#模型时代# 没有空间智能，AI一定是不完整的，李飞飞最新访谈：语言在自然世界中并不存在，世界模型将让人类在多元宇宙中生活

斯坦福大学教授、World Labs联合创始人兼CEO李飞飞最近连续接受了a16z和No Priors两个科技投资播客的访谈。我比较了一下，两期播客中，李飞飞都详细介绍了自己的AI愿景，但相对而言，a16z讲得更系统，No Priors这期则谈得个人化。在a16z节目中，与她对话嘉宾之一是a16z普通合伙人Martin Casado，他不仅是World Labs的早期投资者，也是李飞飞创业团队的兼职成员，据说经常去公司上班。我接下来，着重介绍一下a16z这期访谈。

2024年9月，李飞飞的神秘初创公司World Labs正式浮出水面，宣布完成2.3亿美元融资，估值超过10亿美元。更令人惊叹的是，这家公司从成立到独角兽仅用了4个月时间——2024年4月成立时估值2亿美元，7月就飙升至10亿美元。

然而，真正让World Labs引起关注的不是融资数字，而是其技术愿景的根本性差异。当整个AI圈都在追逐大语言模型的能力边界时，李飞飞选择了一条截然不同的道路：专注于"空间智能"——让AI理解3D物理世界的运作方式。语言虽然是思想的强大编码，但它并非物理世界的有效编码。从DNA双螺旋的发现到现代机器人技术，真正的智能突破往往发生在三维空间的理解和操作层面。

一、寻找理想合作者：技术深度与商业洞察的完美融合

当Erik Torenberg请Martin Casado代为介绍李飞飞的贡献时，他选择了一个独特的角度。在那些显而易见的成就——Twitter董事会成员、Google高管、World Labs创始人兼CEO——之外，Martin强调了一个更为根本的贡献："李飞飞真正独特地将数据引入了AI等式中，而现在我们认识到这实际上是更大的问题，更有趣的问题。"

这个评价并非夸大。她主导创建的ImageNet数据集成为整个计算机视觉领域的基石，但更深层的哲学在于她对智能本质的思考。正如她反复强调的，"我的知识之旅不是关于公司或论文，而是关于找到北极星问题。"

李飞飞在选择投资人时展现出的策略性思考，反映了World Labs项目的复杂性。她坦言自己在寻找"独角兽投资人"——既是成功的投资者，又是深度的技术专家，"是计算机科学家，是AI的学生，理解产品市场、客户获取和市场推广"，更重要的是，能够"每天每时每刻都可以通过电话或面对面地作为知识伙伴"。

Martin Casado恰好符合了所有这些要求。作为在斯坦福完成博士学位的计算机科学家，他们相识超过十年，从李飞飞 2009年作为年轻助理教授加入斯坦福时起。更有趣的是两人思想同步的过程。Martin回忆说，在那次关键的午餐会之前，他已经通过大量图像投资得出了独立结论：LLM不是故事的终点。

当李飞飞提出"世界模型"概念时，他立即产生了共鸣。为了验证这种思想契合度，李飞飞做了一个巧妙的测试。她邀请Martin到斯坦福校园喝咖啡，直接要求他定义什么是世界模型。Martin的回答让她印象深刻："一个真正理解世界3D结构、形状和组合性的AI模型"——这正是她想要表达的核心概念。

这种验证过程揭示了一个重要事实：在当时的投资和技术圈中，真正理解世界模型概念的人极其稀少。李飞飞坦承，"说实话，大多数人都不理解。当我说世界模型时，他们点头，但我可以感觉到那是礼貌的点头。"这种理解上的稀缺性，让Martin的加入显得更加珍贵。

二、超越语言的局限：空间智能的根本价值

当Erik Torenberg询问为什么要创立另一家基础模型公司时，李飞飞的回答揭示了她对智能本质的深刻理解。她的出发点不是商业机会，而是一个根本性的认知："语言是思想和信息的令人难以置信的强大编码，但它实际上不是3D物理世界的强大编码。"

这个洞察建立在对人类智能和动物进化的深度观察之上。李飞飞指出，如果审视人类智能，很多都超出了语言的范畴。语言虽然重要，但它是"捕捉世界的有损方式"，更重要的是，"语言是纯粹生成的，语言在自然界中并不存在。"

当我们环顾四周时，看不到音节或单词，而整个物理感知视觉世界就在那里。动物的整个进化史都建立在"感知和最终具身智能"之上。人类不仅生存、生活、工作，更重要的是"我们通过构建世界和改变世界来建立文明"。

Martin Casado通过一个简单而有力的思想实验说明了这个差异。他描述道："如果我把你放在一个房间里，蒙住你的眼睛，只是描述房间，然后要求你执行任务，你能够完成的概率很小。" 即使详细描述"前面10英尺有一个杯子，左边是这样的"，这种基于语言的信息传递"是传达现实的非常不准确的方式，因为现实太复杂、太精确了"。

相比之下，如果摘掉眼罩直接看到空间，"你的大脑正在做的实际上是重建3D，然后你实际上可以去操作和触摸东西"。这个对比清楚地表明，在处理高层次想法和交流时我们使用语言处理，但当涉及导航真实世界时，我们真正依赖的是世界本身以及我们重建世界的能力。

这种认知差异在进化时间线上也得到了体现。Martin指出了一个关键的进化悖论：尽管我们在机器人技术上投入了巨大努力（仅自动驾驶汽车就投资了1000亿美元），语言模型却首先取得了突破。

正如李飞飞所解释的，"我们大脑中处理语言的部分实际上是相当新近的，所以我们在这方面实际上相当低效"。因此计算机在语言处理上超越人类并不令人惊讶。但大脑中进行导航的部分、空间部分已经存在了数百万年，甚至可以追溯到爬行动物大脑，有5亿年的历史。这意味着我们实际上是在"展开进化"，而空间智能代表着更为古老和根本的智能形式。

三、科学发现的空间本质：从DNA到巴克球

李飞飞用两个经典的科学发现案例，生动地说明了空间智能在人类最高水平智慧活动中的核心作用。DNA双螺旋结构的发现是她提到的第一个案例。这个改变生物学和医学历史的发现，核心在于对"3D空间中双螺旋"的理解。李飞飞强调："绝对没有办法仅仅使用语言来推理出这个结构。"

第二个案例是巴克球（Buckyball），她称之为"我最喜欢的科学例子之一"。这种碳分子结构"如此美丽地构建"，其发现同样依赖于对三维空间关系的深度理解。这些例子共同说明了"空间和3D世界是多么令人难以置信的深刻"。

这些科学发现的共同特点是：它们都需要研究者在心智中构建和操作复杂的三维模型。这种能力不能简化为语言处理，而是需要一种根本不同的认知机制——空间智能。正是这种智能形式，使得人类能够在从"古老动物一直到人类最具创新性的发现"的广泛范围内取得突破。

这些科学案例还揭示了另一个重要洞察：最具突破性的人类智慧活动往往发生在语言无法充分描述的维度。DNA的双螺旋结构、巴克球的精巧几何形状，这些都需要超越语言的认知能力。这进一步证明了World Labs选择的技术路径不仅是正确的，而且是必要的。

四、多元宇宙愿景：从单一现实到无限创造

李飞飞描绘的未来愿景具有令人震撼的宏大性。她指出了人类文明史上的一个根本性限制："在整个人类文明中，我们作为人类集体都生活在一个3D世界中，那就是地球的物理3D世界。" 虽然少数人登上了月球，但这仍然是"一个世界"的概念。

然而，数字虚拟世界的出现将彻底改变这种局限。通过World Labs开发的技术——她称之为"生成和重建的结合"——人类将能够创造出"无限的宇宙"。这些宇宙将服务于不同的目的："有些用于机器人，有些用于创意，有些用于社交，有些用于旅行，有些用于讲故事。"

Martin Casado通过具体的技术描述，让这个愿景变得更加具体可感。他解释说，这些模型能够"接受世界的一个视图，比如世界的2D视图，然后实际上创建一个完整的3D表示，包括你看不到的东西，比如桌子的背面"。这种能力使得计算机可以"操作它、移动它、测量它、堆叠它"——任何你在空间中能做的事情，都可以数字化实现。

更重要的是生成能力的突破。填充桌子背面的能力意味着你可以填充从未存在过的东西。这意味着仅仅从一张2D图片，就可以"创建一个360度的一切视图"，实现"完全生成性"的创造。

这种愿景的实现将带来创意工作的革命。"创意是非常视觉化的"，从设计到电影，从建筑到工业设计，"创意不仅仅是为了娱乐，它可以用于生产力、机械以及许多事情"。机器人技术也将获得根本性提升。在李飞飞的定义中，"机器人对我来说是任何有身体的机器，不仅仅是人形机器人或汽车"。

五、立体视觉的缺失：一次意外带来的深刻洞察

李飞飞分享了一个极其个人化但具有深刻科学意义的经历。大约五年前，由于角膜受伤，她失去了立体视觉几个月，这意味着她只能用一只眼睛观看世界。

作为一名视觉科学家，这段经历为她提供了独特的实验机会。尽管她的大脑"一生都经过立体视觉训练"，即使用一只眼睛看，她仍然能够"知道3D世界看起来是什么样子"。然而，这种基于经验的补偿并不能完全替代真正的立体视觉。

最触目惊心的体验是驾驶时的困难。她发现自己"害怕开车"，首先是"无法上高速公路，那种速度我无法承受"。即使在熟悉的社区小路上驾驶，问题依然严重。她意识到自己"无法很好地测量我的车和停在小路上的邻居车辆之间的距离"。

这种困难的程度令人震惊。尽管她"对我的车有多大、邻居停放的车有多大有完美的理解，我认识这些道路很多年了"，但在实际驾驶中，她"必须开得很慢，几乎每小时10英里，这样我就不会刮伤汽车"。

这个个人经历完美地说明了3D感知的不可替代性。即使拥有丰富的经验知识和对环境的熟悉程度，缺乏真实的深度感知仍然会导致基本空间任务的严重困难。这种真实的经历比任何理论论证都更有说服力地证明了3D感知对于空间任务的关键重要性。

六、技术突破的时机：汇聚顶尖人才攻克前沿难题

当Erik Torenberg询问这个领域的研究现状时，李飞飞坦承这是一个"与LLM相比绝对较新的研究领域"。然而，她也澄清说"说全新并不完全公平，因为在计算机视觉领域，我们作为一个领域一直在做零散的工作"。

她详细介绍了几个关键的技术突破。首先是神经辐射场（Neural Radiance Fields，简称NERF），这项工作由World Labs联合创始人Ben Mildenhall和他在伯克利的同事们完成。这是"一种使用深度学习进行3D重建的方法，大约四年前真正席卷了世界"。

另一个重要贡献来自联合创始人Christoph Lassner的开创性工作，他的研究是高斯泼溅表示（Gaussian Splat representation）开始变得非常流行的部分原因，作为表示3D、体积3D的一种方式。第三位联合创始人Justin Johnson曾是李飞飞的学生，他"是第一代深度学习计算机视觉学生之一"，在图像生成和风格转移方面做了大量基础工作。

李飞飞强调，虽然"学术界在发生事情，工业界也在发生事情"，但World Labs的独特之处在于"我们有信念，我们将全力以赴解决这一个单一的大北极星问题"。这种专注体现在团队构成上："世界上最聪明的人在计算机视觉、扩散模型、计算机图形学、优化、AI、数据方面。所有这些人都进入这一个团队，努力使这项工作成功并将其产品化。"

Erik Torenberg从外部观察者的角度提供了重要洞察。他认为"解决这个问题，你需要AI和图形学两方面的专家"。AI专家负责"数据和模型，比如实际的模型架构"，而图形学专家则处理"如何在计算机内存中表示这些东西，然后在屏幕上显示"。这种跨学科的团队构建反映了问题本身的复杂性——空间智能的实现需要多个技术领域的深度整合。

World Labs的策略清晰地体现了李飞飞一直以来的哲学：专注于根本性问题，汇聚最优秀的人才，进行产业级的集中攻关。正如她所说，"集中的产业级努力、专注的努力，在计算、数据、人才方面真正是将其变为现实的答案"。这种方法不仅是技术选择，更是对当前AI发展阶段的深刻理解：某些突破需要超越学术研究的资源投入和工程集成能力。 http://t.cn/A6e6zBUV