1、空間智能是AI的下一個(gè)前沿領(lǐng)域
主持人：很高興能親眼見(jiàn)證World Labs在過(guò)去一年中所取得的進(jìn)展。讓我們先來(lái)聊聊你們正在做的事情，以及它為何如此重要。
李飛飛：現(xiàn)在我每天醒來(lái)腦子里只思考一件事，那就是空間智能(spatial intelligence)。大約兩年前，我與一群年輕的技術(shù)專家共同創(chuàng)立了World Labs。為什么空間智能如此重要？我認(rèn)為它是AI的下一個(gè)前沿領(lǐng)域。如果從進(jìn)化的角度看待智能發(fā)展，這段歷史可以追溯到5億多年前。最先開(kāi)啟神經(jīng)系統(tǒng)演化競(jìng)賽的是感知而非語(yǔ)言。相比之下，語(yǔ)言是一種非常新穎的智能形式，歷史大概只有50萬(wàn)年。但在15億年前，動(dòng)物就開(kāi)始感知光線并觸摸環(huán)境，從而產(chǎn)生了觸覺(jué)、視覺(jué)、本能和知覺(jué)。
“本能”這個(gè)詞雖然有些模糊，但不可否認(rèn)的是，正是通過(guò)觸覺(jué)和視覺(jué)與物理世界進(jìn)行身體接觸，才開(kāi)啟了神經(jīng)系統(tǒng)的發(fā)育，引發(fā)了動(dòng)物進(jìn)化的軍備競(jìng)賽。這使得生物在與環(huán)境交互中變得越來(lái)越活躍，也越來(lái)越智能。我想表達(dá)的是，在真實(shí)的3D、4D物理世界中進(jìn)行理解、推理、交互和導(dǎo)航的能力是基礎(chǔ)性的，與語(yǔ)言智能同樣重要。這一核心關(guān)鍵技術(shù)就是空間智能。這就是為什么我認(rèn)為它是AI的下一代前沿領(lǐng)域，也是World Labs一直致力于構(gòu)建的目標(biāo)。
主持人：請(qǐng)跟我們聊聊Marble，這是你們最近剛剛發(fā)布的產(chǎn)品。究竟什么是Marble？
李飛飛：Marble是我們第一代空間智能模型。雖然我們常隨口稱其為世界模型(world model)，但鑒于目前關(guān)于世界模型的定義繁多，稱謂其實(shí)并不重要。本質(zhì)上，這是一個(gè)前沿的空間智能模型。Marble能接收多模態(tài)輸入，無(wú)論是句子、圖片、視頻還是簡(jiǎn)單的3D輸入，并將這些提示詞轉(zhuǎn)化為一個(gè)完全可導(dǎo)航、可交互且具有永久一致性的3D世界。這與大家現(xiàn)在看到的視頻模型截然不同，Marble生成的環(huán)境擁有幾何結(jié)構(gòu)，支持模擬機(jī)器人動(dòng)作或編寫游戲代碼等操作。
李飛飛：我們大約兩個(gè)月前發(fā)布了Marble。雖然它仍處于起步階段，是第一代產(chǎn)品，但作為最先進(jìn)的3D生成式世界模型，我們對(duì)開(kāi)啟這段旅程感到非常激動(dòng)。
主持人：有一種觀點(diǎn)認(rèn)為，如果僅僅依賴語(yǔ)言模型，我們將無(wú)法實(shí)現(xiàn)AGI，必須對(duì)自身的物理性進(jìn)行某種增強(qiáng)。您顯然深信這一點(diǎn)。那么請(qǐng)談?wù)勥@個(gè)維度，隨著時(shí)間推移，未來(lái)五年最重要的突破點(diǎn)會(huì)是什么？除了機(jī)器人技術(shù)這個(gè)顯而易見(jiàn)的用例，還有哪些我們今天無(wú)法想象的應(yīng)用？
李飛飛：其實(shí)不需要等五年，我們的用戶和客戶已經(jīng)開(kāi)始嘗試早期版本的模型了。我們看到用戶利用它開(kāi)發(fā)游戲；視覺(jué)特效(VFX)客戶將其用于商業(yè)化的虛擬制作場(chǎng)景；包括Nvidia在內(nèi)的大公司、初創(chuàng)企業(yè)及學(xué)術(shù)實(shí)驗(yàn)室等合作伙伴，正在利用Marble作為訓(xùn)練環(huán)境來(lái)訓(xùn)練機(jī)器人；建筑師和設(shè)計(jì)師則用它進(jìn)行室內(nèi)設(shè)計(jì)。
我們還發(fā)現(xiàn)了一些意想不到的用例。例如，臨床研究人員對(duì)Marble表現(xiàn)出了極大的熱情。大量的精神病學(xué)和心理健康研究及干預(yù)手段都需要沉浸式環(huán)境，且需針對(duì)特定情況進(jìn)行個(gè)性化定制。以強(qiáng)迫癥(OCD)為例，患者會(huì)被非常具體的場(chǎng)景觸發(fā)，比如我個(gè)人會(huì)被堆積的臟衣服困擾，但每個(gè)人的觸發(fā)點(diǎn)各不相同。研究人員發(fā)現(xiàn)搭建實(shí)體環(huán)境非常困難，而Marble只需輸入提示詞，幾分鐘內(nèi)就能生成各種不同類型的環(huán)境。
此外，還有人將其用于健身訓(xùn)練，比如個(gè)性化的瑜伽環(huán)境。隨著Marble不斷完善，畢竟我們現(xiàn)在還處于早期階段，我相信未來(lái)會(huì)看到越來(lái)越多橫向的應(yīng)用場(chǎng)景。
2、AI的社會(huì)價(jià)值
主持人：你進(jìn)入AI行業(yè)已經(jīng)很長(zhǎng)時(shí)間了。
李飛飛：這是在委婉地討論我的年齡。
主持人：不，我的意思是，你不僅僅是那種跟風(fēng)研究了三年的人，而是將畢生精力都奉獻(xiàn)給了AI。當(dāng)你創(chuàng)立這家公司并著手構(gòu)建空間智能時(shí)，最讓你感到驚訝的是什么？
李飛飛：這個(gè)問(wèn)題問(wèn)得很好。正如我們討論過(guò)的，即便到了我們這個(gè)年紀(jì)，保持求知欲和學(xué)習(xí)能力依然是最重要的事情。我投身AI領(lǐng)域已經(jīng)很多年了，最初是因?yàn)閺?qiáng)烈的好奇心，我想探索什么是智能以及如何讓機(jī)器變得智能。當(dāng)時(shí)AI還是一個(gè)無(wú)人問(wèn)津的冷門領(lǐng)域，大家甚至不知道怎么拼寫AI，那段時(shí)光非常有趣。但過(guò)去十年發(fā)生了翻天覆地的變化，AI對(duì)我而言不再僅僅是個(gè)人層面的追求，它已經(jīng)上升到了文明層面。這讓我作為教育者和企業(yè)家多了一層責(zé)任感，不僅要在技術(shù)上做出貢獻(xiàn)，還要推動(dòng)其健康發(fā)展。
作為企業(yè)家，最讓我驚訝的有幾點(diǎn)。首先是過(guò)去幾年AI的發(fā)展速度令人屏息。無(wú)論我們外表如何淡定，內(nèi)心深處都難免焦慮，因?yàn)橛刑嗟恼撐囊x、太多的博客、新聞和模型發(fā)布。這種焦慮感正是我們這個(gè)時(shí)代的寫照，技術(shù)正以驚人的速度推動(dòng)我們前進(jìn)。這讓我既興奮又清醒，正如蘇格拉底所言“我一無(wú)所知”，我希望大家不要放棄學(xué)習(xí)，保持好奇心。
另一點(diǎn)讓我驚訝甚至擔(dān)憂的是關(guān)于AI的極化言論。網(wǎng)絡(luò)上的討論往往是非黑即白的：要么是完全的技術(shù)烏托邦主義，忽略了技術(shù)是一把雙刃劍；要么就是末日論調(diào)，仿佛人類時(shí)刻面臨生存危機(jī)。對(duì)于一項(xiàng)對(duì)人類文明如此深遠(yuǎn)的技術(shù)，這種討論方式是不負(fù)責(zé)任的。主動(dòng)權(quán)掌握在每一位企業(yè)家、產(chǎn)品經(jīng)理、工程師和公民手中，我們需要具備能動(dòng)性來(lái)引導(dǎo)技術(shù)的發(fā)展。我真心希望在邁向2026年及未來(lái)的過(guò)程中，我們能更客觀、細(xì)膩且心懷仁慈地看待AI，既保持樂(lè)觀，又肩負(fù)起責(zé)任，而不是為了博取眼球去發(fā)表極端言論。
主持人：在你心中，未來(lái)幾年AI取得什么樣的成果才算成功？我很喜歡你提到的這種兩極分化的觀點(diǎn)，要么工作全部消失盯著大海發(fā)呆，要么技術(shù)完全沒(méi)用。
李飛飛：如果我們把時(shí)間回?fù)芤话俣嗄辏胂笠幌庐?dāng)時(shí)的人們?nèi)绾味x電力的成功。很難想象那個(gè)版本的我們能預(yù)見(jiàn)到今天的景象，但我希望那時(shí)的愿景是：學(xué)校燈火通明，家園溫暖如春，機(jī)器被賦予力量實(shí)現(xiàn)工業(yè)化，進(jìn)而延長(zhǎng)人類壽命，讓更多孩子接受教育。這就是技術(shù)和AI的意義，是一種永恒的價(jià)值。成功的定義應(yīng)該是文明變得更加美好，而文明是由每一個(gè)追求幸福、繁榮且擁有尊嚴(yán)的個(gè)體組成的。這就是AI以及每一項(xiàng)技術(shù)成功的定義。
3、世界模型與具身智能的技術(shù)難點(diǎn)
主持人：接下來(lái)我們談?wù)剳?zhàn)術(shù)層面。Large World Models（大型世界模型）的計(jì)算密集度是否與Language Models（語(yǔ)言模型）相當(dāng)？
李飛飛：首先，存在不同種類的大型世界模型。我們致力于創(chuàng)建具有顯式3D表示的世界模型，以賦能機(jī)器人、游戲、娛樂(lè)和設(shè)計(jì)等領(lǐng)域。還有一類通常被稱為世界模型的其實(shí)是視頻生成模型。目前我們的模型規(guī)模并沒(méi)有那么大。從宏觀視角來(lái)看，GPT-5的訓(xùn)練量大約在10的26次方flops（每秒浮點(diǎn)計(jì)算）左右，而我們的Marble模型在規(guī)模上仍要小幾個(gè)數(shù)量級(jí)。
主持人：這僅僅是因?yàn)闆](méi)有足夠的數(shù)據(jù)來(lái)喂給這些模型嗎？
李飛飛：我認(rèn)為兩者兼而有之。規(guī)模化確實(shí)始于數(shù)據(jù)和模型參數(shù)，數(shù)據(jù)起到了重要作用。但另一方面，這個(gè)領(lǐng)域還處于早期階段。Transformer論文發(fā)表于2016年左右，語(yǔ)言模型的發(fā)展已經(jīng)快十年了，而世界模型是一個(gè)新得多的領(lǐng)域。雖然過(guò)去兩年我們降低了一些科學(xué)風(fēng)險(xiǎn)，但仍處于探索模型架構(gòu)的相對(duì)早期階段，所以規(guī)模較小。不過(guò)考慮到我們實(shí)驗(yàn)室以及整個(gè)領(lǐng)域的進(jìn)展，接下來(lái)的幾年將會(huì)非常令人興奮，我們將見(jiàn)證大型世界模型在Scaling Law（規(guī)模定律）曲線上的飛躍。
主持人：這讓我很著迷。語(yǔ)言模型是在互聯(lián)網(wǎng)上免費(fèi)、公開(kāi)的數(shù)據(jù)上訓(xùn)練的，獲取海量數(shù)據(jù)相對(duì)容易。但物理數(shù)據(jù)很難獲取，因此合成數(shù)據(jù)（Synthetic Data）變得至關(guān)重要，同時(shí)你也需要以更慢的速度去收集真實(shí)數(shù)據(jù)。這帶來(lái)了哪些限制？世界模型的進(jìn)步速度會(huì)因此變慢嗎？我們會(huì)擁有通用機(jī)器人，還是因?yàn)閿?shù)據(jù)限制只能擁有專用機(jī)器人？
李飛飛：這是一個(gè)信息量很大的問(wèn)題。在World Labs，我們采取混合數(shù)據(jù)策略。我非常羨慕研究語(yǔ)言的朋友，因?yàn)檎Z(yǔ)言數(shù)據(jù)的輸入是完全可觀測(cè)的、單一模態(tài)的，且含義清晰。而像素或體素構(gòu)成的3D世界則要混亂得多。為了突破技術(shù)極限創(chuàng)造3D、4D世界，我們必須意識(shí)到我們并沒(méi)有海量的3D數(shù)據(jù)。因此我們采取分層混合方法：利用互聯(lián)網(wǎng)規(guī)模的文本、圖像和視頻，結(jié)合模擬數(shù)據(jù)，再加上真實(shí)世界采集的數(shù)據(jù)。這就像自動(dòng)駕駛公司花費(fèi)數(shù)十年收集真實(shí)和模擬數(shù)據(jù)一樣。
至于速度，雖然數(shù)據(jù)獲取難，但算力在增強(qiáng)，芯片在進(jìn)步，整個(gè)生態(tài)系統(tǒng)也在成熟。我們現(xiàn)在合作的數(shù)據(jù)供應(yīng)商在三年前甚至不存在。合成數(shù)據(jù)確實(shí)發(fā)揮了很好的作用，而且我們正在制作的模型也將反過(guò)來(lái)為模擬世界貢獻(xiàn)數(shù)據(jù)，形成飛輪效應(yīng)。
關(guān)于通用機(jī)器人，這幾句話就能概括，但做起來(lái)很難。我在斯坦福運(yùn)營(yíng)機(jī)器人實(shí)驗(yàn)室十多年，作為科學(xué)家，我必須承認(rèn)這是一個(gè)極具挑戰(zhàn)的問(wèn)題?？辞灞睒O星并不意味著旅程會(huì)很短。回想2006年，我和同事帶領(lǐng)團(tuán)隊(duì)創(chuàng)造了第一輛在沙漠行駛138英里的自動(dòng)駕駛汽車，當(dāng)時(shí)我們預(yù)言20年后會(huì)有自動(dòng)駕駛汽車。直到去年，Waymo才開(kāi)始在城市街道大規(guī)模運(yùn)行，這確實(shí)是一段漫長(zhǎng)的旅程。
汽車與機(jī)器人的區(qū)別在于，汽車可以被視作一個(gè)在二維平面上移動(dòng)的方塊機(jī)器人，它的目標(biāo)是不要碰到任何東西。而機(jī)器人是一個(gè)三維實(shí)體，在三維世界中運(yùn)行，通用機(jī)器人的目標(biāo)是必須接觸物體而不破壞它們。這是一個(gè)更高維度的問(wèn)題，加上手部模擬的極高難度、視覺(jué)的精準(zhǔn)度以及空間理解的需求，挑戰(zhàn)巨大。這就是我創(chuàng)立World Labs的原因。我不喜歡過(guò)度承諾，但這確實(shí)是我們致力于解決的重要問(wèn)題。
主持人：最后，對(duì)于企業(yè)界人士，他們應(yīng)該如何看待世界模型、物理AI以及你正在思考的整個(gè)領(lǐng)域？
李飛飛：雖然我的思維方式有時(shí)候還像個(gè)研究生，總想著要有免費(fèi)食物才行，但對(duì)于企業(yè)而言，World Labs非常樂(lè)意與合作伙伴交流。世界模型和空間智能是一項(xiàng)橫向技術(shù)。我們談?wù)摍C(jī)器人、模擬和沉浸式交互娛樂(lè)，但這不僅僅局限于此。我們還沒(méi)有深入探討醫(yī)療保健、教育產(chǎn)品、現(xiàn)場(chǎng)服務(wù)、金融服務(wù)、農(nóng)業(yè)制造、倉(cāng)儲(chǔ)檢測(cè)以及城市規(guī)劃等領(lǐng)域。利用空間智能我們可以做的事情還有很多，這確實(shí)是下一個(gè)前沿領(lǐng)域，我邀請(qǐng)大家無(wú)論是與我們合作還是獨(dú)立開(kāi)展研究，都加入到這個(gè)進(jìn)程中來(lái)。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論