AI教母谈工作、机器人与世界模型的未来

摘要

本期节目中，"AI教母"李飞飞（Dr. Fei-Fei Li）分享了现代人工智能从寒冬到爆发的完整历史脉络，以及她对AI未来的深刻洞见。她回顾了ImageNet（大规模图像数据集）如何成为点燃深度学习革命的火种——大数据、神经网络与GPU（图形处理器）三大要素的组合至今仍是现代AI的核心配方。她区分了"通用人工智能"（AGI）作为营销术语与科学追求的差异，指出当前AI在空间理解、创造性抽象和情感智能等方面依然远逊于人类。作为World Labs（世界实验室）的联合创始人，她详细阐释了世界模型（World Model）与空间智能（Spatial Intelligence）的概念，并介绍了刚刚发布的Marble产品——全球首个能从文字或图片直接生成可探索3D世界的生成模型，其应用已覆盖影视特效、游戏开发、机器人模拟训练甚至心理学研究。此外，她还分享了从学术界到创业的转型心得、对人本AI（Human-Centered AI）的长期承诺，以及一个核心信念：无论你从事什么职业，每个人都在AI时代拥有自己的角色。

正文

一、"AI毫无人工可言"——一位人文主义者的技术观

李飞飞被《连线》杂志称为"为数极少、一张厨房餐桌就能坐下的、真正推动了AI近期惊人进步的科学家群体之一"。人们称她为"AI教母"，但她坦言自己并非乌托邦主义者："我清楚地知道，AI不会对就业和人类毫无影响。但我是一个人文主义者（humanist），我相信AI能做什么、未来会怎样，取决于我们，取决于人。"

她把技术看作文明演进的一部分——从几千年前的文字记录到今天，人类一直在创新工具、改善生活。AI是这一进程的延续。这正是她乐观的来源。但她同时强调："每一项技术都是一把双刃剑。如果我们作为社会、作为个体不做正确的事，我们也可能把这件事搞砸。"

她曾在国会作证时说："AI毫无人工可言——它受人启发、由人创造，而最重要的是，它影响人。"这句话几乎是她整个职业生涯的信条。每当有学生从她的实验室毕业，她都会提醒他们："你们的领域叫人工智能，但它一点都不'人工'。"

这些观点背后是她对AI领域近三十年的亲身参与。她认为，负责任地参与AI的发展与应用——不管你身处哪个环节——是每一个人最重要的第一步。"今天每个人都应该关心AI，因为它将影响你的个人生活、你的社区、整个社会以及下一代。"

二、从AI寒冬到ChatGPT：一段鲜为人知的历史

对大多数人来说，AI是在ChatGPT于2022年底横空出世时才进入视野的。但李飞飞指出，AI的旅程可以追溯到上世纪40年代图灵（Alan Turing）提出的那个大胆问题："是否存在会思考的机器？"真正作为学科诞生则是在1956年的达特茅斯研讨会（Dartmouth Workshop），由后来到斯坦福任教的约翰·麦卡锡（John McCarthy）首创了"人工智能"这一术语。

从上世纪50年代到80年代，AI经历了基于逻辑系统、专家系统以及早期神经网络的探索期。随后大约二十年（80年代末到21世纪初），AI进入了机器学习（Machine Learning）时代——这是计算机编程与统计学习的联姻。这个结合带来了一个关键洞见：纯规则程序无法涵盖人类认知的全部能力，我们必须让机器自己从模式中学习。就像你给机器看三只猫，它不应只能认出这三只，而要能够认出第四只、第五只以及所有其他的猫。

李飞飞恰恰在2000年进入了这个领域，在加州理工学院（Caltech）开始了她的博士生涯。那时候正是所谓的"AI寒冬"——公众不关注、经费有限，但思想的暗流一直在涌动。正是那段艰苦岁月中，她做出了两个影响深远的选择。

三、ImageNet与深度学习的黎明：三大要素的"黄金配方"

第一个选择是她决意从视觉智能（Visual Intelligence）的视角切入AI。"人类是深度视觉动物。我们的大量智能建立在视觉、感知和空间理解之上，而不仅仅是语言。"她把物体识别（Object Recognition）定为"北极星问题"（north star problem），因为人类是在物体层面与世界互动——你想端起茶壶时，不会把它分解成一百片瓷器来处理，而是把它看作一个整体。

第二个选择更为关键。她和学生在2006-2007年间观察到，无论研究哪种数学模型——神经网络、贝叶斯网络或其他——都存在一个共同的痛点：这些模型没有足够的数据来训练。她意识到，人类学习和进化本质上就是大数据的学习过程。于是ImageNet项目诞生了。

这是一项极其大胆的尝试：从互联网上精心筛选1500万张图片，构建包含22,000个概念的分类体系（借用了语言学领域的WordNet词库结构），并将其开源给研究社区，还发起了每年一度的ImageNet挑战赛（ImageNet Challenge）。

转折点出现在2012年。多伦多大学杰弗里·辛顿（Geoffrey Hinton）教授带领的团队参加了ImageNet挑战赛，他们使用ImageNet提供的大数据、两台英伟达（NVIDIA）游戏GPU，成功训练出第一个在物体识别上取得重大突破的神经网络——AlexNet。"大数据、神经网络和GPU这三大技术的组合，成为现代AI的黄金配方。"

她特别指出，这个配方至今仍在驱动最前沿的AI。ChatGPT的技术基石同样是这三样东西：互联网规模的数据（主要是文本）、比2012年复杂得多的神经网络架构，以及多了无数倍的GPU。Scale AI创始人Alex Wang早年还曾多次给她发邮件，告知ImageNet对Scale的启发。

还有一个有趣的细节：2015到2016年间，硅谷一些科技公司还刻意避免使用"AI"这个词，因为不确定它是否是个"脏词"。李飞飞回忆，当时反而是她在鼓励大家使用这个词——"对我来说，这是人类在科学和技术探索中提出的最大胆的问题之一。"大约到2017年，硅谷才逐渐有公司开始自称"AI公司"。不到十年后，你已无法找到一家不自称"AI公司"的科技企业了。

四、"AGI更像一个营销术语"——关于通用人工智能的冷静思考

面对"AGI（通用人工智能）何时到来"这个被反复追问的问题，李飞飞给出了科学家式的诚实回答："作为一个科学从业者，我对科学非常认真。我进入这个领域就是被'机器能否像人一样做事情'这个大胆问题所激励的。对我来说，这就是AI的北极星。我不清楚AI和AGI有什么区别。"

她指出，AGI的定义从未统一——从"赋予机器某种超级能力"到"机器能在社会中成为经济上可行的智能体"，众说纷纭。她坦言："AGI更像一个营销术语，而非科学术语。如果图灵今天还活着，你让他对比AI和AGI，他大概会耸耸肩说，'我在1940年代问的就是同一个问题。'"

但这并不意味着她对当前AI的能力感到满足。相反，她认为AI还有巨大的创新空间。一个生动的例子是："你让一个模型观看一段办公室视频然后数一数椅子数量——这是一个幼儿或小学生都能做到的事，今天的AI却做不到。"更深层地说，牛顿能从天体运动中推导出万有引力方程的那种创造性、外推和抽象能力，以及教师在办公室与学生交流时那种细腻的情感与认知智能，今天的AI都远无法企及。"我们才刚刚触及表面。"

五、世界模型与空间智能：AI的下一个前沿

"我一生都在思考如何推动AI向前发展。GPT-2出来的时候（2020年底），公众还没有意识到大语言模型的能力，但我们作为研究者已经看到了未来。然而我来自视觉智能的世界，我一直在想，在语言之外，我们还有太多可以推进的方向。"

她用一个具体场景阐释了这个想法："想象一个混乱的第一响应者现场——火灾、交通事故或自然灾害。你沉浸其中，看着人们如何组织救援、阻止灾情蔓延、扑灭大火。这其中大部分是运动、是对物体和世界的自发理解、是人类的情境感知。语言是其中一部分，但在很多情境下，语言本身并不能帮你扑灭火焰。"

这就是空间智能（Spatial Intelligence）与"世界模型"（World Model）的内涵。李飞飞将连接视觉智能与具身AI（Embodied AI，即机器人学）的关键纽带定义为：理解世界的空间感。2022年起，她基于在机器人学和计算机视觉领域的多年研究，开始系统性地阐述这一理念。2024年，她在TED演讲中正式向公众介绍了空间智能与世界模型。

2024年，她与三位联合创始人——Justin Johnson、Christoph Lassner和Ben Mildenhall——共同创立了World Labs（世界实验室）。公司名称中的"World"正是他们核心理念的体现。她的定义简洁有力："世界模型是一个基础，你可以用它来推理（reason）、交互（interact）和创造（create）世界。"

关于世界模型如何超越语言模型，她举了一个绝妙的例子——DNA双螺旋结构的发现史：罗莎琳德·富兰克林（Rosalind Franklin）拍下的X射线衍射照片只是一张平面的二维图像。但沃森和克里克能够凭借人类的3D空间智能，从这张平面图像中推导出DNA的三维双螺旋结构。"你不可能在二维思维中推导出那个结构。你必须用3D空间思维。所以说，即使在科学发现中，空间智能或AI辅助的空间智能也至关重要。"

六、Marble：全球首个"文字即世界"产品

2025年底，在节目播出同期，World Labs推出了Marble——全球首个能通过文字或图片提示直接生成可导航、可交互的3D世界的产品。李飞飞透露，团队花了超过一年时间攻克"让生成模型输出真正3D世界"这一极其困难的技术难题。大约一两个月前，他们第一次看到模型能够通过一句话、一张或多张图片就创造出可以自由漫步的世界。

"我们把这种能力称为Prompt to Worlds（从提示到世界）。"目前团队约30余人，以研究人员和研究工程师为主，同时也配备了设计师和产品人员。

产品中有个意外的设计亮点：为了引导用户进入生成的世界，工程师们设计了一个"点点"过渡效果——用户可以短暂地看到构成世界的点云结构，然后纹理才会渲染完毕。李飞飞说："很多用户告诉我们这个体验有多令人愉悦。这并非大模型本身的功能，而是一个有意为之的可视化特性，听到用户们这么喜欢，我们非常满足。"主持人将这种体验比作《黑客帝国》（The Matrix）中经典的绿色代码瀑布镜头。

关于应用场景：

• 影视虚拟制作：团队与索尼合作，用Marble生成的3D场景拍摄了产品发布视频。据参与的技术艺术家和导演反馈，"这将制作时间缩短了40倍"。因为项目只有一个月时间，而需要拍摄的内容非常多，Marble大幅加速了视效与电影制作的虚拟制片流程。

• 游戏开发：用户可以将Marble场景导出为网格模型（mesh），直接用于VR游戏或自研游戏。

• 机器人仿真训练：为机器人创建多样化的合成训练数据一直是研究者的痛点。传统方式是人工为每一个训练资产建模，极为耗时。Marble几乎可以瞬间生成大量不同的环境和可操作物体，已有研究者主动联系团队希望将其用于仿真场景构建。

• 心理学研究：一个意料之外的应用来自心理学家团队。他们研究精神疾病患者的脑部对不同沉浸式场景（如整洁vs.凌乱的环境）的反应，但自行创建这些沉浸式场景既昂贵又耗时。Marble能够即时生成大量实验环境，让他们非常兴奋。李飞飞的一位朋友甚至在节目播出前夜打来电话，询问是否能用Marble进行恐高症的暴露疗法。

Marble与Sora等视频生成模型的根本区别在于，World Labs的核心理念是"空间智能的本质不仅仅是观看平面视频"。她引用柏拉图的洞穴比喻（Allegory of the Cave）：被绑在洞穴中的囚徒看着墙上的投影，他的任务是理解墙壁背后真实的3D/4D世界。空间智能正是"从2D信息中理解、创造、推理和交互于深层空间世界"的能力，而不仅仅是被动观看。

七、机器人学的"苦涩教训"：为什么这条路比语言模型更难

当被问到与知名投资人克里斯·迪克森（Chris Dixon，a16z合伙人、World Labs的投资方）建议的话题时，李飞飞深入探讨了理查德·萨顿（Richard Sutton，2024年图灵奖得主）提出的"苦涩的教训"（The Bitter Lesson）在机器人学中的适用性。

"苦涩的教训"的核心论点是：回顾AI算法发展的历史，简单的模型配合海量数据最终总是胜过复杂的模型配合少量数据。李飞飞笑着说："对我来说这不是苦涩的，这是甜蜜的教训。这正是我创建ImageNet的原因。"

但在机器人学中，这条法则面临独特的挑战：

1. 数据获取的困难：语言模型的训练数据和期望输出都是文字/Token（词元），两者完美对齐。但机器人需要输出的是3D世界中的行动，而现有的大量网络视频数据恰恰缺乏这些3D行动信息。"我们有点像在把方钉塞进圆孔。"

2. 物理系统的复杂度："机器人更接近自动驾驶汽车，而不是大语言模型。"这意味着不仅需要"大脑"，还需要物理机身和应用场景。她以自动驾驶的发展为对照：从2005年斯坦福在DARPA挑战赛中胜出、一辆自动驾驶车在内华达沙漠行驶130英里，到今天的Waymo在旧金山街头运营，整整花了20年，而且"还没完全搞定"。自动驾驶车本质上只是"在2D平面上移动、目标是不要碰到任何东西的金属盒子"，而机器人是"在3D世界中运行，目标恰恰是要触碰东西"。这个旅程将漫长得多。

不过她同时强调，深度学习正在加速机器人的"大脑"进化，世界模型的构建也将极大释放机器人所需的训练信息。她说："正因如此，我才投身于机器人学和空间智能，我也对此无比兴奋。"

八、无畏之心：从学者到创业者的跨越

当被问到创立公司一年半以来最深的感悟时，李飞飞坦率地承认：她低估了AI领域竞争的激烈程度。"无论是从模型技术本身，还是从人才争夺来看，这种竞争都激烈得让我有时会陷入偏执。"她没有预料到某些人才的成本会有多高。

但她认为自己相比20岁的创业者，对这段"艰苦的研磨之路"更有准备。毕竟，她19岁开过干洗店，后来在谷歌创立了Google Cloud AI，在斯坦福联合创立了人本AI研究院（HAI）。她在职业生涯中的每一个重大选择，都源于一种特质——"智识上的无畏"（intellectually fearless）。

• 放弃普林斯顿终身教职来到斯坦福：重启终身教职时钟（Tenure Clock），因为在那个时刻，斯坦福的人和硅谷生态太吸引人了。

• 成为SAIL（斯坦福人工智能实验室）的第一位女性主任：当时她作为相对年轻的教授，没有花太多时间考虑失败的可能。

• 加入谷歌：因为想和杰夫·迪恩（Jeff Dean）、杰弗里·辛顿等顶尖人物一起工作。

• 创立World Labs：同样的使命感驱动。

她给年轻AI从业者的建议非常直白：在决定职业选择时，不要把每一个细枝末节都放进方程式里反复计算。最关键的问题是："你的热情在哪里？你认同这个使命吗？你信任这个团队吗？"去关注你能产生的影响、你能与之共事的团队，而不是每时每刻都在计算哪个公司在FOMO的浪潮中看起来"会赢"。

九、斯坦福HAI：架起硅谷与华盛顿之间的桥梁

2018年，李飞飞在谷歌的学术休假即将结束时，面临一个重要抉择：留在工业界还是回到学术界。在谷歌的经历让她深刻意识到，AI将是"文明级的技术"（civilization-level technology）。她在《纽约时报》发表文章，呼吁建立一个以人类福祉和以人为本为核心的AI发展指导框架。

这就是斯坦福人本人工智能研究院（HAI，Human-Centered AI Institute）的由来。她与约翰·埃切门迪（John Etchemendy）教授、詹姆斯·兰迪（James Landay）教授、克里斯·曼宁（Chris Manning）教授等共同发起，将HAI定位为"人类历史上最大的人类中心AI研究机构"。六七年后的今天，HAI已涵盖斯坦福全部八大学院的数百名教授——从医学到教育，从可持续发展到商学，从工程学到人文学科和法律。

HAI的一个独特贡献是架起了硅谷与政策制定者之间的桥梁。李飞飞回忆："当我们创立HAI时，硅谷几乎不和华盛顿特区、布鲁塞尔或世界其他地方交流。"HAI发起了国会训练营、AI指数报告、政策简报会等多种形式的项目，积极参与了包括推动首个国家AI研究云法案（在特朗普第一任期内通过）和参与州级AI监管讨论在内的政策制定。

十、每个人都在AI时代有自己的角色

在访谈的结尾，李飞飞回应了她最常被问到的问题："如果我是音乐家、中学老师、护士、会计或者农民，我在AI中有角色吗？还是AI将接管我的生活和工作？"

她的回答斩钉截铁："这是一个响亮的'是'。每个人都有角色。"

"如果你是一位年轻的艺术家，热爱讲故事，请拥抱AI作为工具——拥抱Marble。你讲故事的方式是独一无二的，世界仍然需要它。但如何用最不可思议的工具以最独特的方式讲述你的故事，这很重要。你的声音需要被听到。"

"如果你是一位即将退休的农民，AI依然与你有关。你是一个公民，你可以参与你的社区，你可以对AI如何被使用、如何被应用发出自己的声音。"

"如果你是一名护士，我希望你知道，在我的整个职业生涯中，我在医疗健康研究上投入了大量精力，因为我相信我们的医护人员应该被AI大大增强和辅助——无论是提供更多信息的智能摄像头，还是机器人辅助。我们的护士过度劳累、极度疲劳，而随着社会老龄化，我们需要更多帮助来照护人们。AI可以扮演那个角色。"

她总结道："硅谷的我们习惯于随意抛出'无限生产力''无限休闲时间'或'无限力量'这样的词。但归根结底，AI关乎的是人。任何技术都不应剥夺人的尊严。人的尊严和自主性应该处于每一项技术的开发、部署和治理的核心。"

相关链接：World Labs 官网 worldlabs.ai，Marble 产品体验 marble.worldlabs.ai。