Transcription
大家好，这里是最佳拍档。
二零二五年的人工智能行业，就像一幅分裂的画卷。生成式AI能拍出以假乱真的电影片段，大模型参数突破万亿级，投资人挤破头追逐规模神话，仿佛通用人工智能近在咫尺。
但是跳出这片狂热，你会发现，那些能够真正走进物理世界、帮我们叠被子、照顾病人、修复机器的AI，却始终停留在慢热的状态。它们要么在简单的动作中频繁出错，要么根本无法理解三维空间的基本规律。
这种感知温差的背后，藏着一个被大模型狂热所掩盖的核心问题：我们对智能的定义，是不是从一开始就跑偏了呢？
今天我们这期一万五千字的视频，要盘点的，正是在这场狂欢中保持清醒，甚至逆潮流而行的AI先驱，李飞飞。这位曾经用ImageNet一手开启深度学习时代的科学家，在二零二五年将所有的精力都投入到了一个更底层的方向上，那就是空间智能。
通过一整年的公开演讲、实验室实践和深度访谈，她用一套横跨历史、进化生物学、物理学和工程学的完整逻辑告诉我们，当前生成式AI，哪怕已经能够写出媲美文学大师的文字，也只是摸到了智能的冰山一角。真正的通用智能，必须先学会看懂三维世界的物理规律，学会在空间中行动，而这背后，是5.4亿年的生物进化，刻在神经系统里的底层密码。
要搞懂李飞飞的空间智能，我们必须先跳出AI等于语言模型的思维惯性，回到一个最根本的问题上：智能到底是什么？
在李飞飞眼中，它不是凭空出现的一项技术奇迹，而是人类文明和生物进化所共同塑造的一个产物。
在二零二五年的巴黎AI峰会上，李飞飞提出了一个颠覆性的观点：AI不是1956年达特茅斯会议后，突然诞生出来的一个技术突变，而是人类花了几千年的时间，试图将理性外化为物理实体的一种工程延续。
这个说法看似十分抽象，却能通过几个关键的历史节点，清晰地串联起来。
第一个节点，是古希腊的哲学家亚里士多德。你可能很难想象，李飞飞将他称为第一位计算机科学家。这背后是基于对智能本质的一种深刻洞察。亚里士多德的核心贡献，是第一次把人类混沌和模糊的思维过程，提炼成了可以执行的逻辑算法。他提出的三段论，至今仍然是逻辑推理的基础：“所有人终有一死，苏格拉底是人，因此苏格拉底终有一死。”这个简单的推理，其实奠定了AI的核心公理：智能不是不可捉摸的灵感，而是可以拆解、编码，并且在非生物载体上重现的逻辑过程。从那时起，人类就开始了将认知从大脑剥离的尝试。
第二个关键节点，是十三世纪机械钟表的发明。在那之前，人类对时间的感知，完全依赖于自然周期：日升月落、四季更迭。这是一种生物性的、主观的感受。而机械钟表的出现，彻底改变了这一切。它利用擒纵机构的周期性震荡，将时间这个抽象的概念，转化为了机器能够精确计算的物理运动。李飞飞在斯坦福H·A·I的演讲中强调，这绝不仅仅是计时工具的革新。它证明了一件足以影响后世AI的关键事实：那就是人类的认知功能，比如计算和测量，可以完全脱离生物大脑，移植到由金属、齿轮组成的无机实体上。这种认知外化的实践，为后来艾伦·图灵提出机器能否思考的命题，埋下了物理可行性的种子。
到了十九世纪，艾达·洛夫莱斯为这种外化智能，注入了创造力的基因。作为查尔斯·巴贝奇分析机的核心合作者，艾达没有局限于机器只能计算数字的认知，而是敏锐地洞察到，机器处理的本质是符号。只要遵循逻辑规则，机器不仅能够处理数值，还能处理音乐、艺术等复杂的符号系统。她在笔记中大胆的预言：“分析机有朝一日或许能够作曲。”这句话跨越了两个世纪，精准命中了今天生成式AI的核心能力。李飞飞引用这段历史，是想告诉我们，智能从一开始就不只是计算，更包含了创造。而空间智能的终极目标，也不仅仅是理解世界，更是创造符合物理规律的世界。
最终，时间来到了二十世纪中期。艾伦·图灵在《计算机器与智能》中，抛出了机器能否思考的终极拷问，直接推动了AI领域的诞生。一九五六年夏天，约翰·麦卡锡、马文·明斯基等先驱，在达特茅斯会议上，正式提出了人工智能的术语。一个有趣的历史细节是，当时这些科学家乐观的认为，只需要两个月的集中研究，就能破解智能的大部分奥秘。如今看来，这个两个月的项目，变成了跨越七十年的漫长征途。但是李飞飞却将这种乐观误判，解读为一种宝贵的智力无畏，一种坚信智能的奥秘，一种终将能用物理和数学语言解构的科学信仰。
而这种信仰，也贯穿了李飞飞自己的科研生涯。从AI寒冬中押注ImageNet，到如今在大语言模型的统治时代，毅然转向空间智能，她始终在直面最根本的难题，而不是追逐表面的技术热点。
如果说历史为智能提供了人文坐标，那么进化生物学，则为李飞飞的空间智能提供了科学的基石。这也是她批判当前大模型路径的核心依据。
在斯坦福大学的公开课程中，李飞飞用了一组极具冲击力的进化时间对比。她说，人类语言的诞生，仅能追溯到大约三十万至五十万年。而视觉的进化史，要上溯到5.4亿年前的寒武纪大爆发。当第一个原始生物的感光细胞，捕捉到地球表面的第一束光线时，地球生命就开启了一场长达数亿年的，从感知到行动的军备竞赛。
五十万年与5.4亿年，这个一比一千的时间差距，背后是生物神经系统的算力分配逻辑。李飞飞解释说，在漫长的进化中，生物神经系统99%的算力和架构优化，都是为了解决三维世界中的生存问题。比如，如何判断猎物的距离？如何避开障碍物？如何理解物体的几何形状和物理属性？这些能力早就已经刻进了基因里，变成了人类无需思考的潜意识本能。而语言，只是在这个坚实的底座上，为了群体协作和信息传递而发展出的上层应用。它是对高维、复杂物理世界的有损压缩，把阳光斜照下、蜷缩在沙发角落的橘猫，简化成了“猫在垫子上”这样离散的文字符号。
这就完美解释了AI领域著名的莫拉维克悖论：为什么AI能够轻松战胜围棋世界冠军、解决复杂的数学证明，却连像叠被子、走楼梯这种人类觉得很简单的动作，都难以完成？李飞飞的答案是，前者是人类最近几千年才发展出的显式规则，逻辑清晰、易于编码；而后者是5亿年进化打磨成的隐式物理能力，背后涉及到海量的高维连续变量和非线性物理反馈，计算复杂度极高。只是因为它太过于本能，才被我们低估了难度。
她的结论非常明确：如果AI只停留在语言层面，只处理离散的文本符号，它永远只能是“缸中之脑”。虽然能理解文字描述的世界，却无法真正感知、交互、生存于物理世界中。
要理解李飞飞今天对空间智能的坚持，就必须回溯她在二零零六年启动的ImageNet项目。这个看似堆图片的工程，不仅开启了深度学习时代，更是奠定了李飞飞数据信仰的核心逻辑。
二零二五年，在回顾这段历史时，李飞飞毫无保留地分享了当时的反直觉决策，而这些决策，恰恰能够帮我们看懂她今天为何坚定地站在像素至上的阵营方。
二零零六年前后的AI行业，正深陷寒冬，尤其是计算机视觉领域，陷入了一个无解的死循环。当时的主流研究范式是手工设计特征。研究者们花费了几年的时间，试图用人类的逻辑去描述视觉规律，然后在极小的数据集上进行测试。这种研究方式的结果是，模型在训练集上的准确率极高，但是一碰到真实世界的复杂光照、遮挡、形变，识别率就会瞬间崩塌。李飞飞在访谈中直言，当时的算法，只能识别出数据集中的猫，也就是那种在标准光照下、正面朝向镜头的猫。但是现实世界中的猫，可能在阴影里、可能蜷缩着、可能只露出半个脑袋，这些算法根本认不出来。
问题到底出在哪呢？当时的学术界普遍认为，是算法不够聪明，于是大家纷纷投入更复杂的数学模型研发，试图用更为精巧的公式，去拟合少量的数据，就像用高阶函数去拟合只有几个点的曲线一样。但是李飞飞却从信息论的角度，提出了完全相反的判断：问题不在于模型，而在于数据不够多。她的逻辑很简单：泛化能力是智能的核心，而泛化能力的唯一燃料，就是规模足够大、覆盖足够广的数据。就像儿童要通过观察上亿个视觉样本，才能建立对世界的认知一样，因此，机器智能的涌现，也必须建立在海量数据的统计学基础上。
这个想法在当时被很多人质疑，甚至被视为不切实际的狂想。因为在那个年代，构建大规模的标注数据集，不仅成本极高，还被视为是一种低级的苦力活。在学术界看来，推导一个新的数学公式，远比找图片、做标注要优雅得多。
但是李飞飞坚信自己的判断，她做出了第一个关键决策：停止优化单一算法，转而全力构建一个前所未有的大规模视觉数据集——ImageNet。
构建ImageNet的第一个难题，不是去哪里找图片，而是如何定义图片。互联网上的图片浩如烟海，但是如果只是随机抓取，得到的只会是一堆无法被机器理解的数字垃圾。李飞飞团队没有从零开始，而是极具智慧地借鉴了普林斯顿心理学家乔治·米勒构建的WordNet词汇网络。WordNet不是一个普通的字典，而是一个将人类语言的概念，组织成严密层级结构的语义网络。比如，波斯猫是猫的下位词，猫是猫科动物的下位词，猫科动物又是哺乳动物的下位词。
李飞飞团队将这个语言学骨架，完整映射到了视觉领域，构建了包含两万两千个个视觉类别的庞大分类体系。这种结构化的设计至关重要，它迫使AI不仅要区分猫和狗，还要在更细粒度上区分波斯猫与暹罗猫，同时理解它们同属猫科动物的层级关系。这种基于语义层级的数据集设计，让ImageNet超越了扁平的图像库，成为一个具有认知深度的视觉知识图谱，从而为后来深度学习模型学习到层次化的特征，提供了关键的基础：模型在底层学习边缘、纹理，在中层学习物体部件，在高层学习语义类别。这恰恰模拟了人类视觉皮层的工作原理。
解决了分类体系，下一个更大的挑战是数据标注。按照ImageNet的目标，每个类别有一千张图片，总共一千五百万张高质量的标注图。仅靠实验室的本科生根本无法完成。李飞飞团队陷入了绝望，直到他们发现了当时刚刚起步的Amazon Mechanical Turk众包平台。
这是一次极具开创性的群体智能实验。但是新的问题随之而来：如何保证分布在全球各地、为了赚取微薄报酬的在线工人们，都能提供高质量的标注呢？如果有人为了快速完成任务，随意的点击是或否，整个数据集的质量都会被污染。
为了解决这个问题，李飞飞团队设计了一套精密的算法博弈机制。首先，他们在任务流中随机插入黄金标准图片，也就是已知正确答案的图片。如果工人在这些测试题上出错，系统会立即判定其为不可信，实时丢弃他提交的所有数据。其次，团队引入了贝叶斯推断模型，根据多个工人的标注结果，计算每张图片的置信度分数。对于争议较大的图片，比如模糊的动物图像或者罕见的物种，系统会自动分发给更多的工人进行重复验证，直到置信度达到预设的阈值为止。
最终，来自一百六十七个国家的近5万名工人，花了两年多时间，完成了数千万次的高质量标注。李飞飞将这个过程，形容为“机器智能诞生前的母体孕育”。在算法还不具备自我学习能力的时候，是人类智能通过众包的方式，手把手地教会机器什么是猫，什么是狗，什么是物理世界的视觉真理。
而ImageNet真正的奇点时刻，出现在2012年的ImageNet挑战赛上。在那之前，挑战赛的获胜算法错误率，一直徘徊在26%到28%之间。这个水平根本无法满足工业应用的需求，整个计算机视觉领域，仿佛撞上了一堵无形的墙。但是那一年，杰弗里·辛顿的学生，亚历克斯和伊利亚提交的AlexNet算法，将错误率断崖式地降到了15.3%，比第二名基于传统手工特征的算法，低了整整十个百分点，震惊了整个行业。
为什么会出现如此巨大的突破？李飞飞在二零二五年的演讲中，提出了AI爆发的铁三角定律，完美解释了这一现象。
第一是数据：ImageNet提供的一千五百万张高质量的标注图，刚好超过了深层神经网络训练的临界阈值。深层神经网络拥有数千万个参数，如果没有足够的数据来约束这些参数，模型必然会过拟合。而ImageNet提供的海量的、多样化的监督信号，终于让深层网络“吃饱了”，得以充分学习到视觉世界的统计规律。
第二是算法：卷积神经网络其实早在20世纪80年代，就由Yann LeCun等人提出。但是在ImageNet之前，由于缺乏大规模数据的训练，它一直被视为是难以训练的“黑盒”。AlexNet的核心突破在于两点：一是引入了ReLU激活函数，彻底解决了传统Sigmoid函数在深层网络中出现的梯度消失问题；二是采用了Dropout正则化技术，通过随机关闭一部分的神经元，防止模型过度依赖于某些局部特征，进一步降低了过拟合的风险。这两项技术，彻底激活了深层神经网络的表征潜力。
第三是算力：这是最关键的物理加速器。当时的CPU计算能力有限，而深层网络的参数规模和计算量极大，传统的训练方式可能需要几个月甚至几年时间。亚历克斯首次尝试用两块英伟达GTX 580 GPU，进行模型的并行训练。当时的GPU显存只有3GB，根本装不下整个网络。于是他就设计了一种巧妙的架构，让神经网络的不同部分，分布在两块GPU上，只在特定的层进行数据通信。这种针对硬件特性的工程优化，将原本需要几个月的训练时间，压缩到了几天，让深层网络的训练，从理论可能变成了现实可行。
这三者的完美结合，在二零一二年引发了AI领域的“相变”。AlexNet的胜利，宣告了手工特征时代的彻底终结，开启了端到端学习的新纪元。在此之前，计算机视觉专家花费几十年时间研发特征算子，试图用人类的逻辑去描述视觉规律。而AlexNet证明，机器通过多层神经网络自动提取的特征，比人类设计的更抽象、更健壮、更能适应复杂场景。
这个时刻，也确立了现代AI的Scaling Law雏形：AI的性能提升，不再依赖于对特定规则的修补，而是依赖于模型深度、数据广度，与计算强度的指数级扩展。
ImageNet留给今天的最大遗产，不仅仅是一个数据集，更是李飞飞的“数据信仰”：智能的涌现，需要暴力规模的物质基础。而要让AI理解物理世界，就必须回到更原始、更完整、更接近物理真理的像素流数据。这也正是她在二零二五年，坚定推行空间智能的核心逻辑：语言数据再海量，也只是对物理世界的压缩版。只有直接处理像素流中的几何结构和动力学规律，AI才能真正看懂并走进物理世界。
二零二五年，李飞飞创办的World Labs正式发布了首款核心产品Marble。这款产品的定位，从一开始就与当前最火的视频生成模型，划清了界限。在李飞飞看来，这些视频生成模型，虽然能够产出几秒钟的逼真画面，但是本质上只是在“画皮”。而Marble要做的，是“造骨”，是构建一个具备物理一致性、可交互、可导航的三维世界模型。
为什么这么说呢？我们可以从一个直观的测试来看：如果你让Sora生成一段绕着一把椅子旋转拍摄的视频，前几帧可能非常逼真。但是随着摄像机角度的大幅变化，你会发现椅子的结构开始出现错乱，比如背面突然多了一条腿，或者扶手在旋转中融化、变形。
李飞飞在YC创业学校的分享中，解释了背后的原因：这些视频生成模型，本质上是在做“下一帧的预测”。它们通过Diffusion Transformer，学习像素变化的统计规律，比如水的流动纹理、火焰的跳动轨迹。但是模型的内部，并没有建立起一个稳定的3D椅子的结构。它只能根据前一帧的像素分布，猜测下一帧的像素应该是什么样，却无法回答椅子背面到底是什么结构，因为它没有“物体恒常性”的概念，不知道椅子即使被遮挡，也依然是一个完整的3D实体。这种缺乏显式3D结构的模型，注定会在长程视角的变换中，遭遇几何坍塌。这是单纯的统计学拟合，所无法逾越的一道物理墙。
而Marble的核心突破，正是引入了显式3D表征。它不再输出一段固定的、不可修改的视频，而是根据单张图片、文本提示，甚至是粗糙的3D布局，输出一个完整的4D时空结构。这里的4D，指的是3D空间加上时间维度。用户可以在这个生成的场景中，自由的移动摄像机的视角，比如绕着桌子走一圈，或者从地面升到天花板。场景中的物体几何结构始终可以保持一致。甚至你还可以直接编辑场景，比如把红色的沙发改成蓝色，移除茶几，添加一盆植物。所有的空间关系和物理逻辑都不会出错。
实现这个突破的核心技术，是高斯泼溅（Gaussian Splatting）。李飞飞的团队在技术白皮书里，详细解释了选择这个技术的原因。与传统的3D表征方式相比，高斯泼溅有两个不可替代的优势：
第一，它不需要复杂的拓扑连接。传统的网格表征，需要保证顶点之间的连通性，生成的难度极高。而高斯泼溅用数百万个离散的高斯球体来描述场景，神经网络生成离散点，远比生成连通图更加容易。
第二，它支持实时渲染和显式编辑。由于NeRF是一种隐式表征，要想修改物体的颜色或形状，必须重新训练模型。而高斯泼溅中的每个高斯球体，都有明确的位置、形状、颜色和不透明度参数。用户可以直接调整这些参数，实时看到修改后的效果。
在Marble中，一个厨房场景就是由数百万个这样的3D高斯球体组成的，它们共同构建了一个既逼真，又具备物理一致性的虚拟世界。
除了表征方式的革新，Marble的另一个核心创新，是对Transformer架构的本质重构。长久以来，人们普遍认为Transformer是为了处理序列设计的。但是World Labs的联合创始人贾斯汀·约翰逊，在二零二五年的Latent Space访谈中，提出了一个极具洞察力的观点：Transformer本质上是处理“集合”的数学机器，而非处理“序列”的机器。
这个判断的核心，在于Transformer的核心机制——自注意力的“置换等变性”。简单来说，如果你打乱输入Token的顺序，自注意力矩阵计算出的Token之间的相关性权重，是完全不变的。变化的只是输出矩阵的行顺序。这意味着，Transformer本身并不知道输入的顺序。它处理的是一个无序的Token集合。之所以它能处理语言，完全是因为我们在输入层，强行注入了位置编码，告诉模型单词的顺序很重要。
这个数学特性，让Transformer天生适合处理3D空间数据。因为3D空间中的点，本质上就是无序的集合。比如点A和点B在空间中并存，没有固定的先后顺序。只要它们的位置和属性正确，组合起来就是一个完整的场景。因此，Marble的做法是，将3D空间的坐标，映射为高维的位置嵌入，再注入到Transformer中。模型通过自注意力机制，计算空间中不同点之间的几何关系，从而理解整个场景的空间结构。
这种方式，彻底打破了Transformer只适合语言的迷思，为空间智能借力大模型的庞大算力基础设施，提供了数学上的合法性。
不过，李飞飞的团队并没有完全否定隐式表征的价值。他们提出了一种混合架构，试图在隐式推理和显式输出之间，架起一座桥梁。在模型的推理核心中，世界是以高度压缩的隐式高维向量存在的。这种表征方式虽然不够直观，但是能高效地进行语义推理和物理规律的模拟，比如理解“把杯子放在桌子边缘会掉下来”的因果关系。而在模型的输出层，则会把这种隐式向量，解码为显式的3D结构，比如高斯泼溅。这样既能保证推理的效率和泛化能力，又能支持人类直观的编辑和交互。
李飞飞解释说，纯粹的隐式模型，就像你知道杯子的概念，却无法直接修改它的颜色；而纯粹的显式模型，就像你能画出杯子，却不懂装水的功能和易碎的物理属性一样。因此，混合架构就是要兼顾两者的优势。
而Marble的下一个技术目标，是实时性。目前，无论是生成式模型，还是传统的3D渲染，都面临着耗时的问题。生成一段10秒的视频可能需要几分钟，渲染一个复杂场景可能需要几个小时。World Labs展示的RTFM技术，正是为了解决这个问题而生的。它试图在单张H100 GPU上，实现每秒24帧以上的实时生成和交互。
虽然具体的技术细节尚未完全公开，但是李飞飞透露，RTFM采用了两种关键的优化策略：
一是关键帧预测加神经插值。即只对少数关键帧进行完整的3D生成，中间的过渡帧，通过AI快速插值补充。这样既保证了物理一致性，又大幅提升了速度。
二是借鉴了一致性模型的加速采样技术。将Diffusion模型原本需要几百步的去噪过程，压缩到一两步的映射，极大地降低了计算量。
李飞飞在演讲中预言，未来的技术栈，将不再区分生成模型和渲染引擎。两者将深度融合为“神经空间引擎”。这个引擎不再通过光栅化多边形来成像，而是通过神经查询来直接生成光线。它会利用AI的生成能力，自动创造出丰富多样的场景内容，同时利用嵌入的物理引擎，保证场景的物理一致性。
这种融合的终极目标，是为了实现“交互式生成”。用户不再只是被动观看场景的观察者，而是可以主动介入、改变世界的参与者。比如，在神经空间引擎生成的厨房场景中，你可以打开冰箱，AI会实时生成冰箱内部的食物，并且这些食物会符合物理逻辑。你可以拿起水壶倒水，水流的轨迹、杯子里水面的上升高度，都会严格遵循流体力学的规律。
这种可交互、可修改、物理一致的虚拟世界，正是李飞飞心中空间智能的核心形态。它让AI从只能描述世界，走向构建世界，与世界交互。
有了能理解和构建3D世界的大脑，下一步就是让AI拥有身体，能够在物理世界中行动，这就是具身智能。但是二零二五年的机器人领域，还面临着一个致命的瓶颈：那就是数据匮乏。
李飞飞在英伟达GTC的演讲中，将这个问题称为“非对称的困境”。大语言模型可以轻松获取互联网上海量的文本数据，输入和输出都是Token，完美对齐。而机器人的输入，是来自摄像头的2D像素流，输出的则是3D动作指令。这种维度错位，让机器人学习变得异常困难。
为什么会出现这种困境呢？李飞飞深入剖析了背后的结构性原因：
首先，互联网上的视频虽然多，但几乎都是旁观者视角。你能看到别人如何叠被子、如何炒菜，但是看不到他手上的力度、被子的触感、锅具的重量反馈。而机器人需要的是第一人称的数据，包括视觉、力触觉、本体感受在内的多模态信息。这些数据在现实世界中，几乎无法大规模的采集。
其次，物理世界的试错成本极高。让机器人在现实中练习抓取玻璃杯，可能会打碎无数的杯子。练习应对火灾清理、化学泄漏，更是不可能实现。
最后，物理世界的时间是线性的，机器人只能以1倍速积累经验。而AI模型的训练需要海量数据，仅靠现实世界的训练，速度远远跟不上。
面对这个看似无解的难题，李飞飞给出了唯一的解决方案：那就是合成数据。用AI生成的虚拟世界，为机器人提供无限的、安全的、低成本的训练素材。而她的团队，已经在通过Behavior 1K基准测试和OmniGibson物理仿真引擎，搭建起了这套解决方案的完整框架。
首先是Behavior 1K基准测试。过去，机器人学习的任务，大多是抓取积木、开门、移动物体，这种简单的、单步骤的动作。但是李飞飞认为，真正的具身智能，需要学会“生活”，也就是处理人类日常生活中复杂的、长流程的琐事。因此，Behavior 1K的任务设计，并没有凭空创造，而是参考了美国劳工统计局的时间利用调查，统计了人类日常生活中最耗时、最希望被自动化的一千项任务。比如擦桌子、洗碗、清理派对现场、给宠物洗澡、拆开圣诞礼物、整理行李箱等等。
这些任务的复杂度，远超传统的机器人任务。以清理派对现场为例，它需要机器人完成一整套的长程规划：第一步是场景理解，机器人需要识别出散落的酒杯、食物残渣、纸巾、礼品盒等不同类型的垃圾；第二步是任务排序，确定先捡大块的垃圾，再擦桌子上的液体，最后归位家具的顺序；第三步是精细操作，比如抓取易碎的玻璃杯时，要控制力度；用抹布擦桌子时，要施加合适的法向力，避免液体飞溅；第四步是异常处理，如果垃圾桶满了，要先倒掉垃圾再继续清理，而不是机械地重复投放垃圾的动作。
李飞飞说，Behavior 1K的目标，是让机器人从执行单一动作的工具，变成能够理解复杂需求、自主解决问题的伙伴。
支撑这些复杂任务的，是与英伟达合作开发的OmniGibson物理仿真引擎。这是一个高保真的、高真实度的虚拟环境。它与传统仿真引擎的最大区别，在于对物理属性的深度模拟，而不仅仅是视觉上的逼真。OmniGibson支持四大核心物理模拟能力：
第一是刚体模拟。比如桌椅碰撞时的稳定性，物体堆叠的平衡感，完全符合现实世界的力学规律。
第二是对可变形物体的模拟。这是传统仿真引擎的盲区。OmniGibson能够精准模拟折叠衣物时的布料形变、揉面团时的弹塑性变化、海绵吸水后的质量和形状改变。
第三是流体模拟。通过粒子系统来模拟倒水和制作奶昔时的流体动力学，包括液体在不同容器间的转移、泼洒后的扩散、表面张力等细节。
第四是热力学模拟。这是极其罕见的高级功能。引擎能够模拟热传导的过程，比如微波炉加热食物时，食物的温度会随着时间变化，从冰冷到温热再到煮熟、烧焦。而这种温度变化会影响机器人的红外感知和操作策略。
有了Behavior 1K的任务基准和OmniGibson的仿真引擎，接下来就是李飞飞提出的“合成数据闭环”——一个左脚踩右脚的自我强化过程。
这个闭环的第一步，是用Marble生成海量的、多样化的3D场景。比如，要训练机器人洗碗，不需要手工建模一个厨房，而是让Marble自动生成一千种含有不同的灶台布局、不同光照、不同材质的厨房。每个厨房的水槽位置、水龙头的样式、餐具的摆放都不相同，极大地扩展了数据的多样性。
第二步，将这些只有视觉信息的场景，导入OmniGibson引擎，为每个物体赋予物理属性，比如盘子的质量、碗的易碎程度、水的密度和粘度。
第三步，在这些虚拟场景中，用强化学习训练机器人Agent。由于是虚拟环境，我们可以同时并行运行几万个训练实例，让机器人在几天内积累几百万年的经验，快速学会应对各种复杂情况。
第四步，将训练好的策略，迁移到现实世界的物理机器人上。同时利用域随机化技术，在虚拟场景中随机的调整光照、材质、物体的位置，让机器人学会适应现实世界中的各种变化，弥合模拟到现实的鸿沟。
这个闭环的核心魅力，在于“自举”。Marble生成的场景越逼真、越多样化，OmniGibson的物理模拟就越精准，训练出的机器人策略就越强大。而更强大的机器人，在现实世界中执行任务时，能够反馈更多真实的物理数据。这些数据又可以反过来，优化Marble的生成能力和OmniGibson的模拟精度，形成一个不断强化的正向循环。
李飞飞在访谈中坚定地表示：现实世界的数据永远无法满足具身智能的需求，既不够多，也不够安全。只有让AI自己生成虚拟世界，才能给机器人提供无限的训练素材。这是突破莫拉维克悖论，实现通用机器人的唯一的、确定性的路径。
聊了这么多硬核的技术架构和理论，我们也不能忘记，李飞飞一直是以人为本的AI的坚定倡导者。2025年，她在斯坦福H·A·I的工作，将空间智能从实验室里的黑科技，变成了能守护生命、恢复尊严、赋能普通人的现实工具。其中最具代表性的，就是环境智能在医疗领域的应用，以及脑机接口和AI普惠项目。
首先是环境智能，它的核心理念是：最好的AI应该是“消失在环境中的AI”。李飞飞在斯坦福医学中心的试点项目中，将深度摄像头、热成像传感器等智能设备，无缝嵌入到重症监护室、老年病房和手术室中。结合空间智能算法，在不干扰医护人员和病人日常活动的前提下，实现了实时的感知和智能分析。这种智能不是通过穿戴设备实现的，而是让空间本身具备了视觉和理解力。
在设计之初，李飞飞就特别强调“隐私设计优先”的原则。考虑到医疗场景的高隐私敏感性，系统刻意避开了RGB摄像头，转而使用深度传感器。它只能捕捉到模糊的人体轮廓和骨架图，无法识别出具体身份。这样就从物理层面，彻底阻断了隐私泄露的风险。这种技术选择，体现了李飞飞对技术伦理的深刻理解，因为在医疗这种特殊场景中，技术必须在效用和隐私之间，找到一个完美的平衡点，不能为了功能而牺牲人的基本权利。
在具体应用中，环境智能展现出了巨大的实用价值。在老年病房，系统实现了跌倒预警。AI通过分析病人的步态、身体倾斜角度等微小的特征，能够在病人下床时步态不稳的瞬间，预判到跌倒风险，并且在跌倒发生的前几秒钟，向护士站发出预警，同时自动打开病房门口的警示灯。这个功能，将传统的事后救治转变为了事前预防，极大地降低了老年患者跌倒受伤的概率。
在重症监护室，系统则承担了活动监测的任务，会自动记录病人的翻身频率、肢体活动的范围、呼吸的节奏等细微数据。这些数据是评估病人康复进度和病情变化的关键指标，但是在过去，只能靠护士在巡房时偶尔的手工记录，数据零散而且不连续。现在，系统能够实现24小时的全量数字化记录，为医生提供精准的诊疗依据。
而在手术室，空间智能算法被用在器械追踪方面，通过实时定位手术刀、纱布、镊子等器械的位置，自动记录器械的使用流程和去向，防止异物被遗留体内这种严重的医疗事故。
除了守护病人，环境智能还将目标对准了医护人员的减负。李飞飞在访谈中多次提到，她对护士群体的工作现状深感担忧。护士每次轮班的步行距离，常常超过10公里，还要处理几百项琐碎的任务，从补充输液袋、更换床单，到记录生命体征、回应病人的呼叫等等。高强度的工作负荷，是导致医疗错误和职业倦怠的主要原因。
因此，环境智能的另一个核心目标，是优化医疗流程，为护士“松绑”。系统通过分析病房的人流热力图、医疗物资的消耗速度，以及护士的任务执行路径，能够自动优化物资的摆放位置和巡房路线。比如，系统可以通过预测某个病房的输液即将结束，提前通知附近的护士，准备好新的输液袋，避免护士在多个病房之间来回奔波。通过分析手术时长和器械的使用频率，优化手术室的器械摆放顺序，减少医生和护士的取放时间。
李飞飞强调，之所以设计这些功能，不是为了监视护士的工作效率，而是为了通过算法的辅助，让护士从繁琐的后勤事务中解放出来，回归到她们最核心的职责，也就是关怀病人和提供情感支持上。技术应该是护士的“第二双眼睛”，在她们疲惫时提供安全冗余，而不是成为压垮她们的监工。
如果说环境智能是隐形的守护，那么李飞飞团队展示的脑机接口烹饪案例，则是对人的尊严的极致守护。
在巴黎AI峰会上，李飞飞播放了一段令人动容的视频：一位重度瘫痪的患者，失去了所有肢体的行动能力，生活完全依赖他人的照料。研究团队为他配备了非侵入式脑电图设备，通过采集他的脑波信号，结合空间智能算法，解码他的意图，比如想拿起勺子、想切菜、想打开燃气灶。这些意图信号被实时传递给机械臂，患者仅凭意念，就完成了一系列复杂的精细操作，从洗菜、切肉，到调配酱汁、摆盘，最终成功制作出一份完整的日式寿喜烧。
视频播放结束后，李飞飞动情地说，这个案例的意义，绝不是AI能做饭这么简单。对于这位患者而言，能够通过机械臂，为自己或家人做一顿饭，意味着他重新获得了与物理世界交互的权利，找回了生活的自主权和尊严。在这个过程中，AI扮演的不是替代者，而是协作者。它弥补了患者受损的生理机能，但是完全保留了他作为一名厨师的意志、决策和创造力。
这个案例，完美诠释了李飞飞的技术伦理观：那就是技术的终极目标，不是替代人，而是增强人。我们不仅要问AI能做什么，更要问它如何帮助人类保留尊严、实现价值。
除了高端的医疗应用，李飞飞同样关注AI的普惠性。她与前学生共同创立了非营利组织AI for All，旨在打破AI领域的精英壁垒。她敏锐地意识到，如果AI的开发者仅仅是一群同质化的精英，那么开发出的技术，难免会带有偏见或者盲区。比如人脸识别对深色皮肤人群的准确率较低，医疗AI模型对罕见病的诊断能力不足。这些问题的根源，在于开发者缺乏对不同群体、不同社区真实需求的理解。
AI for All通过为来自农村地区、城市低收入社区，以及历史上代表性不足群体的高中生，提供免费的暑期项目和实习机会，让他们有机会学习到AI技术，接触到前沿科研。这些年轻人没有去追逐微调大模型、开发聊天机器人这些热点，而是聚焦于自己社区的真实问题。有的学生利用AI来优化救护车的调度算法，缩短偏远地区患者的急救时间；有的学生开发了基于图像识别的农村水质评估工具，帮助村民快速判断饮用水是否安全；有的学生则利用卫星图像和AI，设计了野火预警系统，保护森林资源和社区安全。
李飞飞在分享这些案例时，眼中满是欣慰。在她看来，AI不应该是少数精英的专利，而是属于每一个想改变自己生活和社区的人。通过普及AI素养，让更多元的群体参与到AI的开发和应用中，我们才能构建出更公平、更包容、更有温度的AI未来。
在探讨完空间智能的技术、应用之后，李飞飞还对AI行业的生态发展，提出了深刻的思考。尤其是在工业界掌握了海量算力、大模型规模竞赛愈演愈烈的今天，学术界应该扮演什么角色呢？开源与闭源的边界在哪里呢？未来的AI人才，又需要具备什么样的特质呢？
首先是学术界的“非对称竞争策略”。李飞飞在与贾斯汀·约翰逊的访谈中，明确警告年轻的研究者和博士生，不要试图在训练最大模型的赛道上，与Google、Meta、OpenAI这些科技巨头竞争。大学实验室根本无法获得成千上万张GPU，在规模这个单一维度上，学术界毫无胜算。她提出，学术界应该坚守自己的核心优势，聚焦三个工业界不愿碰的新战场：
第一个战场是“古怪的架构探索”。工业界受限于季度财报和产品落地的压力，往往倾向于优化现有的Transformer架构，追求短期性能的提升。而学术界没有这些束缚，可以自由探索那些看似疯狂、短期无用，但是可能颠覆未来的技术路径。贾斯汀·约翰逊补充道：“现在的神经网络都是为GPU优化的，但是20年后的硬件架构，可能完全不同，比如光子计算、量子计算。学术界应该提前思考，非GPU架构下的AI算法形态，甚至通过设计全新的硬件原语，打破冯·诺依曼架构的瓶颈。”
第二个战场是“理论基础与可解释性”。李飞飞指出，当前的AI发展，已经呈现出了“实验领先于理论”的态势。我们知道Transformer有效，知道大模型能够涌现出复杂的能力，但是我们不知道这些能力是如何产生的，也无法解释模型为什么会出现偏见和幻觉等问题。学术界的核心使命，就是打开AI的黑盒，研究机制可解释性，为AI建立起坚实的数学和物理基础，从根本上理解智能涌现的机制。只有这样，AI才能从靠经验驱动的工程，升级为靠理论指导的科学。
第三个战场是“跨学科AI”。利用AI解决生物学、材料学、天文学、核聚变等基础科学问题，这是大学相较于单个科技公司的天然优势。这些领域需要深厚的领域知识，而不是单纯的算力堆砌。比如，利用AI预测蛋白质折叠，帮助研发新型药物；或者利用AI分析核聚变的实验数据，优化反应条件；以及利用AI处理天文观测数据，发现新的天体和物理规律。李飞飞认为，这些跨学科研究不仅能够推动基础科学的进步，也能为AI带来新的突破，因为基础科学中的复杂问题，会倒逼AI发展出更强的推理和建模能力。
在开源与闭源的争论上，李飞飞的观点也是显得务实又深刻。她认为，开源不是一种慈善行为，而是一种精明的商业杠杆，或者是对抗垄断的生态武器。以Meta开源Llama为例，这并不是一种纯粹的利他主义，而是基于自身清晰的生态战略。Meta的核心商业模式不是卖模型的API，而是通过开源，构建底层的技术标准，吸引全球开发者进入自己的生态系统，从而削弱OpenAI、Google等竞争对手的护城河。相反，OpenAI选择闭源GPT系列，是因为模型本身就是核心的商业护城河，闭源能够保护技术秘密，维持产品的独特性和商业优势。
李飞飞强调，这两种选择没有绝对的对错，关键在于是否匹配公司的商业模式和发展目标。但是，从更宏观的行业生态角度来看，李飞飞坚决捍卫开源的公共价值。她指出，如果AI技术被少数巨头垄断，不仅会导致创新停滞，还会固化偏见。开源让AI技术像科学知识一样，成为全人类共享的财富。初创公司可以基于开源模型，快速的迭代产品；学术界可以利用开源工具开展研究；发展中国家的开发者，可以用低成本获得先进的技术。因此，李飞飞呼吁政策的制定者们，应该保护开源社区，防止巨头通过算力垄断、数据垄断等手段，扼杀开源创新。AI是推动社会进步的公共产品，不应该成为少数公司的私产。
而贯穿李飞飞所有思考的，是她反复强调的“智力无畏”，这也是她认为未来AI人才最核心的特质。她结合自己的经历，分享了这种无畏的内涵：从普林斯顿的物理系博士，转到当时还很冷门的计算机视觉领域；从ImageNet的数据驱动，转到大模型狂热时代的空间智能。每一次转型，都是跳出舒适区，面对未知的挑战。
但是这种无畏不是盲目的鲁莽，而是基于第一性原理的信仰，坚信自己所研究的是根本问题，坚信智能的奥秘终能被解构。她特别提到了“初学者心态”的重要性。她回忆起小时候，父亲在旧货市场，对每一件小工具都充满了好奇心。这种对于未知事物的探索欲，是保持智力无畏的源泉。在AI技术每6个月就迭代一次的今天，过去的经验很容易成为认知枷锁。唯有保持无知的好奇，敢于在陌生领域从头学起，才能跟上技术爆炸的速度。
她给年轻从业者的建议是：不要追逐当下的热点，应该去寻找那些根本且困难的问题。因为难，所以竞争者少；因为根本，所以价值长久。
二零二五年，当杰弗里·辛顿还在警示硅基智能可能超越人类的非对称优势时，李飞飞选择了一条更底层的道路。她没有纠结于语言模型的参数规模，而是回归到智能的本质，试图教会机器要像造物主一样理解和构建物理世界。
她用5.4亿年的进化史告诉我们，语言只是智能的表层应用，视觉与行动才是历经亿万年打磨的生存底座。
她用ImageNet的成功证明，智能的涌现，需要数据的暴力规模，而物理世界的真理，隐藏在像素流的连续性中，而非离散的文本符号里。
她用Marble模型和神经空间引擎，展示了空间智能的核心，不是生成逼真的视频，而是构建具备物理一致性、可交互的三维世界。
她用合成数据和Behavior 1K，为具身智能打通了从虚拟到现实的路径。
最后，她用医疗应用和AI普惠项目，提醒我们，技术的终极目标，永远是守护人的尊严，赋能人的价值。
或许，空间智能不会像大语言模型那样，在短时间内引发全民式的狂欢。它没有酷炫的对话能力，也没有惊艳的生成效果，甚至需要我们重新理解智能的定义。但是它正在默默搭建着AGI的物理底座。当AI能够真正看懂三维世界的几何规律，能够理解物体的物理属性，能够在空间中自由的行动，能够帮助人类解决现实中的琐事和难题时，那时的智能，才是完整的、有温度的、能够真正融入人类社会的智能。
就像李飞飞在二零二五的演讲中所说，她的科研生涯，始终在追逐一个北极星：那就是理解智能的本质。从ImageNet到空间智能，从数据驱动到以人为本，这条道路漫长且艰难，但是她坚信，只有回到物理世界的本质，回到人类智能的进化根源，AI才能真正实现它的价值。
相信未来的AI，不再会是困在屏幕里的文字匠人，而是一个能够触摸、感知、创造物理世界的同行者。
感谢收看本期视频，我们下期再见。