ECCV上，顶尖学者们开始研究如何让AI做生意了

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> ECCV上，顶尖学者们开始研究如何让AI做生意了 一水 2026-09-10 18:17:46 来源： 量子位 多模态AI大牛轮番登台，全球64支团队组团解题 AI下一步往哪儿走，顶会往往最先露出风声。 9月8日至12日，ECCV 2026正在瑞典马尔默举行。大会由欧洲计算机视觉协会主办，汇聚了Google、Meta、Apple、Amazon等全球科技巨头作为主要赞助商。 作为计算机视觉顶会的ECCV，向来是前沿学术的竞技场，但今年，一个更贴近现实世界的技术命题被摆上了桌面： Agentic Commerce（智能体商业） 。 没听错吧？在一个纯CS视觉顶会上，一帮顶尖学者开始认真研究 如何让AI做生意 了。 镜头拉到MARS2 Workshop，台下座位早已坐满了人。 台上星光熠熠，牛津、MIT、伦敦玛丽女王大学等机构的研究者轮番登场，聊的都是多模态AI正在攻克的前沿问题。 会场外的配套挑战赛也已决出优胜方案，10万美元奖金池，吸引64支全球团队入场，累计提交超过1060份方案。 人气、阵容、奖金、议题热度，都拉满了。 把这些要素串在一起的，是一家中国科技公司： 钛动科技 。 △MARS2 Workshop优秀论文展示区 这场Workshop名叫MARS2，全称《Multimodal Reasoning and Slow Thinking in the Large Model Era: Towards System 2 and Beyond》（大模型时代的多模态推理与慢思考：迈向System 2及以上）。 它指向一个正在发生的现实：智能体商业正在改变消费者发现、比较、购买的完整交易链路。那么，当这条链路越来越多地由AI智能体参与甚至代理，多模态AI能否先看懂内容、理解意图，并据此优化商业动作？ 根据ECCV官网公开信息，MARS2是本届ECCV全部Workshop中，唯一一个由中国科技公司牵头举办的Agentic Commerce方向的Workshop。 所以，全球研究者们在MARS2 Workshop上，碰撞出了哪些「让AI做生意」的解法？ 直击MARS2 Workshop现场 首先，判断一道题的学术分量，最快的方法是看台上坐着谁。 那么，MARS2都有谁在？我看到了这4个名字： 牛津大学教授Yarin Gal ，是现代贝叶斯深度学习的代表学者之一，领导牛津OATML实验室，长期研究AI给出的答案到底靠不靠谱。 MIT助理教授Paul Pu Liang ，同时任教于MIT Media Lab和EECS，带队研究多感官智能，专门解决文字、语音、视频等不同信息如何被模型放在一起理解的问题。 伦敦玛丽女王大学的Shanxin Yuan 主攻数字人与运动智能； 林雪平大学的Fahad Shahbaz Khan 长期研究视觉识别、视觉语言模型和多模态理解。 能把这样一套阵容凑到同一张议程表上，MARS2的学术号召力，已经不用多解释了。 4位嘉宾的分享，共同指向多模态AI的下一步：不再只是「看见一段视频、说出几句描述」，而是能在复杂、动态、跨模态的信息中找到证据，理解事件如何发生、意图如何形成，并把判断转化为可靠行动。 这条从「看见」到「想明白」的完整链路，恰好也是MARS2多模态AI挑战赛（MARS2 2026 Challenge）赛题设计的底层逻辑。 更具体地说，MARS2多模态AI挑战赛要回答这个问题： AI，能看懂营销视频吗？ 技术拆解来看其实就三层： 先看懂整条视频，再找到关键时刻，最后读懂背后的营销意图 。 这三层能力，也分别对应挑战赛设置的三条赛道。 △图片由AI生成 三条赛道共用的考卷叫M-CAR。 这是一个基于钛动科技真实商业场景构建的高质量数据集，包含3108支广告视频，覆盖30多种语言。总计36.5小时的视频被精细拆分为18198个语义片段，平均约7秒就有一个独立片段。 选手需要在本地让模型逐一答题，再把结果上传至EvalAI，由平台统一评分和排名。 一番较量下来，最有意思的结果出现了 。 MAC最高分达到86.67，VTG和MDC的最高分则分别为62.27和63.53。 从整体理解到精准定位和策略推理，冠军方案成绩相差20多分。 看来，看懂广告讲了什么，只是第一步；要在长视频中找准关键时刻、进一步拆解营销意图，仍是多模态AI更难啃的题。 再把不同类型的模型拉到一起比比，也能看出明显的「偏科」。 作为对照基线的商用模型，在三个赛道中表现都比较稳；通用模型和任务专用模型则各有长短，其中任务专用模型在VTG赛道尤其突出。 就是说，AI进了考场也讲究术业有专攻。 整体情况说完，再看谁把卷子答得最好。 来自中国科学技术大学、南开大学、中山大学等知名高校的学者，以及来自字节跳动、京东、小红书等知名企业的代表纷纷参赛，最终，在MAC赛道，The Boys以86.67分拿下冠军；VTG赛道冠军是Ya PTers，成绩为62.27分；MDC赛道又被The Boys以63.53分收入囊中。 字节跳动背景的团队The Boys一支队伍拿下两个冠军和一个亚军，属实有点能打。 △竞赛团队背景分布图 而且这次参赛还有硬限制。 MAC和MDC使用的模型不能超过14B，VTG不能超过8B，并且只能使用开源权重。 想靠巨型闭源模型硬压分数？此路不通。 选手只能在有限的模型体量里，把数据处理和推理方法往细了做。 （是时候展现真正的技术了.jpg） △钛动科技CTO Tracy Chen博士为获奖团队颁奖 这场挑战赛给学术界和产业界留下了三个关键信号。 第一，它划清了当前多模态AI的能力边界 。 前面的成绩已经说明，模型看懂广告的大致内容问题不大，可一旦需要跨越多个片段，梳理时序关系、追溯前因后果，再作出商业判断，表现就会明显下滑。 这正是从「System 1」感知走向「System 2」推理的距离。 说得更直白一点，AI已经会看广告了，但离真正看懂一门生意、参与商业决策，还有一段路要走。 第二，它给出了一条性价比更高的优化路线 。 一般提到提升模型能力，大家最先想到的就是加参数，但这次的消融实验给出了一个有点反常识的结果。 VTG赛道有团队为模型补上一条跨模态「音频证据时间线」，把人声、音乐和其他声音发生的时间标出来，再与画面逐一对齐，模型定位精度直接提高了16.7分。 相比之下，参数量从4B扩展到8B反而-0.2分。 这对产业界的提示很直接： 算力有限时，与其急着换更大的模型，不如先让模型听全、看全，再把信息对准。 第三，它给出了一套清晰的落地思路 。 三个赛道的冠军方案用到了Proposer-Critic双模型验证、从粗到细的两阶段定位，以及按照视频时长来灵活分配模型处理的视觉信息量，虽然听上去技术名词不少，但核心逻辑就一句话： 让AI拿着证据回答问题 。 举个例子，现在要让AI判断一条广告是如何向消费者传达产品的核心卖点和实际价值，冠军方案不会让模型看完整条视频后，直接拍脑袋