòu)成對(duì)模型最終表現(xiàn)的作用。

這一研究視角也促成了本篇論文的核心立意：在視頻大模型的訓(xùn)練中，相比于單純依靠擴(kuò)大算力去堆砌海量像素?cái)?shù)據(jù)，數(shù)據(jù)本身的運(yùn)動(dòng)動(dòng)力學(xué)純凈度是更為關(guān)鍵的變量。

02

時(shí)序盲區(qū)：為什么傳統(tǒng)圖像歸因算法

無法篩選視頻運(yùn)動(dòng)？

為什么過去的視頻模型總是學(xué)不會(huì)正確的物理規(guī)律？問題就出在數(shù)據(jù)篩選的源頭上。

正如預(yù)期的那樣，傳統(tǒng)基于靜態(tài)圖像的樣本歸因框架（如 TRAK）在視頻時(shí)序上會(huì)天然失效。其根本原因在于，這類算法過度依賴空間維度的靜態(tài)語義與紋理特征，缺乏對(duì)時(shí)序維度運(yùn)動(dòng)連貫性的感知能力。

ImageNet 的經(jīng)典實(shí)驗(yàn)中（如上圖所示），模型把“小男孩拿著麥克風(fēng)”誤分類為“創(chuàng)可貼”時(shí)，算法揪出的支持者全都是帶有肉色皮膚和網(wǎng)格紋理的圖像 ； 當(dāng)模型識(shí)別“車輪”時(shí)，算法找出的反對(duì)者居然包含了聚光燈和放大鏡，僅僅因?yàn)樗鼈冊诳臻g幾何上都符合“中心圓形、金屬反光”的特征 。

如果直接套用，篩選出的數(shù)據(jù)往往帶有相似的背景，但在運(yùn)動(dòng)加速度和軌跡上卻毫無因果關(guān)系。

在傳統(tǒng)算法眼里，一段視頻不過是幾十張圖片的線性堆砌。當(dāng)你在海量數(shù)據(jù)里試圖找一段“球體自由落體”的物理教材時(shí)，傳統(tǒng)算法大概率會(huì)給你找出一堆“同樣是木質(zhì)地板背景，但畫面完全靜止”的廢片。

因?yàn)樗鼈冎欢ヅ潇o態(tài)的外觀紋理，完全忽視了時(shí)序上的加速度、速度以及軌跡連貫性。

至于工業(yè)界常用的粗暴視頻過濾法（如V-JEPA語義嵌入或純運(yùn)動(dòng)幅度篩選），同樣效果慘烈。

例如“純運(yùn)動(dòng)幅度”篩選法，只要鏡頭劇烈搖晃或滿屏亂閃，就會(huì)判定這是“高價(jià)值動(dòng)作”，從而收錄了一大堆視覺噪音。

如果不打破這個(gè)“只看臉不看動(dòng)作”的黑盒，整個(gè)行業(yè)將永遠(yuǎn)陷在算力黑洞之中。

03

Motive 的核心閉環(huán)：

顯式運(yùn)動(dòng)掩碼與低維梯度投影

為了打破這個(gè)只看臉不看動(dòng)作的黑盒，研究團(tuán)隊(duì)對(duì)癥下藥，做出了首個(gè)針對(duì)視頻生成運(yùn)動(dòng)歸因的框架Motive。

這套系統(tǒng)的核心就是把靜態(tài)外觀剝離，只看動(dòng)態(tài)物理規(guī)律。

▎像素級(jí)位移流場與運(yùn)動(dòng)掩碼

團(tuán)隊(duì)引入了高分辨率點(diǎn)追蹤器 AllTracker 來提取像素級(jí)別的位移流場。其真正的核心設(shè)計(jì)在于，利用 min-max 歸一化構(gòu)建運(yùn)動(dòng)掩碼（Motion Mask），并將其顯式引入梯度權(quán)重的計(jì)算中。

這一步的數(shù)學(xué)本質(zhì)是強(qiáng)制剝離靜態(tài)背景的外觀紋理，強(qiáng)迫模型在計(jì)算梯度時(shí)，將注意力絕對(duì)集中在發(fā)生物理交互的動(dòng)態(tài)區(qū)域。這是 Motive 相比于傳統(tǒng)圖像歸因最大的原創(chuàng)貢獻(xiàn)之一。

▎極限壓縮：512維的毫秒級(jí)查詢

但現(xiàn)實(shí)是，要在數(shù)億至百億級(jí)參數(shù)的視頻生成模型和海量數(shù)據(jù)上計(jì)算完整梯度，并存下每一對(duì)數(shù)據(jù)的海森矩陣，算力與存儲(chǔ)成本足以壓垮任何超級(jí)計(jì)算機(jī) 。

要在數(shù)十億參數(shù)的視頻生成模型上計(jì)算完整的特征協(xié)方差矩陣，時(shí)空復(fù)雜度極其巨大。

為了克服這一算力災(zāi)難，Motive 延續(xù)了 TRAK 等經(jīng)典歸因算法的降維工具鏈，采用 Fastfood 投影技術(shù)將龐大的全量梯度極限壓縮至 512 維。這一操作基于Johnson-Lindenstrauss引理，在大幅降低存儲(chǔ)與毫秒級(jí)查詢成本的同時(shí)，能以極高概率保持高維空間中原始梯度向量的內(nèi)積幾何特征。

團(tuán)隊(duì)還發(fā)現(xiàn)，視頻越長，累計(jì)梯度越大，越容易被系統(tǒng)誤判為“高價(jià)值數(shù)據(jù)”。

為了抹平這種統(tǒng)計(jì)學(xué)上的不公平，Motive引入了1/F（幀數(shù)倒數(shù)）的幀長修正機(jī)制。

這一機(jī)制的本質(zhì)是在時(shí)間維度上對(duì)時(shí)序梯度進(jìn)行均值歸一化，消除了長視頻因?yàn)閹瑪?shù)累加導(dǎo)致的統(tǒng)計(jì)學(xué)偏置，將虛假相關(guān)性降低了 54.0%，確保了短時(shí)高頻的物理碰撞不會(huì)在權(quán)重上被冗長的靜止畫面稀釋。

04

反直覺實(shí)證：高價(jià)值運(yùn)動(dòng)數(shù)據(jù)≠視覺大片

這套極其精密的“數(shù)據(jù)提純器”造出來后，在真實(shí)數(shù)據(jù)集上展現(xiàn)出了驚人的效果。

許多人認(rèn)為，被Motive選出的10%黃金數(shù)據(jù)，肯定全都是“狂轟濫炸、運(yùn)動(dòng)最劇烈”的視覺大片。

但實(shí)驗(yàn)數(shù)據(jù)表明，Motive 選出的前 10% 高影響力視頻，與判定為毫無用處的墊底 10% 視頻，其平均運(yùn)動(dòng)幅度居然幾乎重合（3.85 vs 3.69）。

這恰恰證明了 Motive 的獨(dú)到之處：它真正揪出的，是蘊(yùn)含深層物理演進(jìn)規(guī)律的“高質(zhì)量低調(diào)視頻”。

一片樹葉在水面上產(chǎn)生微小漣漪的視頻，它教會(huì)模型的流體力學(xué)張力，遠(yuǎn)比一場全屏爆炸但缺乏物理邏輯的低質(zhì)量二維動(dòng)畫要深刻得多。

正是靠著這種精準(zhǔn)的篩選機(jī)制，Motive 才能在 VBench 基準(zhǔn)測試衡量視頻物理動(dòng)態(tài)的核心指標(biāo)——“動(dòng)態(tài)程度”上，跑出了47.6%的頂尖成績，將純運(yùn)動(dòng)幅度篩選（40.1%）和V-JEPA語義篩選（41.6%）遠(yuǎn)遠(yuǎn)甩在身后。

在真刀真槍的17人雙盲人類評(píng)測中，針對(duì)850個(gè)成對(duì)比較案例，Motive僅用10%的小樣本微調(diào)，就對(duì)基礎(chǔ)模型打出了74.1%的分?jǐn)?shù)，這成績幾乎是壓倒性的。

Motive 框架在 VBench 基準(zhǔn)測試和人類雙盲評(píng)測中的表現(xiàn)，實(shí)際印證了近年來 AI 行業(yè)內(nèi)關(guān)于“以數(shù)據(jù)為中心（Data-centric AI）”以及“世界模型”的技術(shù)討論。

05

技術(shù)范式反思：

從像素盲目預(yù)測走向物理世界模型

Motive 框架在 ICML 2026 的大放異彩，恰好印證了近年來 AI 行業(yè)內(nèi)多位頂級(jí)科學(xué)家的前瞻性呼吁。

AI 巨擘吳恩達(dá)（Andrew Ng）長期倡導(dǎo)“以數(shù)據(jù)為中心（Data-centric）”的理念。

他曾在一場著名的斯坦福演講中指出：在模型規(guī)模達(dá)到一定極限后，盲目堆砌算力喂養(yǎng)海量粗糙數(shù)據(jù)，邊際效益已經(jīng)極低，行業(yè)應(yīng)該把精力放在如何精準(zhǔn)清洗、提純那“20% 的高質(zhì)量黃金數(shù)據(jù)”上。

Motive 用 10% 的數(shù)據(jù)打出 74.1% 人類勝率的實(shí)證，簡直就是對(duì)這一預(yù)言最完美的數(shù)學(xué)注解。

與此同時(shí)，Meta首席科學(xué)家楊立昆（Yann LeCun）也曾公開痛批那些盲目堆算力、瘋狂抓取互聯(lián)網(wǎng)視頻的自回歸模型。

他認(rèn)為單純依靠像素預(yù)測堆出來的“逼真”，只是空中樓閣，AI 根本沒有真正學(xué)會(huì)世界運(yùn)行的物理因果。

Motive 恰恰給出了解藥。它通過剝離紋理外觀、強(qiáng)制模型聚焦于像素級(jí)位移與運(yùn)動(dòng)掩碼的技術(shù)路徑，硬生生把大模型的注意力從“看長相”扭轉(zhuǎn)到了“學(xué)物理”上。

這不僅回應(yīng)了楊立昆對(duì)于“真正世界模型”的呼喚，也為具身智能的落地掃清了最大的數(shù)據(jù)噪音。

Motive 團(tuán)隊(duì)通過引入像素級(jí)位移流場和運(yùn)動(dòng)掩碼，強(qiáng)迫模型在計(jì)算梯度時(shí)向動(dòng)態(tài)物理交互集中，在一定程度上回應(yīng)了這一技術(shù)痛點(diǎn)。

目前，AI 賽道正處于具身智能大爆發(fā)的前夜。在通過視頻生成反哺真實(shí)物理世界的 Rob2S 研發(fā)線上，高質(zhì)量、符合物理運(yùn)行規(guī)律的純凈運(yùn)動(dòng)數(shù)據(jù)是核心稀缺資源。

互聯(lián)網(wǎng)上的視頻數(shù)據(jù)中，存在大量違背物理規(guī)律的特效、缺乏因果關(guān)系的靜止畫面或視覺噪音。

Motive 實(shí)際上提供了一種高精度的運(yùn)動(dòng)歸因過濾器。當(dāng)這種數(shù)據(jù)提純工具成為工程標(biāo)配時(shí)，開發(fā)者能夠從海量數(shù)據(jù)中更高效地篩選出包含物理定律演進(jìn)的關(guān)鍵片段，進(jìn)而喂養(yǎng)出可交互的物理世界模型和動(dòng)作模型。

從早期的像素盲目堆砌，到走向物理規(guī)律的精準(zhǔn)還原，視頻大模型的工程焦點(diǎn)正在發(fā)生實(shí)質(zhì)性的轉(zhuǎn)移。

Motive在數(shù)據(jù)領(lǐng)域里，像是一個(gè)篩子。比如，在科研領(lǐng)域，它能大大降低科研人員的數(shù)據(jù)篩選門檻，用更低的成本完成更高效的實(shí)驗(yàn)。同時(shí)，對(duì)于公司和產(chǎn)業(yè)界來說，也將訓(xùn)練效率大幅提升。

只有當(dāng)這種高精度的運(yùn)動(dòng)歸因過濾器成為行業(yè)標(biāo)配，我們才能用純凈的動(dòng)態(tài)物理數(shù)據(jù)，喂養(yǎng)出真正可交互的物理世界模型和動(dòng)作模型。

從盲目堆砌像素，到精準(zhǔn)的物理規(guī)律還原，Motive帶來的，是一種范式創(chuàng)新，也是具身行業(yè)在世界模型領(lǐng)域的一次可復(fù)用的技術(shù)迭代。

一個(gè)人讀論文太孤單，一群人刷頂會(huì)才好玩。

ICML 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內(nèi)主打實(shí)時(shí)論文跟蹤與硬核技術(shù)探討，拒絕灌水。

進(jìn)群傳送門：掃碼進(jìn)群或添加微信Vin_Vivid，備注：論文群 + 關(guān)注的 AI 方向。

搞科研/搞技術(shù)，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會(huì)精華

可獨(dú)家暢覽：

專家演講PPT

大會(huì)報(bào)告全文

熱門論文解讀

學(xué)術(shù)新星訪談

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。