在AI模型越來越“重”的今天，如何讓它們在智能設備上“輕裝上陣”？

近日，明略科技（2718.HK）與東南大學、中南大學共同提出了一個創新的端到端框架——CompTrack。通過給AI裝上“智能過濾器”，只處理有價值信息，拋棄無用數據，不僅讓點云跟蹤速度提升至80幀/秒，精度再創新高，更賦予自主智能體實時決策能力，讓機器人在復雜環境中更加“眼疾手快”。該研究已被人工智能領域頂級會議 AAAI 2026 接收為 Oral 。

在機器人和具身智能領域，transformer 模型正變大越來越通用，同時也越來越 「重」。我們在渴望 SOTA 精度，但現實世界的邊緣設備 (如機器人端場景) 卻無法承受其高昂的計算和延遲。

「Efficient AI」的核心挑戰之一是：模型是否真的需要處理所有輸入數據？

由東南大學、中南大學、明略科技（2718.HK）聯合提出的一篇被 AAAI 2026 接收為 Oral 的論文 CompTrack 給出了一個深刻的答案。這項工作展示了壓縮技術如何大幅降低計算開銷，同時保持或甚至提升模型性能，以 3D 點云跟蹤作為一個引人注目的應用案例。

具體而言，該工作一針見血地指出，當前 AI 模型（尤其在處理稀疏數據如點云時）普遍面臨「雙重冗余」（Dual-Redundancy）挑戰：

1. 空間冗余 (Spatial Redundancy)：海量的、無關的背景點和空白區域（如天空、遠處的建筑物）被送入網絡，這不僅浪費算力，更污染了特征，導致精度下降。

2. 信息冗余 (Informational Redundancy)：這一點更為致命且常被忽視。即便是在我們真正關心的「前景目標」上，也充斥著大量重復和低價值的信息。例如，在識別一輛車時，車輛引擎蓋上的 100 個點和 500 個點提供的有效幾何信息幾乎是等價的；而車輪、邊角等關鍵點的價值則遠高于這些平坦表面。

現有方法大多只處理了問題 1（過濾背景），卻對問題 2（壓縮前景）束手無策。CompTrack 創新性地提出了一個端到端框架，從根本上同時解決這兩種冗余。

核心洞察（一）：用「信息熵」過濾空間冗余

針對空間冗余，CompTrack 采用了一個空間前景預測器 (SFP)?。SFP 是一個輕量級模塊，它基于信息熵理論，通過一個高斯熱圖監督學習，精準地「篩除」那些信息含量極低、對任務無益的背景噪聲。這一步為后續的精準壓縮奠定了堅實基礎。

核心洞察（二）：用「信息瓶頸」動態壓縮信息冗余

這篇工作最核心的貢獻，是其信息瓶頸引導的動態令牌壓縮 (IB-DTC)?模塊，它專為解決「前景信息冗余」而設計。

為什么這個模塊是 Efficient AI 的一次重要探索？

1. 理論完備，告別盲目壓縮：該模塊的構建基于堅實的「信息瓶頸 (IB)」原理。其目標非常明確：只保留那些對最終預測（如目標運動）有價值的信息，并丟棄所有不相關的冗余信息。它進一步證明，這種信息冗余在數學上等價于特征矩陣的 「低秩 (Low-Rank)」特性。

2. SVD 指導，實現「動態」壓縮：IB-DTC 最精妙的設計在于其動態性。它沒有使用一個固定的、「一刀切」的壓縮率，而是利用在線奇異值分解 (SVD) ，在推理時（on-the-fly）實時分析當前輸入前景數據的「內在秩 (intrinsic rank)」。這意味著：

• 如果前景簡單（如一輛側面的卡車），模型自動使用高壓縮率。
• 如果前景復雜（如一個騎行者），模型自動使用低壓縮率。這種數據依賴的動態壓縮，在保留關鍵信息的同時，最大化了計算效率。

3. 繞過 SVD，實現「端到端」訓練：SVD 本身是不可微分的，無法直接用于訓練。CompTrack 巧妙地將其用作一個「引導者」：SVD 只負責在前向傳播時提供最優的壓縮率 K 和特征基（prior），而真正的壓縮則由一個可學習的、基于 K 的 Cross-Attention 模塊完成 。這使得整個高效壓縮流程可以端到端訓練。

應用成效：更少算力，更高精度！

CompTrack 將該框架應用于極具挑戰性的 3D 點云跟蹤任務。結果證明，這種對「信息冗余」的系統性壓縮是極其高效的：

• 速度：在 RTX 3090 上達到?80 FPS?的實時性能，相比 SOTA 方法 (P2P) 65 FPS 的速度，實現了 1.3 倍的加速。
• 效率：計算量（FLOPs）顯著降低，僅為?0.94G。消融實驗證實，IB-DTC 模塊是實現效率飛躍（從 48 FPS 提升至 75 FPS）的核心。
• 精度：在實現極致效率的同時，CompTrack 在 nuScenes 和 Waymo 兩個大規模數據集上均刷新了 SOTA（State-of-the-art）性能。

CompTrack 的意義遠不止于 3D 跟蹤。它提供了一個「理論指導、動態自適應、端到端」的通用信息壓縮范式。

該工作證明，與其盲目地讓 Transformer 處理所有數據，不如先問一個更基本的問題：「哪些信息是真正有價值的？」。CompTrack 的技術預示著高效 AI 的更廣泛范式轉變。其動態、SVD 引導的壓縮易于適應其他涉及稀疏或冗余數據的領域，如機器人中的傳感器融合，甚至視覺 – 語言模型中的多模態處理。通過優先考慮信息效率而非蠻力計算，CompTrack 也為后續解決視頻理解、多模態融合乃至大模型推理中的信息冗余問題，提供了極具前景的新思路。

這正是 Efficient AI 未來的發展方向：不做無效計算，只為價值付費。