《吕氏春秋》里有个故事：楚人过江，“剑自舟中坠于水”，楚人掏出小刀在船帮上刻了一个痕迹，等船到岸边停下的时候，从刻痕处入水捞剑。刻痕，是给剑落水的地方做“定位”计算，打捞则需要一个“导航”系统。如果只谈定位和导航的问题，这个楚人的失误其实也不算特别离谱：他选了一个坐标（船印），却把“坐标系”选在了船上而不是大海上——船动，大海相对不动，结果坐标系没对上。物联网发展20多年，各种定位导航方法层出不穷：GPS、雷达、视觉SLAM、RFID、声音、惯导，等等，每个都有自己的坐标系，想把它们整合在同一坐标系里齐心协力，比这些技术本身还难。如此说来，人类在这方面还在“刻舟求剑”的路上不断补救，试图让不同系统的“剑”“舟”和“海”对齐。

能不能超越坐标系的局限？我看过两个百万粉丝级别博主“PK”的视频，凭一张风景照片判断拍摄地点，他们能在一分钟内理清推理链条——从天线锅盖的赤道方位角计算，到地砖纹样的文化地理溯源——最终如同展开地图般渐次划定区域范围，让人惊叹。不过最近一段时间AI的进步忽然有颠覆这种“神乎其技”的趋势：一家名为Graylark的初创公司发布了“GeoSpy”产品，能在图像地理定位（Image Geolocation）这个领域做到不输甚至部分超越那两位博主。GeoSpy在大规模街景图像数据集上训练了高效嵌入模型，在参考数据库的加持下能将图像匹配精度控制在几米内。

同样令人印象深刻的还有GeoSpy在大规模任务上的实时性能。相比之下，大语言模型的实时推理则面临更严峻的挑战。本期专题邀请了来自上海交通大学、浙江大学、华东师范大学、东南大学、北京大学、阿里巴巴等学术界和产业界的专家学者，从算法理论、关键技术、系统平台、产业应用等多个方面提供大小模型协同高效推理的洞见。

图像定位已成为计算机视觉中的关键领域，并且应用广泛：从安防监控、导航到社交媒体内容管理。早期的方法大多依赖图中的知名地标，或者直接读取图像的元数据（如GPS坐标），但研究人员很快就盯上了更具挑战性的任务——从没有任何著名地标、也没有元数据的“普通”场景照片中，推测真实的地理位置。当然本质上说，这还是在视觉智能这个维度上。

能超越视觉智能这个维度吗？《韩非子》里有个记载，管仲随齐桓公出征孤竹国，春去秋归，景色迥异，大军迷路了。眼看粮草将要耗尽，管仲急中生智，让士兵放开几匹老马，结果老马慢慢悠悠在队伍最前，边走边看、边闻边吃，嗅觉智能和味觉智能连同视觉智能齐上，真把大军带出了山谷，走上回齐国的大道。这得算“具身智能”导航了吧。

话说回来，凭什么机器的感知智能，就得局限于人类擅长的视觉、听觉、嗅觉、味觉、触觉这几样？当AI有一天超越了“老马识途”，我们是否还在“刻舟求剑”？

刘云浩

CCF会士，ACM Fellow，CCCF主编，2022年CCF王选奖获得者。清华大学教授。ACM Transactions on Sensor Networks主编。