他起身走到白板前面，没有回头，背对着所有人，手中的黑色马克笔已经毫不犹豫地落在了白板上。

笔尖划过光滑的板面，发出沙沙的轻响。

陈默手腕沉稳，线条流畅而肯定，没有丝毫犹豫。

一个简洁却完全不同于传统感知架构的图形框架迅速在他笔下成型。

“把摄像头采集的原始视频流（rawvideo），”陈默一边画，一边清晰地说道，声音不大，却字字如锤，敲在每个人的神经上，“直接输入到一个统一的、基于transformer架构的编码器（encoder）。”

他在白板左侧画了几个代表摄像头的抽象符号，用箭头指向一个代表神经网络的大方框，在方框里重重写下了“transformerencoder”。

“在这个编码器内部，通过强大的注意力机制（attentionmechanism），让模型自己学会在像素级别上，跨时间、跨空间、跨摄像头视角，去建立关联，去理解三维空间的结构！

让ai自己‘看’懂这个世界的几何关系，而不是依赖我们人工预设的规则去分割目标、匹配特征。”

随着笔尖持续移动，在白板中央画出一个代表三维空间特征（3dfeatures）的立体区域，并标注了“bev(bird's-eye-view)representation”。

“在模型内部，自然生成统一、稠密的鸟瞰图（bev）空间表征。

在这个统一的bev空间里，激光雷达点云也好，毫米波雷达目标也好，甚至未来的v2x车路协同信号也好，都只是作为辅助的‘特征’（feature）。

通过跨模态注意力机制（cross-modalattention）自然地融入、补充、增强这个由视觉主导构建的三维空间理解。”

他在bev空间周围画上代表激光雷达、毫米波雷达、v2x的符号，用虚线箭头指向中央的bev空间，并在连接处标注了“attention”。