ECCV上，顶尖学者们开始研究如何让AI做生意了

AI下一步往哪儿走，顶会往往最先露出风声。

9月8日至12日，ECCV 2026正在瑞典马尔默举行。大会由欧洲计算机视觉协会主办，汇聚了Google、Meta、Apple、Amazon等全球科技巨头作为主要赞助商。

作为计算机视觉顶会的ECCV，向来是前沿学术的竞技场，但今年，一个更贴近现实世界的技术命题被摆上了桌面：

Agentic Commerce（智能体商业） 。

没听错吧？在一个纯CS视觉顶会上，一帮顶尖学者开始认真研究 如何让AI做生意 了。

镜头拉到MARS2 Workshop，台下座位早已坐满了人。

台上星光熠熠，牛津、MIT、伦敦玛丽女王大学等机构的研究者轮番登场，聊的都是多模态AI正在攻克的前沿问题。

会场外的配套挑战赛也已决出优胜方案，10万美元奖金池，吸引64支全球团队入场，累计提交超过1060份方案。

人气、阵容、奖金、议题热度，都拉满了。

把这些要素串在一起的，是一家中国科技公司： 钛动科技 。

这场Workshop名叫MARS2，全称《Multimodal Reasoning and Slow Thinking in the Large Model Era: Towards System 2 and Beyond》（大模型时代的多模态推理与慢思考：迈向System 2及以上）。

它指向一个正在发生的现实：智能体商业正在改变消费者发现、比较、购买的完整交易链路。那么，当这条链路越来越多地由AI智能体参与甚至代理，多模态AI能否先看懂内容、理解意图，并据此优化商业动作？

根据ECCV官网公开信息，MARS2是本届ECCV全部Workshop中，唯一一个由中国科技公司牵头举办的Agentic Commerce方向的Workshop。

所以，全球研究者们在MARS2 Workshop上，碰撞出了哪些「让AI做生意」的解法？

首先，判断一道题的学术分量，最快的方法是看台上坐着谁。

那么，MARS2都有谁在？我看到了这4个名字：

牛津大学教授Yarin Gal ，是现代贝叶斯深度学习的代表学者之一，领导牛津OATML实验室，长期研究AI给出的答案到底靠不靠谱。

MIT助理教授Paul Pu Liang ，同时任教于MIT Media Lab和EECS，带队研究多感官智能，专门解决文字、语音、视频等不同信息如何被模型放在一起理解的问题。

伦敦玛丽女王大学的Shanxin Yuan 主攻数字人与运动智能； 林雪平大学的Fahad Shahbaz Khan 长期研究视觉识别、视觉语言模型和多模态理解。

能把这样一套阵容凑到同一张议程表上，MARS2的学术号召力，已经不用多解释了。

4位嘉宾的分享，共同指向多模态AI的下一步：不再只是「看见一段视频、说出几句描述」，而是能在复杂、动态、跨模态的信息中找到证据，理解事件如何发生、意图如何形成，并把判断转化为可靠行动。

这条从「看见」到「想明白」的完整链路，恰好也是MARS2多模态AI挑战赛（MARS2 2026 Challenge）赛题设计的底层逻辑。

更具体地说，MARS2多模态AI挑战赛要回答这个问题： AI，能看懂营销视频吗？

技术拆解来看其实就三层：

先看懂整条视频，再找到关键时刻，最后读懂背后的营销意图 。

这三层能力，也分别对应挑战赛设置的三条赛道。

三条赛道共用的考卷叫M-CAR。

这是一个基于钛动科技真实商业场景构建的高质量数据集，包含3108支广告视频，覆盖30多种语言。总计36.5小时的视频被精细拆分为18198个语义片段，平均约7秒就有一个独立片段。

选手需要在本地让模型逐一答题，再把结果上传至EvalAI，由平台统一评分和排名。

一番较量下来，最有意思的结果出现了 。