作者 ｜ 大模型機動組
郵箱 ｜ damoxingjidongzu@pingwest.com

在新一期a16z播客節目中，由a16z合伙人Erik Torenberg主持，與World Labs聯合創始人兼CEO李飛飛，以及a16z合伙人 & World Labs早期投資人 Martin Casado 進行了一場對話。共同探討了"世界模型"的概念——即AI系統能理解并推理物理3D世界，而不僅限于文本。

被譽為"AI教母"的李飛飛解釋了為何空間智能是當前AI系統關鍵卻缺失的組成部分，以及她的新公司為何全力攻克這一挑戰。Martin分享了他們早在該理念流行前就達成共識的故事，并闡明這可能定義機器人、創意產業和計算本身的未來。

從大語言模型的局限到具身AI的前景，從個人軼事到深度技術洞察，這是一場關于構建真實與虛擬世界智能本質的討論。以下是這期節目的內容實錄：

Erik Torenberg：Martin ，你能不能簡要地代表飛飛吹噓一下，跟不熟悉的人總結下你對AI的貢獻。

Martin Casado：大家對她并不陌生無需過多介紹，她做了太多的事，我都說不完。所以也許我只說一些與當前話題相關的事。當然，她是 Twitter 董事會成員，曾任職于谷歌。她還是 World Labs 的創始人兼CEO。但非常重要的是，就像我們都知道的，AI領域里，大家都在談論神經網絡，也有很多人專注于讓這些神經網絡更有效。但飛飛真正地將數據引入了這個方程式，而現在我們意識到，數據可能才是更大、更有趣的問題，所以大家都稱她為“AI之母”。

Erik Torenberg：飛飛，你為什么選擇 Martin 成為首位投資者？

李飛飛：首先，我認識 Martin 已經十多年了。2009年我作為助理教授加入斯坦福大學時，Martin 正在那里攻讀博士學位。所以我一直都了解他，當然， Martin 的導師 Nick McCune 是我的好朋友。我一直知道 Martin 會成為一位非常成功的企業家和投資者，我們經常見面和交流。

當我構思 World Labs 的想法時，我在尋找我所謂的“獨角獸投資者”。我不知道這個詞是否準確，但我就是這么稱呼他的。他不僅是成就斐然的投資者，能和創業者一起經歷起伏，有深刻見解，能帶來知識、建議和資源的人，但我特別需要一位智力伙伴。因為 World Labs 做的是非常深度的技術。我們正在嘗試做別人從未做過的事，我們堅信這將真正改變世界。我需要一個既是計算機科學家，又是AI研究者，了解產品市場、市場推廣策略的人，還能隨時與我進行智力對話。

Martin Casado：實際上，我們最初結緣的故事還挺有趣的。飛飛顯然思考這個想法已經很久了，甚至在項目啟動前好幾年就開始了。她一直在說她對AI要如何在世界中運行有著深刻的直覺。當時我們參加了 Mark 的豪華午餐會，有很多AI領域的人都在，大家都對大語言模型非常興奮，都在談論語言。我自己也得出了一個獨立的結論，因為我做過很多圖像投資方面的工作，我覺得語言并不是故事的終點。

當時飛飛坐在餐桌另一頭，聽著這些人談論。她探問我：“你知道我們缺什么嗎？我們缺一個世界模型?！蔽耶敃r就想：“沒錯！”那一刻一切都對上了，因為我一直在宏觀層面思考這些問題，但她就像往常一樣，精準地闡述了這個觀點。她為此思考了一年，和很多人交流過。所以在某種程度上，我們各自殊途同歸，得出了非常相似的直覺。她的想法更完善，我的則只是個初步的概念。但從那之后，我們進行了多次交談，我們都認同這個想法。

李飛飛：實際上，你們可能不知道，在那次午餐時，我們一拍即合，都認同世界模型的想法。但那時我已經在和不同的人交流了，不只是計算機科學家和技術人員，還有投資者和潛在的商業伙伴。說實話，大多數人都沒理解。當我說世界模型時，我能感覺到他們只是禮貌地點點頭。所以我給 Martin 打電話，說：“你介意來斯坦福和我喝杯咖啡嗎？”

我對 Martin 說：“你能給我定義一下世界模型嗎？”我真的想確認下 Martin 是不是真的理解這個概念。他對世界模型的定義是一個真正理解世界3D結構、形狀和組合性的 AI 模型，這和我想的完全一致。我當時就想：“哇，他是我到目前為止交談過的人中唯一一個真正理解的，而不是只點頭附和的人?！?/p>

Erik Torenberg：好的，我們接下來會聊聊World Labs 以及具體情況，但或許首先我們先回到你們讀博時期和教授時期，并反思一下。如果你們能回到過去，并且知曉過去十年AI領域發生的事，你們覺得最大的意外會是什么？或者說有什么是你們當初沒預料到，會讓年輕時的自己感到震驚的事？

李飛飛：這說起來很諷刺，就像 Martin 說的，我是把數據引入AI世界的人，但我仍然在情感上非常驚訝，這些依賴大量數據的模型、數據驅動的AI能發展到如今的程度，并且真的展現出了思維機器般令人難以置信的涌現性行為。

Erik Torenberg：為什么要再創辦一家基礎模型公司呢？為什么不專注于大語言模型呢？

李飛飛：我的學術追求不在于創辦公司或發表論文，而在于尋找北極星問題。所以不是我某天醒來，就說一定要開家公司。在過去幾年里，我每天醒來都在想，世界上遠不止語言。語言是一種非常強大的思想和信息編碼方式，但它并不是對3D物理世界的有效編碼，而所有動物和生物都生活在這個3D物理世界里。

如果你觀察人類智能，很多都超出了語言的范疇。語言是一種有信息損失的捕捉世界的方式。而且還有一個微妙之處，純粹的生成式“語言”在自然界中并不存在。我們環顧四周，沒有現成的句子或單詞，而整個物理、感知、視覺世界卻真實存在。動物的整個進化史都是建立在大量感知和最終具身智能之上的。人類不僅生存、生活、工作，還通過構建和改變世界建立了文明，這就是我想解決的問題。

為了解決這個問題，研究顯然很重要。我作為學者花了很多年做研究，也很享受這個過程。但我確實意識到，特別是和 Martin 交流后，現在是時候集中行業級的力量，特別是在計算、數據和人才方面集中發力，才能真正實現這個目標。這就是我創辦 World Labs 的原因。

Martin Casado：Erik ，你可以做一個簡單的思維實驗，來凸顯語言和空間的區別。如果我把你放在一個房間里，蒙上你的眼睛，然后給你描述這個房間，再讓你完成一項任務，你成功的可能性非常小。比如我說：“在你前方十英尺處有一個杯子，左邊還有……”這是一種非常不準確的描述現實的方式，因為現實非常復雜、精確。

反之，如果我拿掉你的眼罩，讓你看到實際的空間，你的大腦實際上會重建3D空間，然后你就可以去操作東西、觸摸東西。所以可以這樣理解，我們進行大量的語言處理，用它來交流和傳達高層次的想法等。但當涉及在現實世界中導航時，我們真正依賴的是世界本身以及我們重建它的能力。

Erik Torenberg：你是如何以及何時意識到語言可能不夠用的？因為這似乎并沒有得到廣泛認知，我也不是經常聽到這方面的討論。

Martin Casado：如果問我最大的突破性發現，那就是語言技術先取得了進展，而我們在機器人技術上投入了很多努力，僅自動駕駛汽車行業，我們在這個行業投入了大概1000億美元。我記得2006年 DARPA（美國國防部高級研究計劃局）挑戰賽，我們都歡呼“自動駕駛汽車成了！”。但20年過去了，投入1000億美元，這還只是一個二維問題。我們原本的路線是先解決世界導航問題，但結果極其困難。突然出現了大語言模型，它們經濟高效，幾乎瞬間就解決了很多語言問題，我花了一些時間才理解。

飛飛說得非常好，我花了一些時間才理解，我們大腦語言處理區域很新，我們效率其實很低，計算機更擅長不足為奇，但大腦中負責導航、空間感知的部分已經存在很久了，可能有幾百萬年，也許從爬行動物腦時代就有了，大約有四百萬年。

李飛飛：甚至更古老，如三葉蟲時代。

Martin Casado：所以這就像是我們正在重現進化歷程。語言部分對于高層次概念和一些腦力工作非常重要，這也是目前它正在對白領工作范疇產生影響的領域。但當涉及空間時，從機器人技術到任何需要構建物理實體的領域，都必須解決這個問題。我們從自動駕駛汽車領域就知道這是個非常棘手的問題。而退化浪潮給了我們一些如何解決這個問題的思路，當時正是研究良機。

李飛飛：我的經歷不太一樣，因為我專注從事視覺研究，所以我不需要大語言模型來讓我相信世界模型的重要性。聲明并非貶低語言。實際上，看到ChatGPT、大語言模型和這些基礎模型取得如此突破性的成功讓我很興奮，這讓我們意識到世界模型實現的時刻越來越近了。

就像 Martin 表述很精妙，3D空間與心智空間，這種空間智能能讓人做很多超越語言的事情，是智能的關鍵部分。從遠古動物到人類最具創新性的發現，比如DNA雙螺旋結構，僅靠語言是無法推理出來的，這是我最愛的科學例證，我覺得他的例子是巴克球，碳分子結構設計得非常精美。這樣的例子顯示了空間和3D世界的深奧。

Erik Torenberg：讓我們更具體地想象一下。當 World Labs 實現其愿景，或者語言世界模型實現其愿景時，有哪些應用場景或用例可以具體說明呢？

李飛飛：有很多。比如，創造力很大程度上是視覺化的。從設計、電影、建筑到工業設計，創作者涉及多個領域。設計和創意不僅用于娛樂，還可用于提高生產力、制造機械等很多方面，這本身就是一個高度視覺化、感知化、空間化的工作領域。當然，我們提到的機器人技術，對我來說是指所有具身機器，不只是類人機器人或汽車，中間還有很多種類。但它們都需要理解3D空間，需要訓練理解3D空間，并進行任務執行，有時甚至要與人類協作，這當然需要空間智能。

我覺得讓我非常興奮的一點是，在整個人類文明歷史中，我們所有人都共同生活在一個3D世界里，也就是地球的物理3D世界。只有少數人去過月球，但人數非常少。而這項技術讓數字虛擬世界變得無比精彩，它結合了生成和重建。

突然間，我們實際上可以創造無限的宇宙。有些是為機器人創造的，有些是為創造力創造的，有些是為社交創造的，有些是為旅行創造的，有些是為講故事創造的。突然之間，我們能夠生活在一個多元宇宙中，想象的空間是無限的。

Martin Casado：這些討論聽起來可能很抽象，但實際上并非如此。它們聽起來抽象是因為這個領域非常廣泛，就像大語言模型一樣橫向通用。如果問大語言模型擅長什么，同一個大語言模型可用于情感交流、編寫代碼、列清單，還可以用于自我實現。

我認為我們可以非常具體地說明這些模型能做什么。有了這些模型，你可以通過對世界的二維視角，在計算機中創建一個完整的3D表示，包括你看不到的部分，比如桌子的背面。僅通過二維視角，你就能得到完整的信息，你可以問“用這個模型能做什么？”，然后你可以對它進行操作、移動、測量、堆疊，所以在空間中能做的任何事情都可以實現。這意味著可以用于建筑設計、創意設計。而且能夠填充桌子背面的信息意味著可以創造原本不存在的東西。

比如，我只有一張二維圖片，就可以創建一個360度的完整視圖。這就是完全的生成式能力。這意味著可以用于視頻游戲、創意設計等領域。這是一個超級橫向的技術，它可以通過計算機對世界的單一或多個視角，創建一個完整的3D表示，然后計算機就可以基于此進行操作?？梢钥吹?，這對從機器人技術到視頻游戲、藝術設計等各個領域都有著關鍵的作用。

Erik Torenberg：似乎直到現在我們才充分認識到3D元素的重要性，這么說合理嗎？

李飛飛：這么說是合理的。實際上，這經歷了很長的進化過程。3D問題并不容易解決，但我總會想起幾年前我和我六歲孩子的一次對話，關于為什么樹沒有眼睛。根本原因是樹不會移動，所以不需要眼睛。動物生命的基礎是移動、行動和交互，這就催生了感知和空間智能。而空間智能，就像 Martin 說的，將全面重塑人類的工作和生活方式。

Erik Torenberg：一定要是3D的嗎？為什么不能只用二維呢？

李飛飛：物理現象發生在3D空間中，交互也發生在3D空間中。在桌子后面導航需要在3D空間中進行。無論是在物理世界還是數字世界中構建事物，都需要在3D空間中進行。所以從根本上說，這是一個3D問題。

Martin Casado：一種思考方式是，如果是人類看二維視頻，人類可以在腦海中重建3D空間。但如果是一個機器人，它的模型輸出是二維的，然后讓它去完成一些任務，比如測量距離、抓取東西，就會缺少關鍵信息，只有X、Y軸，因為缺少了Z軸信息。所以對于很多與空間相關的任務，需要向計算機提供3D信息，這樣它才能在3D空間中導航。二維視頻對人類來說沒問題，因為我們可以將其轉化為3D信息，但對于任何計算機程序來說，都需要3D信息。

李飛飛：實際上，我想講分享個親身經歷。大約五年前，我因為眼角膜受傷，有幾個月失去了立體視覺，只能用一只眼睛看東西。就像 Martin 說的，我一生都習慣了立體視覺。所以即使只用一只眼睛看，我大概也知道3D世界是什么樣的。但作為一名視覺科學家，那段時間對我來說是一次有趣的實驗，讓我體驗了另一種看世界的方式。

有一件事讓我印象深刻，我不敢開車了。首先，我不敢上高速，速度太快我應付不來。我只能在自己家附近開車，我發現我無法很好地判斷我的車和路邊停著的車之間的距離，即使是在一條小路上。盡管我非常清楚我的車有多大，也大概知道鄰居家停的車有多大，而且我在這條路上開了很多年。但開車的時候，我只能開得很慢，時速幾乎只有十英里，以免刮到其他車。這就是我們需要立體視覺的原因。

Martin Casado：這很好地說明了為什么在進行某些處理時，3D信息是必不可少的。

李飛飛：沒錯，我不建議大家嘗試，但如果你有空，可以用一只眼睛看，然后停一輛車，再開另一輛車，感受一下。

Erik Torenberg：在大語言模型方面，很多研究是由大公司完成的。目前這個領域的研究進展如何？

李飛飛：與大語言模型相比，這絕對是一個較新的研究領域。但也不能說全新，因為在計算機視覺領域，我們一直在做相關的研究。例如，3D計算機視覺領域的一個重要突破是神經輻射場（NeRF），是我們的聯合創始人 Ben Mildenhall 和他在伯克利的同事們完成的，這是一種實現3D的方式。四年前，深度學習重構技術曾席卷全球。我們還有一位聯合創始人 Christoph Lassner ，他的開創性工作是高斯潑濺表示法復蘇起來的原因之一，這種方法用于表現3D體積數據。

當然還有 Justin Johnson ，他曾是我的學生，也是 World Labs 的聯合創始人，他們屬于第一代深度學習計算機視覺領域的學生，在圖像生成方面做了大量奠基性工作。在 Transformer 出現之前，我們用GANs（高斯方法）進行圖像生成，還有風格遷移技術，這推廣了我們現在所做工作的一些組成部分。學術界和工業界都在開展相關工作。在 World Labs ，我們堅信要專注于這個最重要的核心問題，匯聚計算機視覺、擴散模型、圖形計算機圖形學、優化、AI和數據等領域最聰明的人，組成一個團隊，努力讓這個項目取得成功并實現產品化。

Martin Casado：我并非這些領域的專家，但我要解決這個問題，需要AI領域的專家，包括在數據、模型架構方面的專家，也需要圖形學專家，他們可以解決計算機內存和屏幕呈現問題。所以我認為這是一個非常特別的團隊，能攻克這個難題，而飛飛已經成功組建了這個團隊。

點個愛心，再走 吧