一水 发自 凹非寺
量子位 | 公众号 QbitAI
因为眼睛受伤暂时失去立体视觉，李飞飞更加坚定了做世界模型的决心。
在a16z的最新播客节目中，“AI教母”李飞飞讲述了五年前因为一次角膜损伤暂时失去立体视觉的经历：
尽管凭借多年经验能想象出三维世界，但一只眼睛看东西时，我开始害怕开车。
但作为一名科学家，她也把这次经历当成一次宝贵的“实验”机会。
这次生病让她明白了立体视觉对空间交互具有决定性作用，“就像语言模型处理文本时需要理解上下文，物理世界的交互也必须建立在三维空间表征基础上”。
整体而言，李飞飞在节目中解释了为什么空间智能是当今AI系统关键且缺失的部分，以及她的新公司如何应对这一挑战。
同时，另一位嘉宾Martin Casado（ a16z合伙人、李飞飞公司早期投资者）也分享了二人在世界模型上达成共识的故事，并从投资者的角度分析了世界模型的潜力和价值。
省流版如下：
-
“数据驱动范式”所爆发的能量，至今远超李飞飞当初创建ImageNet时的想象； -
创办World Labs并非跟风基础模型创业潮，而是源于对智能本质的持续探索； -
要实现世界模型这一愿景，需要集结产业级的算力、数据和人才密度； -
动物通过5亿年进化出的三维认知系统，远比人类晚近出现的语言系统更精妙； -
当前的技术突破点在于，如何让AI像人类一样，从单目视觉输入中重建完整三维场景理解。
值得一提的是，嘉宾们深入浅出的讲解方式也获得了网友一致好评：
下面具体来看。
构建能真正理解物理世界的AI模型
李飞飞自述，其实早在大语言模型（LLM）兴起之前，她就深刻意识到了构建世界模型（LWM）的重要性。
这不仅和她之前生病的经历有关，更主要的是和她一直以来的学术经历相符。
回顾博士和教授生涯，若以今日认知审视过去十年AI的发展轨迹，最令李飞飞震撼的恰恰是她曾倡导的“数据驱动范式”所爆发的能量。
当年她带领团队开发了一个名为ImageNet的视觉识别系统，这个系统收录了超过1000万张经过精确标注的图片，迅速成为全球规模最大的图像资料库之一，以此彻底改变了计算机视觉和深度学习的研究格局。
不过在她看来，如今由大规模数据驱动的模型所展现出的“类思维机器涌现行为”，仍远超其最初的想象。
这种矛盾感促使她不断追问：当业界都在追逐语言模型时，我们是否忽略了更本质的维度？
选择创办World Labs，李飞飞自述并非跟风基础模型创业潮，而是源于对智能本质的持续探索。
在她眼里，语言固然是思想和信息的高效编码载体，但它对三维物理世界的表征存在天然缺陷——
我们生存的实体空间充满动物演化史沉淀的感知智能，而语言只是人类文明后期产生的有损压缩符号。
环顾自然，没有漂浮的词汇表，只有具象的物质世界。
这种认知让她确信：真正的通用智能必须建立在对物理空间结构、物体组合关系的理解之上。
这也是World Labs的使命，即构建能真正理解物理世界的AI模型，用集中攻坚的方式，让AI真正理解我们生活的三维世界。
创立World Labs的契机
当李飞飞构思World Labs时，她需要的不仅是资金支持，更渴望找到思想共鸣的伙伴。
而这个人就是a16z合伙人、李飞飞公司早期投资者Martin Casado。
作为斯坦福大学2009年入职的年轻助理教授，李飞飞与当时即将获得博士学位的Martin早有交集。不过后来Martin转型成为企业家和投资人，而她则深耕人工智能领域，被誉为“AI教母”。
在一次关于LLM的学术聚会上，当众人热议语言模型时，李飞飞向Martin提出：
我们缺失的是世界模型（world model）。
就是这样一句话，瞬间点燃了二人的合作火花。与其他投资人礼貌性点头不同，他们后来又在斯坦福校园展开深谈，而Martin对三维世界的理解令李飞飞印象深刻。
Martin在节目中解释道，蒙眼状态下仅靠语言描述在房间执行任务几乎不可能成功，因为语言对物理空间的转译是低效且失真的。但摘下眼罩后，大脑瞬间重构三维空间的能力让我们能精准抓取杯子、避开障碍，这种对物理世界的即时建模才是智能的根基。
换句话说，语言适合传递抽象概念，但应对实体世界必须依赖空间智能，这正是当前AI最欠缺的能力。
同时他也提到，自动驾驶行业投入上千亿美元仍未能完美解决二维导航问题，而语言模型却突然以惊人效率处理了文本任务。这种反差让他意识到，生成式AI已经提供了去做其他事情的契机。
这些想法也得到了李飞飞的认同，她表示，“这与我多年的思考完全契合”。
尽管ChatGPT等语言模型的成功令人振奋，但我始终坚信世界模型才是智能的下一里程碑。
李飞飞再次表示，这并非否定语言的价值，而是指出其局限性——
当我们需要建造机器人、设计新材料或探索虚拟宇宙时，必须让AI获得类似生物的空间认知能力。从远古动物到现代人类，所有改变物理世界的创造行为，本质上都是三维智能的体现。
一旦世界模型取得突破，我们可以创造无限虚拟宇宙：有些为机器人训练设计，有些用于社交体验，还有些专属于叙事艺术或旅行探索。
这种能力将人类带入真正的多元宇宙时代。想象一下，建筑师能在数字世界瞬间构建城市原型，科学家可以在分子级3D空间模拟新材料的合成。
关键在于突破“视野之外”
在想法上达成一致后，投身创业的李飞飞意识到：
要实现世界模型这一愿景，需要集结产业级的算力、数据和人才密度。
具体到技术层面，世界模型能通过单张2D图像重建完整三维场景，包括视野之外的物体背面。
这种能力带来根本性变革：计算机首次能像人类一样对空间进行测量、堆叠和操纵。无论是从单帧视频生成360度环境，还是让机器人理解深度信息执行抓取任务，三维表征都成为智能交互的基础。
这解释了为何游戏开发、艺术创作和工业设计等领域都在急切等待这项技术突破。
并且，与六岁孩子讨论“树木为何不长眼睛”的经历让李飞飞深刻领悟：进化需求催生了空间感知能力。
动物通过5亿年进化出的三维认知系统，远比人类晚近出现的语言系统更精妙。
在她看来，当前AI发展恰似在重演进化历程——我们先攻克了语言处理这类“新技能”，现在才真正挑战空间智能这个古老而核心的命题。
而在尝试发起挑战的人当中，World Labs拥有自己的优势。
据李飞飞介绍，虽然三维AI研究相比语言模型是较新领域，但在计算机视觉领域早有积累。
其联合创始人Ben Mildenhal在伯克利期间开创的神经辐射场（NeRF）技术，四年前就革新了深度学习的三维重建方法；另一位创始人Christoph Lassner在高斯泼溅表示法（Gaussian Splatting）上的先驱工作，也为三维表征提供了新范式。
更早时期，团队成员在GAN图像生成、风格迁移等方向的基础研究，都为当前突破埋下伏笔。
这些分散在学界和工业界的探索，如今在World Labs汇聚成系统化攻关。
李飞飞表示，破解三维智能需要特殊的人才组合：既要AI专家处理数据与模型架构，又需要计算机图形学专家解决内存与渲染问题。
因此，他们组建了可能是全球最顶尖的跨学科团队——涵盖计算机视觉、扩散模型、图形学、优化算法等领域的开拓者。
这种集中火力的方式，与当年LLM发展初期各大公司“各自为战”形成鲜明对比。
李飞飞坚信，唯有将最聪明的大脑聚集在“世界模型”这个北极星问题下，才能实现从实验室技术到产品化的跨越。
p.s. 北极星问题一说出自李飞飞自传《我看见的世界》，指科研中的一些关键问题。
而当前的技术突破点在于：如何让AI像人类一样，从单目视觉输入中重建完整三维场景理解。
这不仅是机器人精准抓取的基础，更是打开无限虚拟宇宙的钥匙。
当计算机能自主补全视野之外的物体结构时，建筑设计将变成空间组合游戏，分子模拟可视作三维拼图，甚至数字孪生世界也能实时生成演化。
这场革命正在发生——而World Labs要做的，就是加速这个进程。
（文：量子位）