李飛飛自曝詳細創業經歷：五年前因眼睛受傷，堅定要做世界模型

一水 2025-06-10 10:49:16 來源：量子位

因為眼睛受傷暫時失去立體視覺，李飛飛更加堅定了做世界模型的決心。

在a16z的最新播客節目中，“AI教母”李飛飛講述了五年前因為一次角膜損傷暫時失去立體視覺的經歷：

盡管憑借多年經驗能想象出三維世界，但一只眼睛看東西時，我開始害怕開車。

但作為一名科學家，她也把這次經歷當成一次寶貴的“實驗”機會。

這次生病讓她明白了立體視覺對空間交互具有決定性作用，“就像語言模型處理文本時需要理解上下文，物理世界的交互也必須建立在三維空間表征基礎上”。

整體而言，李飛飛在節目中解釋了為什么空間智能是當今AI系統關鍵且缺失的部分，以及她的新公司如何應對這一挑戰。

同時，另一位嘉賓Martin Casado（ a16z合伙人、李飛飛公司早期投資者）也分享了二人在世界模型上達成共識的故事，并從投資者的角度分析了世界模型的潛力和價值。

省流版如下：

• “數據驅動范式”所爆發的能量，至今遠超李飛飛當初創建ImageNet時的想象；
• 創辦World Labs并非跟風基礎模型創業潮，而是源于對智能本質的持續探索；
• 要實現世界模型這一愿景，需要集結產業級的算力、數據和人才密度；
• 動物通過5億年進化出的三維認知系統，遠比人類晚近出現的語言系統更精妙；
• 當前的技術突破點在于，如何讓AI像人類一樣，從單目視覺輸入中重建完整三維場景理解。

值得一提的是，嘉賓們深入淺出的講解方式也獲得了網友一致好評：

下面具體來看。

構建能真正理解物理世界的AI模型

李飛飛自述，其實早在大語言模型（LLM）興起之前，她就深刻意識到了構建世界模型（LWM）的重要性。

這不僅和她之前生病的經歷有關，更主要的是和她一直以來的學術經歷相符。

回顧博士和教授生涯，若以今日認知審視過去十年AI的發展軌跡，最令李飛飛震撼的恰恰是她曾倡導的“數據驅動范式”所爆發的能量。

當年她帶領團隊開發了一個名為ImageNet的視覺識別系統，這個系統收錄了超過1000萬張經過精確標注的圖片，迅速成為全球規模最大的圖像資料庫之一，以此徹底改變了計算機視覺和深度學習的研究格局。

不過在她看來，如今由大規模數據驅動的模型所展現出的“類思維機器涌現行為”，仍遠超其最初的想象。

這種矛盾感促使她不斷追問：當業界都在追逐語言模型時，我們是否忽略了更本質的維度？

選擇創辦World Labs，李飛飛自述并非跟風基礎模型創業潮，而是源于對智能本質的持續探索。

在她眼里，語言固然是思想和信息的高效編碼載體，但它對三維物理世界的表征存在天然缺陷——

我們生存的實體空間充滿動物演化史沉淀的感知智能，而語言只是人類文明后期產生的有損壓縮符號。

環顧自然，沒有漂浮的詞匯表，只有具象的物質世界。

這種認知讓她確信：真正的通用智能必須建立在對物理空間結構、物體組合關系的理解之上。

這也是World Labs的使命，即構建能真正理解物理世界的AI模型，用集中攻堅的方式，讓AI真正理解我們生活的三維世界。

創立World Labs的契機

當李飛飛構思World Labs時，她需要的不僅是資金支持，更渴望找到思想共鳴的伙伴。

而這個人就是a16z合伙人、李飛飛公司早期投資者Martin Casado。

作為斯坦福大學2009年入職的年輕助理教授，李飛飛與當時即將獲得博士學位的Martin早有交集。不過后來Martin轉型成為企業家和投資人，而她則深耕人工智能領域，被譽為“AI教母”。

在一次關于LLM的學術聚會上，當眾人熱議語言模型時，李飛飛向Martin提出：

我們缺失的是世界模型（world model）。

就是這樣一句話，瞬間點燃了二人的合作火花。與其他投資人禮貌性點頭不同，他們后來又在斯坦福校園展開深談，而Martin對三維世界的理解令李飛飛印象深刻。

Martin在節目中解釋道，蒙眼狀態下僅靠語言描述在房間執行任務幾乎不可能成功，因為語言對物理空間的轉譯是低效且失真的。但摘下眼罩后，大腦瞬間重構三維空間的能力讓我們能精準抓取杯子、避開障礙，這種對物理世界的即時建模才是智能的根基。

換句話說，語言適合傳遞抽象概念，但應對實體世界必須依賴空間智能，這正是當前AI最欠缺的能力。

同時他也提到，自動駕駛行業投入上千億美元仍未能完美解決二維導航問題，而語言模型卻突然以驚人效率處理了文本任務。這種反差讓他意識到，生成式AI已經提供了去做其他事情的契機。

這些想法也得到了李飛飛的認同，她表示，“這與我多年的思考完全契合”。

盡管ChatGPT等語言模型的成功令人振奮，但我始終堅信世界模型才是智能的下一里程碑。

李飛飛再次表示，這并非否定語言的價值，而是指出其局限性——

當我們需要建造機器人、設計新材料或探索虛擬宇宙時，必須讓AI獲得類似生物的空間認知能力。從遠古動物到現代人類，所有改變物理世界的創造行為，本質上都是三維智能的體現。

一旦世界模型取得突破，我們可以創造無限虛擬宇宙：有些為機器人訓練設計，有些用于社交體驗，還有些專屬于敘事藝術或旅行探索。

這種能力將人類帶入真正的多元宇宙時代。想象一下，建筑師能在數字世界瞬間構建城市原型，科學家可以在分子級3D空間模擬新材料的合成。

關鍵在于突破“視野之外”

在想法上達成一致后，投身創業的李飛飛意識到：

要實現世界模型這一愿景，需要集結產業級的算力、數據和人才密度。

具體到技術層面，世界模型能通過單張2D圖像重建完整三維場景，包括視野之外的物體背面。

這種能力帶來根本性變革：計算機首次能像人類一樣對空間進行測量、堆疊和操縱。無論是從單幀視頻生成360度環境，還是讓機器人理解深度信息執行抓取任務，三維表征都成為智能交互的基礎。

這解釋了為何游戲開發、藝術創作和工業設計等領域都在急切等待這項技術突破。

并且，與六歲孩子討論“樹木為何不長眼睛”的經歷讓李飛飛深刻領悟：進化需求催生了空間感知能力。

動物通過5億年進化出的三維認知系統，遠比人類晚近出現的語言系統更精妙。

在她看來，當前AI發展恰似在重演進化歷程——我們先攻克了語言處理這類“新技能”，現在才真正挑戰空間智能這個古老而核心的命題。

而在嘗試發起挑戰的人當中，World Labs擁有自己的優勢。

據李飛飛介紹，雖然三維AI研究相比語言模型是較新領域，但在計算機視覺領域早有積累。

其聯合創始人Ben Mildenhal在伯克利期間開創的神經輻射場（NeRF）技術，四年前就革新了深度學習的三維重建方法；另一位創始人Christoph Lassner在高斯潑濺表示法（Gaussian Splatting）上的先驅工作，也為三維表征提供了新范式。

更早時期，團隊成員在GAN圖像生成、風格遷移等方向的基礎研究，都為當前突破埋下伏筆。

這些分散在學界和工業界的探索，如今在World Labs匯聚成系統化攻關。

李飛飛表示，破解三維智能需要特殊的人才組合：既要AI專家處理數據與模型架構，又需要計算機圖形學專家解決內存與渲染問題。

因此，他們組建了可能是全球最頂尖的跨學科團隊——涵蓋計算機視覺、擴散模型、圖形學、優化算法等領域的開拓者。

這種集中火力的方式，與當年LLM發展初期各大公司“各自為戰”形成鮮明對比。

李飛飛堅信，唯有將最聰明的大腦聚集在“世界模型”這個北極星問題下，才能實現從實驗室技術到產品化的跨越。

p.s. 北極星問題一說出自李飛飛自傳《我看見的世界》，指科研中的一些關鍵問題。

而當前的技術突破點在于：如何讓AI像人類一樣，從單目視覺輸入中重建完整三維場景理解。

這不僅是機器人精準抓取的基礎，更是打開無限虛擬宇宙的鑰匙。

當計算機能自主補全視野之外的物體結構時，建筑設計將變成空間組合游戲，分子模擬可視作三維拼圖，甚至數字孿生世界也能實時生成演化。

這場革命正在發生——而World Labs要做的，就是加速這個進程。