不堆 Transformer，斯坦福吴佳俊如何用物理重新定义多模态融合？｜ECCV 2026

📋总体概括

斯坦福吴佳俊团队在ECCV 2026发表新工作，提出用物理属性统一视觉、听觉、触觉三种模态：三模态本质上是同一组物理属性（如材质、几何、碰撞）在不同传感器上的投影，而非传统多模态模型那样靠Transformer堆量做特征对齐。研究以物理量为核心表示，让模型从异构信号中恢复一致的物理世界理解，为具身智能中触觉与视听融合提供了新范式，与主流数据驱动的scaling路线形成方法学分歧。