回复@icefighter: 2009年5月6日14时30分，中国科学院王守觉院士做客腾讯网，和网友漫谈了多维空间仿生信息学。
中国科学院院士，中国科学院苏州纳米技术与纳米仿生研究所研究员，中国科学院半导体所原所长，中国电子学会副理事长，同济大学信息工程学院名誉院长兼半导体与信息技术研究所所长，浙江工业大学智能信息系统研究所所长，中国神经网络委员会主席，中国计算机学会CAD与图形学委员会名誉主任，中国人工智能学会，神经网络与计算智能委员会名誉主任，我国著名半导体与信息科学专家，我国半导体器件与微电子奠基人之一王守觉院士。
我们说到底，这个世界上就三样东西。
郭桐兴：哪三样东西？
王守觉：一个是物质，一个是能量，第三个是信息。
所以我这个次序也是我们人类掌握的次序，人类先掌握的是物质，人类什么也不知道的时候先知道这是一块石头，这是一根树。
郭桐兴：先看到实物？
王守觉：先看到的是物体，物质，然后才知道有能量，一块石头可以从上头掉下来，但是平白无故它不会从底下跑上去，这个应该说是大家都熟悉的了。
但是近几十年来，人类开始对于第三样东西——信息重视了，信息是什么？摸不着拿不到的，但是你不知道它你就不能掌握它，你比如说一个指路牌，我看见指路牌我知道怎么走，如果说我没有这个指路牌我放一块木板放在那儿，我就不知道怎么走，所以这是信息。
我们人类的思维有两大类型。
郭桐兴：哪两大类型？
王守觉：一个是逻辑思维，一个是形象思维。
郭桐兴：逻辑思维应该是很抽象的。
王守觉：是从逻辑那个方法来的，形象思维是逻辑说不清的，但是你看起来，人有一种形象的感觉。
郭桐兴：很直观的能够看得到的？
王守觉：对，看得到。所以我举一个例子来说，计算机现在能力很强，什么东西都能算得很快，但是一个一岁的孩子他能够很快的在大庭广众找到自己的妈妈，不管妈妈是什么的一个表情，他都很容易找到，但是计算机就做不到这一点。
郭桐兴：计算机还不如一个小孩子？
王守觉：为什么呢？什么原因呢？就是计算机是只能来进行逻辑运算，所以计算机的逻辑运算很强，但是对于形象思维的一些运算一无所知。
现在的信息技术处理，往往重视的是微观的，但是我们如果要跟人一样变得聪明的话，那么他又要向宏观发展，所以我们的高维仿生信息技术的话，实际上就是一个向宏观方向发展的一个信息科学，信息技术向宏观方向发展，把人的形象思维用进去，这样一个方面。
王守觉：第一个特点是什么呢？就是把原来我们图象处理都是用很多联立方程，很头疼的联立方程式，我们不从方程式出发，而是从几何的图形概念出发，等于用几何的方法来算，而不是用代数的方法来算。
郭桐兴：用形象？
王守觉：用形象我们计算里头的，就是说我从一个点到一条线做了一个垂直线，我可以用垂直坐标算出来，一步一步来做，就是这样的一个思路，这是一个思路的第一个特点。第二个特点是什么呢？就是我们在高维仿生信息技术里头，把所有的信息，比如说现代信息不管是图片、照片或者是说话都是因特网上都是数字传输，那么我们把每一个数字传输，我们把每一个传输的一组数字，每一个数字看成是一个坐标，那么一组数字不就等于空间里头一个点吗？在立体几何里头，X、Y、Z三个坐标，那么确定一个点，所以一个点的位置就可以代表三个数字，我如果说是在100维空间里头的话，一个点的坐标当然就能代表100个数字。因而，我不管你有多少个像数点的照片，我都可以看作是一个高维空间里头的一个点，这个高维空间里头的一个点出发，我就可以算出来很多新的东西来。
所以第二个特点都是点的关系，第三个特点，由于我们是用空间几何代替了多个变量的方程式，因为人们对于方程式X、Y、Z，三个变量已经够头疼了，我有十个变量的话，那不是要头疼死了吗。所以我们这个时候几何代替了，因而它比较适合于做实际工作的，概念很清楚，而对于数学方程式感到头疼的工程师，所以很适合于工程师来用。
郭桐兴：把它简单化了？
王守觉：等于是什么呢？拿一个图形来代替了一套方程式。
郭桐兴：更直观，更形象，一目了然。
王守觉：所以这个东西虽然现在人们感觉到好像很难掌握，那是因为念书念书，都是念的方程式，我们也是方程式念出来的，所以就忘了这个形象的一种几何概念，所以我们要重新弄起几何概念来，实际上花点力气的话，很容易。
郭桐兴：实际上是变换一个思考问题的角度？
王守觉：对。这是第三个特点。
第四个特点，这个实际上它是一种几何的立体概念的训练，用几何立体概念训练，这样的一种思考问题的习惯往往能够在技术上能够事半功倍，就是你花时间很少，但是你的效果很好。最近有一个例子，我有一个博士生现在到农大去，他在农业上头，生物上头，国外的算来算去，算得效果不好，他一算效果就很好。
郭桐兴：就是用您这个方法？
王守觉：就是用我这个方法，所以他最近来找我，问能不能合作，我们再进一步发展，我说好啊。所以这个生物思想方法是这样的。这个就是这四个特点，是我们高维仿生信息技术的特点，或者就叫多维空间仿生信息学的特点。
我第一个例子，我们是叫模糊图变得清晰化处理，就是说比如说一张照片照得不清楚，看得很模糊，但是我不知道它为什么模糊，还是因为我的镜头动了呢？还是因为我的镜头聚焦没有聚准呢？还是观察的对象不在同一个焦平面上，种种模糊机理我不清楚，模糊机理不清楚，传统的方法就得要假定它的模糊机理，我现在就不用假定，我只是说，模糊的图是一个点，我慢慢叫它动，在高维空间里头动了，动到慢慢慢慢清楚了，就行了。
郭桐兴：让它移动起来？
王守觉：让它动了，让它这个点在计算。我要拿一个结果给大家看一看。这是第36张幻灯片，请放一下。（播放图片），A图就是原始的一张照片，很模糊，我把它动一下，因为照片总是高维空间里头的一个点，这个点我让它动一点，它变成B图，再动过去一点变成C图，再动过去变成D，D变到E，E变到F，F变到G，G变到H，我们可以看到H这张照片，显然我们大概上看得清是个什么人了，A这张照片是完全模糊的，但是我不知道它模糊机理，我用不着知道它的模糊机理，我可以这么推回去。这是一个例子。
比如说下面一张照片，第37张照片（播放图片），这张照片是一张晚上拍的红外的照片，看来很模糊，如果用国外的软件photoshop处理，那么最好的结果就是这张照片，（第38张）比刚才那张清晰了，那么用我们的方法来处理的话，虽然很简单，但是效果很好，你可以看到。（第39张）这个是我们的方法处理，处理了以后你可以看到屋顶上的瓦片非常清晰，这是第一个。
第二个结果，下面一张图（第40张），第二个结果差不多，显然比那个photoshop处理出来的情况好很多。这个是一个用途。
下面一张图，我的一个例子，再看一下，第41张。这个它的左边的那张图是原始的一个天文的一张照片，你可以看到它是很模糊的，那么我们经过两次处理以后，可以看到右边那张照片就清晰了，细节的东西能看清楚，这就是一个例子。
第二个运用，第45张幻灯片，这是一个人脸表情的虚拟的表情，就是左上角的那张照片是原始的照出来的一张照片，她是板着脸照的，但是我可以给她一处理的话，让她变成笑的。我并没有把她弄什么方程式，这个不是什么方程式，我就是让她微笑了，她就能变成微笑了。
同样，比如说，下面一张，这一张照片的左上角是原始的的一张照片，右下角的一张照片就是让这个人微笑一点，所以人的表情就可以变成一种虚拟的东西出来。这个是我们的一个用途，也是一个虚拟的表情的生成。
再下面，比如说她扮个鬼脸，我们再看下面一张，左上角是笑咪咪的照片，然后我们把她变成一个半个鬼脸，所以你说用途用在什么地方，我觉得这个用途是很大的，比如说，第一，比如说我们一个人，我自己拍了一张照片，我要变成各种各样的表情，我也要把这些表情放到某些照片里头去，都可能。可以模拟产生出一段我的录像带出来，结果我后面看，但是不一定做得很好，因为我们这是初步的尝试了，就是可以这么来做。//@icefighter:回复@icefighter:3D 视觉的行业用户越来越清楚地看到——参数堆叠无法解决场景难题：
高像素≠能识别复杂纹理高功率≠能拍清反光金属高帧率≠能应对多 SKU 柔性工位大FOV≠标定一致性提升
技术的发展已经证明：
真正影响结果的不是“额外堆多少光”和“多几个像素”，而是整个成像系统是否能为算法提供稳定、可控、高质量的输入。
AI 大模型正式进入工业3D语义周期
点云 Transformer、Gaussian Splatting、NeRF 工业化加速，AI 不再只是辅助工具，而是三维几何理解的直接参与者。
算法能力的差距将被指数放大，系统链路越稳定，模型效果越强。
力量二：柔性制造引发3D感知需求跃升
多 SKU、随机姿态、复杂材质、工位动态切换……
柔性制造让视觉系统必须具备：
强泛化能力
对反光/暗色材质稳定
对多场景低调参适配
实时响应能力
这些需求远超传统“固定工位+固定治具”的范式，视觉系统必须从“采集工具”升级为“空间理解基座”。
自研 MEMS 光机：高稳定、高一致、高可控的结构光“输入源”
亚像素级重复精度（0.005°）
蓝光结构光抗干扰能力强
大FOV下保持高条纹一致性
适配多材质、多结构的细节呈现
在算法时代，可控、高一致的输入源本身就是核心壁垒。
统一架构的成像链路：为算法提供最“干净”的数据基础
中科融合从投射、采集、曝光、同步、编码、重建到输出，保持了完整的一体化链路：
统一 MIPI 架构
高精度投采同步
定制化曝光与纹理控制
每批次保持稳定成像行为