SIGGRAPH 2026時間檢驗獎據報頒給 Taku Komura 團隊，2016年深度學習動作生成研究影響物理 AI

量子位報導，2026年7月召開的計算機圖形學會議 SIGGRAPH 公布時間檢驗獎（Test-of-Time Award），香港大學計算機科學系教授 Taku Komura 與團隊於2016年發表的《A Deep Learning Framework for Character Motion Synthesis and Editing》獲獎；官方資訊未見於本文佐證來源，消息目前仍屬報導性質。 該研究使用卷積自編碼器，從大規模動作捕捉資料中學習低維運動空間，再將行走路徑等高層控制條件映射至該空間，以生成與編輯人形角色動作，同時維持人類運動的自然性。研究重點不是逐幀記憶訓練資料，而是學習可重複使用的 Human Motion Prior，描述自然人體運動中的姿態與時間變化，以及在目標限制下維持自然動作的方法。 Taku Komura 團隊後續將研究延伸至更複雜的身體、物體與環境互動：2019年的 Neural State Machine 讓數位角色依據場景幾何完成坐下、搬運、開門與避障；2020年的 Local Motion Phases 處理多重接觸、快速切換與全身協調；2022年提出的 DeepPhase 則透過週期性自編碼器，從未經人工整理的動作資料中學習多維相位空間，改善複雜動作的檢索、對齊與合成連貫性。 由團隊持續維護的 AI4Animation 開源專案已在 GitHub 累積超過 8,000 個 Star，涵蓋人形運動、四足運動與場景互動等方向。量子位稱，這條研究路線也被延伸至具身智慧資料採集：團隊以消費級設備，例如 iPhone，重建人手、物體與場景在同一世界座標系下的 3D 結果，將採集成本降至過去的數十分之一，並在第一人稱手部重建公開評測中將誤差降低 60%。 團隊目前進一步整合第一人稱相機、3D 狀態重建、眼動與肌電資料，取得時間對齊的人類原生多模態操作資料，讓世界模型預測物體 3D 狀態、接觸位置與受力大小等物理狀態，而不只是下一幀影像。報導指出，Taku Komura 的長期目標是讓機器人從人類動作與互動中學習，建立可跨機器人、任務與環境移轉的行為智慧，並在自主行動與探索中持續累積經驗。