2025 年 6 月 16 日，斯坦福教授李飞飞在旧金山的 AI Startup School 举行了一场炉边对谈，主题为《Spatial Intelligence is the Next Frontier in AI》。这场演讲标志着她的研究和创业方向从“视觉识别”正式迈向“空间智能”，并介绍了她最新创立的公司——World Labs。
分享给大家。
一、从 ImageNet 到生成式 AI：AI 视觉的第一阶段
李飞飞是全球人工智能领域最具影响力的研究者之一。她曾担任谷歌云 AI 首席科学家、现任斯坦福大学计算机科学教授。她的工作在很大程度上定义了现代计算机视觉的发展路径。
她在演讲中首先回顾了2009年创建 ImageNet 的过程——这是一个包含上千万张标注图片的数据集，成为后来深度学习时代的基础性里程碑。
“2007 年，我们意识到机器学习的瓶颈不在算法，而在数据。”
在当时，神经网络在视觉领域并不流行。李飞飞与学生决定从互联网收集上亿张图片，建立全球视觉分类体系，并开放给整个研究界。
2012 年，AlexNet 在 ImageNet 比赛中以前所未有的准确率胜出，开启了深度学习革命。
她强调，那一刻是“数据、算力和算法”三者首次融合：
- 数据：ImageNet 提供了大规模训练样本；
- 算力：GPU 计算被首次应用于深度学习训练；
- 算法：卷积神经网络（CNN）在视觉任务中展现出突破性性能。
这为后续的图像识别、自动驾驶、医疗影像、生成式模型奠定了基础。
二、从“识别物体”到“理解世界”：AI 视觉的第二阶段
在 ImageNet 之后，李飞飞的研究继续推进视觉智能的边界。
她与学生（包括后来的 OpenAI 联合创始人 Andrej Karpathy）合作，探索了“图像描述”问题——让模型不仅识别物体，还能用自然语言描述场景。
“当人类看一张图时，不只是看到猫或椅子，而是理解‘这是一间会议室’，‘这里有人在讲话’。那是视觉理解的真正意义。”
2015 年，李飞飞团队发表了早期的“图像自动生成文字描述”论文，这成为“多模态学习”的重要起点。
她在演讲中提到，当时她曾半开玩笑地对学生说：
“我们能不能反过来，让模型从一句话生成图像？”
十年后，这个笑谈成为现实。
如今的扩散模型与生成式 AI（如 Midjourney、Sora）都在执行这一任务。
三、空间智能：AI 的下一个前沿
李飞飞认为，当前的大模型在语言领域已经进入平台期，而人工智能要想进一步接近通用智能，必须跨过一个新的门槛——空间智能。
她在演讲中指出：
“语言是 1D 的，基于符号与序列；世界是 3D 的，甚至加上时间，是 4D 的。AGI 如果不能理解三维世界，它就不完整。”
空间智能指 AI 理解、推理和生成三维世界的能力。这不仅包括识别和生成三维场景，还涉及物理约束、空间关系、物体交互与行为规划。
李飞飞从生物进化的角度解释这一点：
- 人类语言的演化大约花了几十万年；
- 视觉系统的发展则经历了超过 5 亿年，从最早的三叶虫开始。
她认为视觉与空间感知才是智能的根本驱动力。
而相比语言模型的“文本自监督学习”，空间智能要面对更复杂的数据获取、物理一致性与多模态融合问题。
四、World Labs：面向世界模型的基础研究公司
为了探索空间智能的落地路径，李飞飞创立了 World Labs。
她在演讲中透露，公司聚焦于“世界模型”的构建——这类模型不仅能生成视觉图像，更能推理三维结构、重建真实场景并进行空间推断。
联合创始团队由三位顶尖研究者组成：
- Justin Johnson：李飞飞在斯坦福的博士生，早期提出“神经风格迁移（Neural Style Transfer）”；
- Ben Mildenhall：NeRF（Neural Radiance Fields）第一作者，是三维重建技术的关键人物；
- Christoph Lassner：Pulsar 创始人，差分渲染（Differentiable Rendering）领域专家。
.webp)
这些研究者代表了当下计算机视觉中最前沿的方向——从像素建模到场景重建，从图像理解到空间推理。
World Labs 的目标，是开发一类全新的基础模型，使 AI 能在“生成”与“重建”之间自由切换，既能用于虚拟世界（如内容创作、游戏、数字孪生），也能延伸到现实世界（如机器人感知、自动驾驶、工业仿真）。
“语言大模型重塑了文字世界，而世界模型将重塑物理世界。”她强调，空间智能模型将成为连接物理世界与数字世界的关键基础层。
五、空间智能的技术与产业意义
1. 技术层面：从 2D 到 3D 的模型重构
当前的生成模型（如扩散模型）主要处理二维像素，而空间智能需要在三维空间中理解几何、光照、运动和物理规律。
这意味着模型架构、数据采集、算力组织都要重构。
李飞飞指出，3D 感知是一个“病态问题”——三维到二维的投影存在信息丢失，需要融合多传感器和多模态信号才能解决。
2. 应用层面：从虚拟世界到现实世界
空间智能的应用范围远超图像识别。李飞飞提到三个主要方向：
- 内容生成与设计：为建筑、游戏、影视提供可编辑的三维场景；
- 机器人与自动化：让机器具备空间推理与操作能力；
- 人机交互与沉浸体验：结合 XR、AR 硬件，实现更自然的交互方式。
她也认为，这将为“元宇宙”“数字孪生”等尚未成熟的领域带来新的技术基础。
六、从学术到创业：延续探索式的路径
飞飞在演讲最后谈到自己的人生轨迹。
她早年移民美国时，在加州经营过一家自助洗衣店以资助学业；后来在普林斯顿任教，进入斯坦福与谷歌；2020 年在斯坦福创立“人本智能研究院”，推动人工智能与社会伦理结合。
她强调，无论在学术还是产业中，AI 的最终目标应当是“以人为中心的智能系统”：即在推动技术极限的同时，保持人类价值与社会责任的约束。
最后，过去十年，AI 的进步主要集中在“语言”这一维度：
从 GPT 到 Claude，再到 Gemini，机器已经可以理解和生成文字、代码与图像。
李飞飞所提出的“空间智能”，则代表着下一阶段的跃迁——让 AI 不仅能描述世界，更能在世界中行动、感知和推理。
以上，祝你今天开心。
本文由公众号“卡尔的AI沃茨”授权转载｜ https://mp.weixin.qq.com/s/mqKYU-iJb46bwZZy1wPDYA｜（编辑：潇飞）