三维视觉作为计算机视觉、图形学、人工智能与光学成像的交叉学科，是构建具身通用智能与元宇宙的核心基石。2025 年，以 VGGT（visual geometry grounding Transformer）为代表的前馈三维重建技术的突破，为空间智能提供了坚实的场景三维理解基础，并大幅降低高质量三维内容的制作门槛；三维生成质量逐渐达到工业级扫描水平，技术从单图实例生成向动态复杂场景的多实例前馈重建演进；三维重建与三维生成开始深度融合，逐渐实现复杂场景在稀疏视点输入下的前馈式重建；视频生成技术正融入各式三维表征，推动 “感知—生成—交互” 一体化的世界模型技术的发展，世界模型已被广泛认为是实现可泛化具身智能与通用人工智能（artificial general intelligence，AGI）的关键路径；蕴含物理常识、因果推理与交互偏好的人类行为与第一人称视频数据开始得到广泛使用，成为突破具身智能数据瓶颈、驱动具身智能Scaling的核心燃料；具身智能视觉—语言—动作（vision-language-action，VLA）模型正从依赖专家演示的模仿学习，转向融合在线强化学习的复合架构，可在稀疏奖励下显著提升模型的泛化与探索能力。这些技术突破奠定了“多模感知—三维建模—四维生成—实时交互”一体化智能架构的雏形，为空间智能和具身智能的实质性发展提供了关键技术支撑。为促进学术交流，本文分析总结三维视觉领域前沿趋势，并遴选年度十大研究进展，为学术界与产业界提供参考观点。

随着人机交互技术的飞速发展，音频驱动的数字人生成（audio-driven digital human generation）已成为数字人领域的研究热点。该技术旨在建立从一维语音信号到三维视觉流的跨模态映射，其核心挑战是在保证唇形精准同步的同时，实现高保真的视觉外观与实时渲染。本文提出了一种音频驱动数字人通用技术框架，并从技术演进的视角系统梳理了该领域的最新进展。本文回顾了早期的二维图像生成方法，分析了其在三维一致性与大姿态驱动上的局限性；进而深入探讨了基于神经辐射场（neural radiance fields，NeRF）的方法，阐述了基于隐式空间建模解决视角一致性的技术方案，并总结该方法面临的推理效率瓶颈；随后，重点综述了当前两大前沿范式：3D高斯溅射（three-dimensional Gaussian splatting，3DGS）范式，其利用显式几何原语突破实时渲染的算力限制；扩散模型（diffusion models）范式，该范式可显著提升生成的细节纹理与动作表现力。此外，本文还归纳了主流的音频驱动数字人数据集与客观评价体系，如唇形同步网络（synchronization network，SyncNet）、FID（Fréchet inception distance）等。最后，对跨身份泛化、情感与全身交互，以及端侧轻量化部署等开放性挑战进行了深入分析与展望。

面向21世纪，为构建一种具有自适应结构、可解释、泛化强和能效高的人工神经网络（artificial neural network，ANN），对新一代ANN的基础理论、模型和架构进行探索。按时间线，ANN从20世纪40年代首次提出，发展至今已80多年，并将延展至21世纪中叶，本文按5个维度特征将ANN划分成5个时代。当前，处在第4代ANN，其主要特征是数据拟合、深度学习、注意力机制和Transformer结构，以大语言模型为基础的ChatGPT （chat generative pre-trained Transformer）为代表，通过了对话式图灵测试，但属于“黑箱”测试，并局限于离身智能形态的涌现。根源是基于规模扩展缩放定律的大语言模型本质上不对称性，缺乏对现实世界物理规律的理解，多模态、多任务、多形态输出智能呈锯齿型且能效低；而具身智能形态机器人的神经网络还缺少自主智能，只能按预设程序完成规定动作，ANN在离身智能和具身智能之间出现巨大鸿沟。为解决第4代ANN的这些重大缺陷，需要新的理论、模型和架构支撑。当前，围绕下一代ANN的发展方向和技术路线，出现了很多争论和分歧。本文追溯前4代ANN主流理论、模型和架构的发展，重点分析了第4代ANN的特征，评述了面向第5代ANN的世界模型与联合嵌入预测架构、认知螺旋模型与智痕元胞网络架构。最后，以认知物理学理论和驾驶脑认知技术实践为基础，提出一种具有第5代ANN核心特征的具身认知物理神经网络（embodied-cognitive physics neural networks，E-CoPNN）轻量化架构，基于具身认知架构研发的全球首个跨具身视觉语言基础模型，在跨域的自动驾驶12项基准与具身智能 17 项基准均达到 SOTA，量化验证了统一具身认知模型的双向正向迁移能力。当今，构建面向21世纪的新一代ANN，在哲学上，将从身心二元论转向具身知觉一元论；在基础科学上，将从20世纪的生物物理学升级到21世纪的认知物理学；在数学上，从量的关系拓展到形的关系；在模型上，将推动ANN研究范式从数据拟合转向结构重构；在应用上，将填补ANN发展中离身智能与具身智能的鸿沟，为实现会学习、自成长、自纠错以及可交互的具身认知机器人广泛应用奠定基础；在代际演进上，将从第4代ANN跃升到具有类脑认知和动态自适应结构等特征的第5代ANN；支撑认知为融合先导的四大科技“纳米—生物—信息—认知”聚合发展，提高人类认知能力，迎接新一轮的认知革命。

在深度学习推动下，视觉感知系统在智能驾驶、安防监控和医疗诊断等领域取得显著进展。然而，现实场景中数据分布的极度不均衡、长尾样本的稀缺性及高昂的人工标注成本，已成为制约模型性能与泛化能力的关键瓶颈。平行图像作为基于平行系统理论发展而来的新型图像生成与建模方法体系，通过构建人工场景系统、开展计算实验推演及虚实平行执行，形成“建模—训练—反馈—优化”的闭环机制，为视觉感知系统提供了高质量、多样化、结构化的合成数据支撑。本文系统梳理了平行图像的理论基础与发展脉络，重点综述其在虚拟场景生成、多模态特征融合、虚实域迁移和异构知识驱动的平行推理等关键技术路径上的研究进展与应用探索。同时，结合当前生成式人工智能和大规模多模态基础模型的发展趋势，分析了平行图像在智能视觉系统演化中的融合潜力。最后，本文指出该领域面临的主要挑战，并对未来的研究方向和应用前景进行了展望。

传统的遥感图像智能解译技术大多建立在封闭集假设之上，高度依赖海量的人工标注数据，且在推理阶段仅能识别训练集中预先定义的固定类别。面对真实地球观测场景中复杂多变的地表环境、尺度剧烈变化的目标以及长尾分布的罕见地物，传统范式泛化能力受限，难以满足高度动态的开放世界解译需求。近年来，得益于视觉—语言基础模型的快速发展，开放词汇感知技术应运而生。该技术通过跨模态语义对齐打破了传统离散标签的束缚，在零样本与少样本场景下展现出强大的泛化潜力。然而，遥感影像独特的俯视成像视角、复杂的拓扑关联以及多源异构的物理模态，致使自然图像领域的通用大模型在向遥感垂直领域迁移时面临显著的领域鸿沟。为此，本文系统梳理并总结了遥感图像开放词汇感知领域的最新研究进展。从数据和方法两个维度，阐述了遥感视觉—语言预训练数据集的构建策略，以及预训练架构从基础域适配向异构数据感知与地理先验增强的演进脉络；全面剖析了开放词汇感知在零样本场景分类、跨模态检索、图像分割、目标检测与定位、变化检测以及三维点云理解等关键下游任务中的应用范式；深入探讨了当前该领域在高质量训练数据匮乏、细粒度评测基准缺失、多源异构模态深层对齐不足及模型可靠性等方面面临的核心挑战，并从多模态大语言模型驱动的生成式感知、全模态基础模型演进、时空因果推演及星地协同计算等方向对未来发展趋势进行了系统展望，以期为推动遥感智能解译迈向真实开放世界提供详实的理论参考。

随着多模态大模型与海量异构数据的涌现，多视图聚类（multi-view clustering， MVC）作为无监督知识发现与数据底层关联挖掘的核心技术，其研究范式正经历深刻变革。现有综述多局限于底层算法网络结构的横向归纳，难以揭示该领域在不同技术时代的内在发展逻辑。为此，本文打破传统分类框架，首创性地提出先验驱动的理论视角，对多视图聚类20年来的发展脉络进行了系统性重构。首先，梳理了基于几何先验的浅层结构挖掘，分析了欧氏原型、仿射子空间与流形邻域中的显式数学约束机理；其次，归纳了基于语义协同先验的深层空间建模，揭示了模型如何在嵌入、隐空间、增强及拓扑空间中捕获非线性的跨视图一致性；最后，前瞻性地探讨了基于多模态大模型认知先验的深度对齐，阐述了聚类技术赋能海量数据治理、混合专家（mixture-of-experts， MoE）路由及检索增强生成（retrieval-augmented generation， RAG）的基础设施作用，并分析了多模态大模型逻辑推理反哺聚类任务的潜在机遇。本文通过构建几何—语义—认知的跨范式分析框架，深刻揭示了多视图聚类由底层数据驱动向高阶知识驱动转型的内在逻辑。在此基础上，分析了类别分布长尾失衡、视图严重缺失及评估体系滞后等开放环境下的核心挑战，并探讨了相应的解决思路，旨在为多视图聚类在多模态大模型时代的理论创新与工程实践提供新的研究路线。