斬獲 ICML 2026杰出論文提名：英偉達華人團隊用 10%數據，打破算力堆砌

用10%淘洗100%：ICML 2026數據提純里的“算力反思”與真實物理感

作者丨張 璐

編輯丨齊鋮湧

英偉達聯手華人團隊提出首個視頻運動歸因框架 Motive，以 10% 黃金數據學物理的反直覺實證，完美驗證了吳恩達的“Data-centric”方法論，并正面回應了楊立昆對像素自回歸無法建立真實世界模型的痛批。

在剛剛公布的ICML 2026獎項名單中，一項由英偉達、普林斯頓大學與MIT聯合團隊提出的Motive框架，一舉斬獲了ICML 2026杰出論文提名獎。

論文鏈接：https://arxiv.org/abs/2601.08828

當下，具身智能與視頻大模型開發進入深水區，從盲目堆砌像素轉向高質數據提純已成為行業既定共識。然而，如何從互聯網海量視頻中，量化并清洗出符合真實物理因果律的動態數據，行業此前一直缺乏一個可計算的工程抓手。

Motive 框架正是為了填補這一工具空白而提出。

作為首個針對視頻生成運動歸因的框架，Motive 在實證中給出了一個關鍵的數據支撐：在剔除時序噪音后，僅用 10% 的高影響力運動數據進行微調人類偏好勝率竟高達74.1%，在多項核心動態指標上直接碾壓了100%全量數據微調的成績。

01

打破算力堆砌：Motive 僅憑 10%

提純數據逆襲全量微調

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真實物理交互時頻頻露怯的問題。

過去，無論是硬幣在玻璃桌面上旋轉，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”的極限測試中，這種差距被展現得淋漓盡致。

調整前，預訓練基座模型以及普通的隨機數據微調，經常讓硬幣在旋轉中直接變形、邊緣糊成一片，完全失去了金屬的剛性。

但在引入Motive框架后，數據篩選的邏輯發生了根本性的轉變。

經過 Motive 提純數據微調后的模型，真正還原了那種帶有摩擦力和重力反饋的真實物理感。

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

這證明了，想要讓AI真正學懂物理世界的運行規律，靠的絕不是盲目喂大片，而是極其精準的數據提純。

在主流廠商高度依賴擴大算力規模的背景下，Motive提供了一種計算可行的視頻運動歸因方案，使業界能夠量化評估視頻樣本對模型物理動力學學習的貢獻度。

團隊背景：深耕Data-centric的華人學者

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

吳新迪本科畢業于西安交通大學少年班，隨后在卡內基梅隆大學（CMU）機器人研究所獲得計算機視覺碩士學位，目前師從著名計算機視覺大牛 Olga Russakovsky 教授。

吳新迪的研究方向主要聚焦于以數據為中心的方法（Data-centric approaches）與高效多模態機器學習。

其研究核心在于探討如何通過追蹤數據影響力，來理解訓練數據構成對模型最終表現的作用。

這一研究視角也促成了本篇論文的核心立意：在視頻大模型的訓練中，相比于單純依靠擴大算力去堆砌海量像素數據，數據本身的運動動力學純凈度是更為關鍵的變量。

02

時序盲區：為什么傳統圖像歸因算法

無法篩選視頻運動？

為什么過去的視頻模型總是學不會正確的物理規律？問題就出在數據篩選的源頭上。

正如預期的那樣，傳統基于靜態圖像的樣本歸因框架（如 TRAK）在視頻時序上會天然失效。其根本原因在于，這類算法過度依賴空間維度的靜態語義與紋理特征，缺乏對時序維度運動連貫性的感知能力。

ImageNet 的經典實驗中（如上圖所示），模型把“小男孩拿著麥克風”誤分類為“創可貼”時，算法揪出的支持者全都是帶有肉色皮膚和網格紋理的圖像 ； 當模型識別“車輪”時，算法找出的反對者居然包含了聚光燈和放大鏡，僅僅因為它們在空間幾何上都符合“中心圓形、金屬反光”的特征 。

如果直接套用，篩選出的數據往往帶有相似的背景，但在運動加速度和軌跡上卻毫無因果關系。

在傳統算法眼里，一段視頻不過是幾十張圖片的線性堆砌。當你在海量數據里試圖找一段“球體自由落體”的物理教材時，傳統算法大概率會給你找出一堆“同樣是木質地板背景，但畫面完全靜止”的廢片。

因為它們只懂匹配靜態的外觀紋理，完全忽視了時序上的加速度、速度以及軌跡連貫性。

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

例如“純運動幅度”篩選法，只要鏡頭劇烈搖晃或滿屏亂閃，就會判定這是“高價值動作”，從而收錄了一大堆視覺噪音。

如果不打破這個“只看臉不看動作”的黑盒，整個行業將永遠陷在算力黑洞之中。

03

Motive 的核心閉環：

顯式運動掩碼與低維梯度投影

為了打破這個只看臉不看動作的黑盒，研究團隊對癥下藥，做出了首個針對視頻生成運動歸因的框架Motive。

這套系統的核心就是把靜態外觀剝離，只看動態物理規律。

▎像素級位移流場與運動掩碼

團隊引入了高分辨率點追蹤器 AllTracker 來提取像素級別的位移流場。其真正的核心設計在于，利用 min-max 歸一化構建運動掩碼（Motion Mask），并將其顯式引入梯度權重的計算中。

這一步的數學本質是強制剝離靜態背景的外觀紋理，強迫模型在計算梯度時，將注意力絕對集中在發生物理交互的動態區域。這是 Motive 相比于傳統圖像歸因最大的原創貢獻之一。

▎極限壓縮：512維的毫秒級查詢

但現實是，要在數億至百億級參數的視頻生成模型和海量數據上計算完整梯度，并存下每一對數據的海森矩陣，算力與存儲成本足以壓垮任何超級計算機 。

要在數十億參數的視頻生成模型上計算完整的特征協方差矩陣，時空復雜度極其巨大。

為了克服這一算力災難，Motive 延續了 TRAK 等經典歸因算法的降維工具鏈，采用 Fastfood 投影技術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，在大幅降低存儲與毫秒級查詢成本的同時，能以極高概率保持高維空間中原始梯度向量的內積幾何特征。

團隊還發現，視頻越長，累計梯度越大，越容易被系統誤判為“高價值數據”。

為了抹平這種統計學上的不公平，Motive引入了1/F（幀數倒數）的幀長修正機制。

這一機制的本質是在時間維度上對時序梯度進行均值歸一化，消除了長視頻因為幀數累加導致的統計學偏置，將虛假相關性降低了 54.0%，確保了短時高頻的物理碰撞不會在權重上被冗長的靜止畫面稀釋。

04

反直覺實證：高價值運動數據≠視覺大片

這套極其精密的“數據提純器”造出來后，在真實數據集上展現出了驚人的效果。

許多人認為，被Motive選出的10%黃金數據，肯定全都是“狂轟濫炸、運動最劇烈”的視覺大片。

但實驗數據表明，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，其平均運動幅度居然幾乎重合（3.85 vs 3.69）。

這恰恰證明了 Motive 的獨到之處：它真正揪出的，是蘊含深層物理演進規律的“高質量低調視頻”。

一片樹葉在水面上產生微小漣漪的視頻，它教會模型的流體力學張力，遠比一場全屏爆炸但缺乏物理邏輯的低質量二維動畫要深刻得多。

正是靠著這種精準的篩選機制，Motive 才能在 VBench 基準測試衡量視頻物理動態的核心指標——“動態程度”上，跑出了47.6%的頂尖成績，將純運動幅度篩選（40.1%）和V-JEPA語義篩選（41.6%）遠遠甩在身后。

在真刀真槍的17人雙盲人類評測中，針對850個成對比較案例，Motive僅用10%的小樣本微調，就對基礎模型打出了74.1%的分數，這成績幾乎是壓倒性的。

Motive 框架在 VBench 基準測試和人類雙盲評測中的表現，實際印證了近年來 AI 行業內關于“以數據為中心（Data-centric AI）”以及“世界模型”的技術討論。

05

技術范式反思：

從像素盲目預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 行業內多位頂級科學家的前瞻性呼吁。

AI 巨擘吳恩達（Andrew Ng）長期倡導“以數據為中心（Data-centric）”的理念。

他曾在一場著名的斯坦福演講中指出：在模型規模達到一定極限后，盲目堆砌算力喂養海量粗糙數據，邊際效益已經極低，行業應該把精力放在如何精準清洗、提純那“20% 的高質量黃金數據”上。

Motive 用 10% 的數據打出 74.1% 人類勝率的實證，簡直就是對這一預言最完美的數學注解。

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

他認為單純依靠像素預測堆出來的“逼真”，只是空中樓閣，AI 根本沒有真正學會世界運行的物理因果。

Motive 恰恰給出了解藥。它通過剝離紋理外觀、強制模型聚焦于像素級位移與運動掩碼的技術路徑，硬生生把大模型的注意力從“看長相”扭轉到了“學物理”上。

這不僅回應了楊立昆對于“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據噪音。

Motive 團隊通過引入像素級位移流場和運動掩碼，強迫模型在計算梯度時向動態物理交互集中，在一定程度上回應了這一技術痛點。

目前，AI 賽道正處于具身智能大爆發的前夜。在通過視頻生成反哺真實物理世界的 Rob2S 研發線上，高質量、符合物理運行規律的純凈運動數據是核心稀缺資源。

互聯網上的視頻數據中，存在大量違背物理規律的特效、缺乏因果關系的靜止畫面或視覺噪音。

Motive 實際上提供了一種高精度的運動歸因過濾器。當這種數據提純工具成為工程標配時，開發者能夠從海量數據中更高效地篩選出包含物理定律演進的關鍵片段，進而喂養出可交互的物理世界模型和動作模型。

從早期的像素盲目堆砌，到走向物理規律的精準還原，視頻大模型的工程焦點正在發生實質性的轉移。

Motive在數據領域里，像是一個篩子。比如，在科研領域，它能大大降低科研人員的數據篩選門檻，用更低的成本完成更高效的實驗。同時，對于公司和產業界來說，也將訓練效率大幅提升。

只有當這種高精度的運動歸因過濾器成為行業標配，我們才能用純凈的動態物理數據，喂養出真正可交互的物理世界模型和動作模型。

從盲目堆砌像素，到精準的物理規律還原，Motive帶來的，是一種范式創新，也是具身行業在世界模型領域的一次可復用的技術迭代。

一個人讀論文太孤單，一群人刷頂會才好玩。

ICML 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。

進群傳送門：掃碼進群或添加微信Vin_Vivid，備注：論文群 + 關注的 AI 方向。

搞科研/搞技術，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。