智東西（公眾號：zhidxcom）
編譯 | 陳駿達
編輯 | Panken
智東西11月17日消息，昨日，斯坦福大學(xué)教授、World Labs聯(lián)合創(chuàng)始人兼CEO李飛飛在海外科技播客Lenny’s Podcast上，分享了她對AI未來的犀利觀點。她認為，AI的發(fā)展不能永遠依賴Scaling Law，更需要根本性的技術(shù)創(chuàng)新；而“通用人工智能”（AGI）更像是一句營銷話術(shù)，而非嚴謹?shù)目茖W(xué)術(shù)語。
李飛飛回顧了自己20多年的科研與創(chuàng)業(yè)經(jīng)歷，總結(jié)出現(xiàn)代AI的黃金配方：神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)與GPU的結(jié)合。時至今日，ChatGPT的成功依然使用了相同的配方。
然而，她同時警告，單靠擴大數(shù)據(jù)規(guī)模和算力的“堆砌”，并不足以實現(xiàn)智能的突破。當(dāng)前的AI仍難以完成許多對人類來說輕而易舉的任務(wù)，例如從視頻中精確數(shù)清物體數(shù)量，或者像牛頓那樣從觀測數(shù)據(jù)中推導(dǎo)物理定律。
李飛飛認為，我們距離真正具備創(chuàng)造力、抽象能力和情感智能的AI系統(tǒng)還有很長的路要走，“如今還有太多AI做不到的事情”。
對于業(yè)界熱議的AGI概念，李飛飛持保留態(tài)度。她認為，AGI的定義模糊，作為科學(xué)家，她更關(guān)注如何解決AI面臨的根本性技術(shù)挑戰(zhàn)，而不是陷入概念爭論的無底洞。
▲李飛飛接受采訪（圖源：Lenny’s Podcast）
作為創(chuàng)業(yè)者，她也坦言AI領(lǐng)域的競爭空前激烈。過去“簡單模型+海量數(shù)據(jù)”的成功經(jīng)驗，也就是所謂的“苦澀的教訓(xùn)”，在機器人等涉及物理世界的應(yīng)用中并不完全適用。自動駕駛的發(fā)展近二十年仍未完全成熟，就是一個典型例子。
而數(shù)據(jù)獲取難、硬件受限，使得在三維空間中操控物體的機器人技術(shù)，面臨比自動駕駛技術(shù)還要大的挑戰(zhàn)。
盡管道路漫長，李飛飛始終堅信，AI的進步是幾代人積累的成果，光靠當(dāng)前的“語言智能”是不夠的。人類在許多關(guān)鍵場景中依賴的是空間智能，研究空間智能，不僅對機器人、具身智能的發(fā)展有極大作用，還能在具身層面增強人類，使我們在空間理解、物體操作和現(xiàn)實世界任務(wù)中獲得新的力量。
以下是對李飛飛本場訪談的精華整理，完整內(nèi)容可參考文末鏈接：
一、從寒冬走出后，現(xiàn)代AI迎來黃金配方
在訪談中，李飛飛回顧起了自己剛剛涉足AI領(lǐng)域時的經(jīng)歷。
2000年，李飛飛開始在加州理工大學(xué)攻讀博士學(xué)位。作為第一代機器學(xué)習(xí)研究員，她的研究重點之一是神經(jīng)網(wǎng)絡(luò)。當(dāng)時，AI還處在少有人問津的“寒冬”。公眾并不關(guān)注這一領(lǐng)域，也沒有那么多資金。
李飛飛的學(xué)術(shù)興趣始終聚焦在視覺智能上。在她看來，如果人類的智能極度依賴視覺，那么機器的智能也必須從“看懂世界”開始。于是，她在自己的博士階段和教學(xué)生涯早期，選擇了最基礎(chǔ)、也最艱難的方向——物體識別。
當(dāng)時，數(shù)據(jù)對AI的重要價值，尚未得到廣泛認可。隨著研究的不斷深入，李飛飛和她的學(xué)生才逐漸意識到：大數(shù)據(jù)，是讓AI活起來的關(guān)鍵要素。
于是，她做出了一個頗具野心的決定——收集互聯(lián)網(wǎng)中所有關(guān)于物體的圖像數(shù)據(jù)。就這樣，2006年左右，ImageNet項目開始了。最終，這一項目收集了1500萬張圖片、2.2萬個物體類別，并擁有每年舉辦的挑戰(zhàn)賽。
這個看似瘋狂的項目成了現(xiàn)代AI的火種。2012年，辛頓團隊使用ImageNet數(shù)據(jù)與兩塊普通游戲GPU，訓(xùn)練出了突破性的神經(jīng)網(wǎng)絡(luò)模型。大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)和GPU這三者的結(jié)合，被李飛飛稱為“現(xiàn)代AI的黃金配方”。
快進十年，當(dāng)ChatGPT橫空出世，讓全世界第一次真正意識到AI的力量時，其背后的三大要素仍然是當(dāng)年那套組合：神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)、GPU。李飛飛認為，兩者之間的區(qū)別只不過是規(guī)模。
雖然常有人稱她為“AI教母”，但李飛飛更愿意強調(diào)：AI的進步不是某個人的奇跡，而是幾代研究者共同的積累。
二、我不知道AI和AGI有什么區(qū)別，圖靈或許也不知道
AGI還有多遠？這一問題幾乎已經(jīng)成為所有AI學(xué)者、大牛和企業(yè)高管在訪談中的必答題。在李飛飛看來，AGI這個概念十分耐人尋味，甚至很少有人能清晰定義。
李飛飛直言：“我進入AI領(lǐng)域是因為受到一個問題的啟發(fā)——機器能否像人一樣思考和行動。從這個角度來看，我不知道AI和AGI有什么區(qū)別。”她還設(shè)想，如果艾倫·圖靈還健在，并被問及AI與AGI的區(qū)別時，他也可能只會聳聳肩說：“我在上世紀(jì)40年代問的是同樣的問題?！?/p>
AI是引領(lǐng)李飛飛前進的“北極星”，她稱自己不想陷入定義AI與AGI的兔子洞，AGI更像是一個營銷話術(shù)，而不是科學(xué)術(shù)語。作為科學(xué)家和技術(shù)專家，她并不在意他人如何稱呼這項技術(shù)。
李飛飛在對話中強調(diào)，盡管更大的數(shù)據(jù)集、更多的GPU和擴展現(xiàn)有模型架構(gòu)仍能帶來性能提升，AI的發(fā)展遠不能只依賴Scaling Law。
當(dāng)前的AI依然無法完成許多連兒童都能輕松做到的任務(wù)，例如在一段視頻中準(zhǔn)確數(shù)清椅子；更不用說像牛頓或愛因斯坦那樣，從觀測中推導(dǎo)出新的自然規(guī)律。即便給AI提供現(xiàn)代儀器收集的全部數(shù)據(jù)，它仍無法重建17世紀(jì)的運動定律。
這些例子表明，我們距離真正具備創(chuàng)造力、抽象能力和情感智能的AI還有很長的路，未來需要根本性的技術(shù)創(chuàng)新，而非簡單的堆疊算力。
近日，李飛飛發(fā)布了一篇萬字長文，詳解了空間智能的概念，并提出AI的下一個前沿是空間智能。在昨日發(fā)布的訪談中，她也分享了類似的觀點。李飛飛認為，僅靠語言智能是不夠的，因為人類在許多關(guān)鍵場景中依賴的是空間智能——例如火災(zāi)、交通事故或自然災(zāi)害現(xiàn)場的應(yīng)急決策。
這些活動需要對物體、動作、空間關(guān)系和情境的即時理解，而不是單靠語言就能完成。她在機器人研究中逐漸意識到，具身智能的關(guān)鍵在于理解三維世界。
在這樣的背景下，“世界模型”成為推動下一階段AI發(fā)展的關(guān)鍵方向。與傳統(tǒng)的語言模型不同，世界模型不僅能根據(jù)文字或圖像生成一個完整的虛擬世界，還能讓智能體在其中進行互動、推理。如果用于機器人，世界模型將成為其規(guī)劃路徑、理解場景、執(zhí)行操作的基礎(chǔ)。
李飛飛強調(diào)，世界模型與空間智能不僅是機器人發(fā)展的關(guān)鍵缺失環(huán)節(jié)，也與人類自身息息相關(guān)。人類本身就是具身智能體，而AI已經(jīng)在語言層面增強了我們的能力，例如寫作或軟件工程；未來，世界模型同樣能夠在具身層面增強人類，使我們在空間理解、物體操作和現(xiàn)實世界任務(wù)中獲得新的力量。
世界模型與空間智能還將深刻影響設(shè)計、工程和科學(xué)發(fā)現(xiàn)。例如，DNA雙螺旋結(jié)構(gòu)的發(fā)現(xiàn)依賴于人類從一張扁平的2D X射線衍射圖像中進行3D空間推理，而這類跨維度的空間抽象正是當(dāng)前AI難以達到的。世界模型若能突破，將使AI具備這種更深層次的空間推理能力。
三、Marble不是視頻生成模型，AI創(chuàng)業(yè)競爭激烈程度很“震撼”
李飛飛還談到了World Labs最近發(fā)布的產(chǎn)品Marble，這是一個基于前沿世界模型的應(yīng)用程序，能夠僅通過一句話或一張圖像生成可探索的三維世界。用戶可以在這些虛擬環(huán)境中自由行走、互動和導(dǎo)航，從而實現(xiàn)創(chuàng)意、設(shè)計、虛擬制作和機器人模擬等多種應(yīng)用。
她強調(diào)，Marble不僅僅是生成二維視頻，而是提供具有真實空間結(jié)構(gòu)的世界，使創(chuàng)作者、游戲開發(fā)者、設(shè)計師和研究者能夠快速生成沉浸式場景。實際案例包括電影虛擬制作、心理學(xué)實驗和機器人訓(xùn)練環(huán)境合成等等。
Marble與視頻生成模型有著本質(zhì)的區(qū)別。李飛飛稱，Marble核心關(guān)注空間智能，強調(diào)對三維和四維世界的理解、互動和推理。同時，平臺支持將場景導(dǎo)出為視頻或網(wǎng)格數(shù)據(jù)，用于創(chuàng)作或模擬。
李飛飛透露，成立18個月的World Labs如今擁有一個大約30人的團隊，主要由研究人員和工程師組成，但也擁有設(shè)計師和產(chǎn)品人員。
李飛飛此前有過不少“創(chuàng)業(yè)”的經(jīng)歷，從19歲時開過的干洗店，到作為AI首席科學(xué)家領(lǐng)導(dǎo)谷歌云的相關(guān)研究，再到斯坦福以人為本AI研究所，她對創(chuàng)業(yè)這件事兒的挑戰(zhàn)性已經(jīng)有了一定心理準(zhǔn)備。
然而，當(dāng)真正投身AI創(chuàng)業(yè)后，她仍被AI領(lǐng)域的激烈競爭所“震撼”，從模型和技術(shù)之爭，到頂尖人才的爭奪，她意識到必須時刻保持警惕。
四、造機器人比造自動駕駛汽車還難，“苦澀的教訓(xùn)”并不適用
李飛飛在訪談中，也談到了強化學(xué)習(xí)先驅(qū)Richard Sutton提出的“苦澀的教訓(xùn)”：簡單模型配合海量數(shù)據(jù)往往比復(fù)雜模型加少量數(shù)據(jù)更有效。對她而言，這并非“苦澀”，而是“甜蜜”的教訓(xùn)，也是她當(dāng)初建設(shè)ImageNet的核心信念。不過，她強調(diào)，這一教訓(xùn)無法簡單套用于機器人領(lǐng)域。
原因首先在于機器人數(shù)據(jù)極難獲取。與語言模型不同，語言訓(xùn)練數(shù)據(jù)是天然結(jié)構(gòu)化的詞與token，輸入與輸出形式高度一致，而機器人真正需要的是三維世界中的動作數(shù)據(jù)。
網(wǎng)絡(luò)視頻雖然豐富，卻缺乏可以直接用于訓(xùn)練行動策略的動作標(biāo)注。因此，機器人訓(xùn)練不得不依靠遙操作數(shù)據(jù)或合成數(shù)據(jù)來補齊。換言之，機器人數(shù)據(jù)不像語言一樣自然“對齊”，這使得苦澀教訓(xùn)中的“大數(shù)據(jù)”假設(shè)難以完全成立。
其次，機器人是物理系統(tǒng)，而不是純軟件模型。與語言模型或視覺模型不同，機器人更像自動駕駛汽車——必須在現(xiàn)實世界中運行、涉及硬件、供應(yīng)鏈、應(yīng)用場景等多種復(fù)雜因素。
李飛飛回顧了自動駕駛的發(fā)展：從2005年斯坦福贏得DARPA挑戰(zhàn)賽至今已近20年，深度學(xué)習(xí)雖然加速了算法進步，但自動駕駛依然未完全解決。而自動駕駛只是簡單得多的機器人，僅需要在二維平面上避免碰撞，相比之下，機器人要在三維空間中操控物體，難度更高。
盡管如此，她依然認為大數(shù)據(jù)、世界模型和空間智能將是機器人突破的關(guān)鍵，只是目前仍處在非常早期的探索階段。
結(jié)語：AI時代里，每個人都有屬于自己的一席之地
在訪談的尾聲，李飛飛主動談起了全球范圍內(nèi)對AI是否會取代人類的普遍焦慮。她認為，任何技術(shù)的發(fā)展都不應(yīng)以犧牲人的尊嚴與能動性為代價，這應(yīng)當(dāng)成為技術(shù)開發(fā)、部署與治理的核心準(zhǔn)則。
無論是年輕藝術(shù)家利用AI進行創(chuàng)作，還是臨近退休的農(nóng)民作為公民參與對AI的監(jiān)管決策，抑或是護士在AI的輔助下從繁重的工作中解脫，AI的真正價值，在于成為增強人類能力、服務(wù)于人類需求的賦能者。
對于AI取代人類的終極命題，李飛飛給出了一個明確而有力的回答：在AI時代里，每個人都有屬于自己的一席之地。
來源：
https://www.youtube.com/watch?v=Ctjiatnd6Xk
