港大团队2016年动作生成论文获SIGGRAPH时间检验奖
这篇报道解释了一项十年前AI动作生成研究为何今天获奖，以及它如何降低具身智能数据采集成本。
SIGGRAPH 2026年时间检验奖授予港大Taku Komura团队2016年一篇论文——首次用深度学习从大规模动作捕捉数据中学习人体运动规律，让AI能根据指令生成自然动作。十年后，这套“人类运动先验”思路成为物理AI（让AI理解并作用于物理世界）的关键，团队已能用iPhone采集数据，将成本降至几十分之一。
正文摘录
SIGGRAPH 时间检验奖揭晓：这项研究，提前十年押中了物理 AI 2026 年 7 月召开的计算机图形学顶会 SIGGRAPH，公布了时间检验奖（Test-of-Time Award）。 今年，香港大学计算机科学系教授 Taku Komura 与团队成员在 2016 年发表的《A Deep Learning Framework for Character Motion Synthesis and Editing》获此殊荣。 这项工作首次使用深度学习从大规模人类动作数据中自动学习人类运动的内在结构，再根据高层指令生成自然的人形角色动作。 彼时，AI 的突破还主要集中在图像领域，这项工作已经系统地把表示学习用于复杂 3D 动作的生成，让 AI 从学会“如何看”到学会“如何动”。 十年之后，这项工作的意义已经超出角色动作生成本身：机器如何从人的运动与交互中学习，理解物理世界并在其中行动，正成为物理 AI（Physical AI）面对的核心问题。 2020 年，他加入香港大学，现任计算机科学系教授。他曾任 SIGGRAPH Asia 2025 大会主席，并被 AI 2000 评为该领域最具影响力学者全球前 15。 具体而言，他希望让机器从数据中学习人类运动的结构，并进一步理解动作如何随场景、物体和任务而变化。 2016 年，Taku 在 SIGGRAPH 发表的获奖论文，将深度学习系统性地用于角色运动合成与编辑。 研究团队用卷积自编码器从大规模动作捕捉数据中学习一个低维的运动空间，再将行走路径等高层控制条件映射到这个空间。 用今天更熟悉的说法，它学习的是一种 Human Motion Prior：哪些姿态与时间变化通常属于自然的人体运动，以及怎样在满足目标约束时仍留在这个运动空间内。