李飞飞最新万字访谈：未来五年，Transformer 可能被淘汰

编辑重点君

11月24日，斯坦福大学教授、World Labs创始人李飞飞参加播客访谈，详细阐述了她对空间智能（Spatial Intelligence）的构想，并讨论她与杨立昆在世界模型（World Models）上的不同观点流派问题。

在世界模型的构建上，李飞飞与前Meta首席科学家杨立昆（Yann LeCun）的理念常被外界视为两种流派。杨立昆倾向于让模型学习世界的抽象“隐式表征”，而不必还原每一帧像素；而李飞飞的Marble则力求从抽象的内部表征中产生显式表征，明确输出可视化的3D世界。

李飞飞并不认为两者是对立关系，她表示如果最终要构建一个通用的世界模型，隐式表征和显式表征最终都是必要的。World Labs采用的是“刻意为之”的显式输出，因为其商业目标服务于游戏开发、视觉特效和建筑设计等领域的人类创作者，他们的日常工作需要一个可视化的、可交互的3D输出结果。但在模型内部，RTFM同样包含隐式表征。她认为，未来的架构将是两者的混合体。

作为World Labs的创始人，李飞飞在访谈中透露了公司的首个产品Marble，以及其背后的技术底座“实时帧模型”（RTFM）。与单纯生成视频的模型不同，Marble致力于生成具有一致性和持久性的3D空间，其模型不仅是多模态的，支持文本、图像、视频甚至粗略的3D布局作为输入，更重要的是它试图在推理过程中保持物体一致性。

她说，目前的LLM主要通过海量的文本数据学习，虽然语言模型令人惊叹，但人类大量的知识是无法仅通过语言捕捉的。为了构建真正的通用人工智能，AI必须走出文本的限制，通过视觉和行动去体验物理世界。人类的学习过程本质上是具身（Embodied）的，我们在没有语言的情况下与世界大量互动，感知光线、触觉、重力和空间关系。

当被问及目前的AI是否真正“理解”物理世界时，李飞飞认为，目前大多数生成式视频中展现的水流或树木摆动，并非基于牛顿力学计算，而是基于海量数据的统计学涌现。虽然AI可能通过数据拟合出运动定律，但要达到爱因斯坦提出相对论那种层面的抽象，目前的Transformer架构尚未展现出足够的证据。

对于技术的演进速度，李飞飞认为在五年内，我们有望看到AI在理解物理世界方面取得重大进展。她描绘了一个基于“多重宇宙”（Multiverse）的未来图景：通过大幅降低3D内容生成的门槛，人类可以低成本地创造出无数个平行世界，这些数字平行世界将成为人类物理体验的无限延伸，重塑娱乐、教育、远程协作以及科学探索等多个领域场景。

李飞飞访谈内容划重点：

1. 空间智能是核心

仅靠语言不足以构建通用人工智能（AGI）。人类大量智能（如空间推理、急救反应）是非语言的。AI必须获得“空间智能”（Spatial Intelligence），要像生物一样，拥有深度感知的空间能力，建立起看、做和想象之间的完整闭环。

2.世界模型的新范式

World Labs 的核心产品 Marble 与普通视频生成模型的最大区别在于“物体恒常性”（Object Permanence）。在 Marble 生成的世界里，当你转身再转回来，背后的物体依然存在且保持原状，而不是像梦境一样随机变形。

李飞飞团队提出了“实时帧模型”（RTFM），其目标是在单张 H100 GPU 的算力约束下，实现高效的 3D 空间推理。这是为了构建一个在几何上一致、在时间上持久的“数字容器”，为未来能够理解物理法则的 AI 打下地基。

3. 与杨立昆和而不同

杨立昆主张世界模型要做抽象理解的“隐式表征”，李飞飞的Marble则力求从抽象的内部表征中产生显式表征。李飞飞认为隐式表征和显式表征最终必须融合，但目前 World Labs 刻意选择输出显式 3D 表征，目的是赋能人类。

未来的AI 不应只是一个黑盒，而应成为游戏开发者、建筑师和艺术家的“神经空间引擎”（Neural Spatial Engine）。它融合了传统物理引擎（如Unreal）的确定性规则和生成式 AI 的统计创造力，让普通人也能瞬间构建复杂的 3D 交互世界。

4. 视觉领域的“Next Token”难题

语言模型有完美的“预测下一个Token”作为目标函数。但在视觉领域，“预测下一帧”虽然强大但并不完美，因为它将三维世界压缩为二维，丢失了结构信息。寻找视觉领域的“通用任务函数”仍是未解之谜。

5. AI目前还不懂物理

AI生成的物理现象（如重力、碰撞）多源于统计规律的模仿，而非对物理定律的因果理解。现有的Transformer架构可能难以产生如“相对论”般的高级抽象，未来五年，行业需要寻找一种新的架构突破，让 AI 从统计相关性跨越到真正的因果逻辑和物理推理。

以下为李飞飞访谈实录：

主持人：欢迎收听本期播客。在这一集中，我很荣幸再次与人工智能先驱李飞飞博士对话。几年前我曾在播客上邀请过飞飞，我也推荐大家去听那一期节目。

在今天的对话中，我们将探讨她关于“世界模型”（World Models）的见解以及“空间智能”（Spatial Intelligence）的重要性——这些都是打造真正理解现实世界并能与之互动的 AI 的关键要素。虽然大型语言模型（LLMs）已经非常惊人，但大量（甚至大部分）人类知识并未被文字所捕捉。为了实现更广义的人工智能，模型需要亲身体验世界，或者至少通过视频来学习。我们还讨论了她的创业公司 World Labs 以及他们的第一个产品 Marble。Marble 可以从模型的内部表征生成令人难以置信的复杂 3D 空间。

1.从计算机视觉到空间智能的演进

主持人：我想先把话题从Marble 和你们那个能生成一致且持久的、供观众漫游的 3D 世界的新模型上移开，多谈谈你为什么把重点放在世界模型和空间智能上。为什么这是超越单纯语言学习的必要条件？

另外，你的方法与杨立昆的方法有何不同？你现在的世界模型工作，究竟是你过去在环境智能（Ambient Intelligence）工作的延伸，还是平行的另一条路线？

李飞飞：过去几年我一直思考的空间智能工作，实际上是我整个计算机视觉职业生涯重点的延续。

我之所以强调“空间智能”，是因为我们的技术已经发展到了这样一个阶段：其复杂程度和深层能力已经不再停留在仅仅“盯着”一张图像的层面，甚至不仅仅是简单的视频理解。现在的核心是深度感知的空间，这与机器人学、具身智能（Embodied AI）以及环境智能都紧密相连。从这个角度看，这确实是我在计算机视觉与 AI 领域职业生涯的自然延伸。

主持人：正如你和其他许多人所指出的，语言模型是从以文本编码的人类知识中学习的，但那只是人类知识的一个非常有限的子集。人类的学习是通过在没有语言的情况下与世界大量互动获得的。因此，如果我们要超越当前这些虽然了不起但仍有局限的大型语言模型，开发出能对世界有更直接体验、能更直接从世界中学习的模型就显得尤为重要。

谈到具体方法，以Marble 为例，你的做法是将模型学到的世界内部表征提取出来，并创建一个与之对应的外在视觉现实。而杨立昆的方法主要是建立内部表征，让模型能够学习运动物理定律之类的东西。这之间有平行关系吗？这两种方法是互补的，还是有重叠？

李飞飞：首先，我不会把自己和杨立昆对立起来。我认为我们在智力上处于同一个连续体中，只是对空间智能和世界建模采取了不同的切入点。

如果你读过我最近发表的那篇关于“空间智能”的长文（我称之为宣言），我在这一点上说得很清楚。我认为，如果最终要构建一个通用的、全能的世界模型，隐式表征（Implicit Representation）和某种程度的显式表征（Explicit Representation）最终可能都是必要的，尤其是在输出层。

例如，World Labs 目前的世界模型 Marble 确实会显式地输出 3D 表征，但在模型内部，它同时也包含隐式表征。老实说，我认为这两者最终都是不可或缺的。

在输入模态方面也是如此。是的，从视频中学习非常重要，毕竟整个世界可以看作是大量连续帧的输入。但真正的智能，无论是对于动物还是机器，不仅仅是被动观看。它还涉及到动作、互动的具身体验，以及触觉、声音、气味、物理力（Physical Forces）、温度等。因此，我认为这在本质上是深度多模态的（Deeply Multimodal）。

Marble 作为一个模型只是第一步。在我们几天前发布的那篇技术报告中，我们要表达得相当明确：多模态既是一种学习范式，也是一种输入范式。目前学术界对此有很多讨论，这也展示了该领域正处于早期且令人兴奋的阶段。可以说，我们在确切的模型架构和表征方式上的探索还远未结束。

2.超越文本：多模态输入与学习范式

主持人：在你那个世界模型中，输入主要是视频吗？

李飞飞：如果你体验过Marble，你会发现我们的世界模型输入是相当多模态的。你可以只使用纯文本，也可以使用一张或多张图像，可以处理视频，甚至可以输入粗略的 3D 布局（比如盒子或体素）。它是多模态的，而且我认为随着我们的推进，这方面的能力会进一步加深。

文本只是一种形式。是的，但这正是我们产生分歧的地方。大多数动物并不是通过复杂的语言来学习的，但人类是。不过，我们今天的AI 世界模型（World Models）将从大量的语言输入以及其他模态中学习，它并非仅仅通过语言来进行信息的压缩和传递。

主持人：这也是大型语言模型（LLMs）的一个限制，即模型在训练后参数就固定了。所以它们不会持续学习，尽管在测试时的推理阶段会有一定程度的学习。这是你在构建世界模型时试图解决的问题吗？因为我们可以推测，世界模型在遇到新环境时应当是不断学习的。

李飞飞：是的，持续学习（Continuous Learning）范式确实非常重要。对于生物来说就是如此，这也是我们人类学习的方式。即使在生物学习中，也存在在线学习与离线学习的区别。在我们目前的世界模型形式中，仍然更多地处于批量或离线学习模式。但我们绝对持开放态度，尤其是未来涉及到在线学习和多模态融合时。

主持人：那会是怎样的？会是一个完全不同的架构，还是仅仅是工程实现的问题？

李飞飞：我会保持开放的心态。我认为会是两者的混合。显然这需要优秀的工程实现，比如微调（Fine-tuning）和在线学习，但也可能会出现新的架构。

主持人：你能谈谈实时帧模型（Real-Time Frame Model）吗？以及你们在世界模型方面的工作？

李飞飞：你指的是我们几周前发布的一篇技术博客，那是专门深入探讨我们的实时帧模型的。World Labs 是一个以研究为主的组织，虽然我们也关心产品，但现阶段大量工作是以模型为先的。我们正着重研究如何推进空间智能（Spatial Intelligence）。这项特定的工作实际上是专注于如何实现基于帧的生成，并尽可能保持几何一致性和持久性。

在早期的基于帧的生成操作中，当你向前移动视角时，往往会失去那种物体持久性。在这个特定案例中，我们努力实现平衡，并在推理期间以计算高效的方式完成这一点，即在推理时仅使用单个H100 GPU。我们不太清楚其他基于帧的模型的情况，因为他们没透露推理时使用了多少芯片，但我们假设那是相当大的算力消耗。

3.寻找空间智能的“通用任务函数”

主持人：在你的那篇“宣言”里，你谈到了需要一个“通用任务函数”（General Task Function）。这类似于语言模型中的“下一个 Token 预测”（Next Token Prediction）。它是否带有预测元素？

李飞飞：生成式AI 最重大的突破之一，确实是发现了“下一个 Token 预测”这个目标函数。这是一个非常优美的表述，因为语言是以序列化方式存在的，你可以将语言 Token 化为这种序列表示。你用于下一个 Token 预测的学习函数，正是推理时所需要的。无论是人类还是计算机生成语言，实际上都是一个接一个地把标记向前推进。拥有一个与最终实际执行任务完全（100%）对齐的目标函数是极好的，因为它使优化可以完全针对目标进行。

但在计算机视觉或世界建模中，情况没那么简单。语言本质上是人类生成的，自然界中并不存在你盯着看的“语言”，哪怕你最终学会了阅读，那也是因为它已经被生成了。但我们与世界的关系要更加多模态：世界就在那里等着你去观察、解读、推理并与之交互。人类还有一种“心眼（Mind's Eye）”，能够构建不同版本的现实、想象并生成故事。这要复杂得多。

主持人：那么，定义这个通用任务的是什么？或者说，我们可以使用的通用目标函数是什么？有什么能像“下一个 Token 预测”一样强大吗？是 3D 重建吗？

李飞飞：这是一个非常深刻的问题。有些人实际上会争辩说，世界建模的通用任务可能就是对世界进行3D 重建。如果这是目标函数并且我们达成了它，很多事情就会水到渠成。但我并不这么认为，因为大多数动物的大脑并不一定会进行精确的三维重建，然而老虎或人类在空间上却是如此强大的视觉智能体。

“下一帧预测”确实有一定力量。首先有大量用于训练的数据；其次，为了预测下一帧，你必须学习世界的结构，因为世界不是白噪声，帧与帧之间存在大量结构连接。

但这也令人不满意，因为你把世界当作二维的，这种压缩方式非常糟糕。即使你做得完美，3D 结构也只是隐式的，这种基于帧的方式会丢失很多信息。所以在这方面仍有很多探索空间。

主持人：我得问你，你们把模型命名为RTFM（Real-Time Frame Model），这是个玩笑吗？

李飞飞：这确实是一次绝妙的“表演”。名字不是我起的，是我们的一位研究员，他在命名方面真的很有天赋。我们觉得用那个名字玩个梗很有趣。

主持人：但是RTFM 是在预测下一帧，并且具有三维一致性，对吧？

李飞飞：是的。

主持人：这就是模型所学内部表示有趣的地方。比如我看着电脑屏幕，即使看不见背面，我也知道它长什么样，因为我脑海中有它的内部表征。这就是为什么你可以在屏幕这个二维平面上移动物体，却能看到它的另一面。模型拥有三维物体的内部表征，即使它当前的视角看不见物体的背面。当你说到空间智能时，这是否包括自然的物理法则？比如理解你不能穿过一个固体物体？或者如果站在悬崖边，它知道那是边缘，如果走过去会掉下去而不是浮在空中？

李飞飞：你描述的既有物理层面也有语义层面。从悬崖掉下去很大程度上取决于重力定律，但穿墙而过则基于材质和语义（固体与非固体）。目前作为一个现有模型，RTFM 还没有把重点放在显式的物理学上。

大部分的“物理”实际上是从统计中涌现的。许多生成式视频模型展示的水流或树木移动，并不是基于牛顿力学定律和质量计算出来的，而是基于对大量统计模式的遵循。World Labs 目前仍然专注于生成和探索静态世界，但我们也将探索动态，其中很多将是统计学习。

我不认为今天的AI 有能力在不同层次上进行抽象并推导物理规律。另一方面，我们有像 Unreal 这样的空间物理引擎，其中有明确的物理定律在起作用。最终，这些游戏引擎/物理引擎将与世界生成模型融合成我称之为“神经空间引擎（Neural Spatial Engine）”的东西。我们正朝着那个方向前进，但现在还处于早期阶段。

4.显式表征的价值：赋能创作者与产业

主持人：我不是想让你和杨立昆对立。但你似乎关注的是从抽象的内部表征中产生显式表征，而杨立昆只是关注内部表征。

李飞飞：在我看来它们会完美结合。我们同时探索两者。输出显式表征其实是一种非常刻意的方法，因为我们希望这对人有用。

我们希望这对那些在创作、模拟和设计的人有用。如果你看看当今的行业，无论你是在制作视觉特效（VFX）、开发游戏、设计室内、还是为机器人或自动驾驶车辆进行仿真（数字孪生），这些行业的工作流程都非常依赖 3D。我们希望这些模型对个人和企业都绝对有用。

主持人：这就回到了持续学习的话题。比如一个机器人上的模型，通过摄像机在世界中移动获取数据，最终它不仅学习场景，还理解空间的物理性，然后与语言结合？这是否需要持续学习？

李飞飞：绝对如此。尤其是当接近某个用例时，持续学习至关重要。这可以通过多种方式实现：在语言模型中，将上下文本身作为输入就是一种持续学习（作为记忆）；此外还有在线学习和微调。在空间智能领域，无论是个性化机器人还是具有特定风格的艺术家，最终都会推动这项技术在不同时间尺度上变得更具响应性，以满足具体用例的需求。

5.未来展望：AI模型的技术跨越

主持人：你现在的进展非常快，特别是想到你曾在新泽西经营过干洗店，虽然那是很短的一段时间，但这种跨越真是令人惊叹。你对这项技术五年后的发展程度有什么判断吗？比如模型内部是否会内置某种物理引擎，或者拥有更长时间尺度的学习能力，从而建立起更丰富的内部表征？也就是说，模型是否会开始真正理解物理世界？

李飞飞：实际上，作为一名科学家，很难给出一个精确的时间预测，因为有些技术的进展比我预期的快得多，而有些则慢得多。但我认为这是一个非常好的目标，而且五年确实是一个相当合理的估计。我不知道我们会不会更快实现，但在我看来，这比猜测五十年要靠谱得多，当然也比猜测五个月要靠谱。

主持人：你能否稍微谈谈，为什么你认为“空间智能”（Spatial Intelligence）是下一个前沿？正如我们所知，包含在文本中的人类知识只是全部人类知识的一个子集。虽然它非常丰富，但你不能指望一个 AI 模型仅通过文本就能理解世界。能具体谈谈为什么这很重要吗？以及 Marble 和 World Labs 是如何与这个更大的目标相关联的？

李飞飞：从根本上讲，技术应该帮助人类。与此同时，理解智能科学本身是我能想到的最迷人、最大胆、最有雄心的科学探索，这是属于21世纪的探索课题。

无论你是被科学的好奇心吸引，还是被用技术帮助人类的动机驱动，这都指向了一点：我们的大量智能，以及我们工作中的大量智能是超越语言的。我曾半开玩笑地说，你无法用语言去灭火。在我的宣言里，我举了几个例子：无论是空间推理、DNA 双螺旋结构的推导，还是一名急救人员在快速变化的情况中与团队协作灭火，很多内容都超越了语言。

所以，从应用角度来看这是显而易见的；作为一项科学探索，我们应该尽最大努力去破解如何发展空间智能技术，带我们进入下一个层次。从宏观角度来看，这就是驱动我的双重动机：科学发现以及为人类制造有用的工具。

我们可以更深入地探讨一下其实用性。无论是在谈论创造力、模拟、设计、沉浸式体验、教育还是医疗保健，甚至是制造业，利用空间智能可以做的事情实在太多了。实际上，我很兴奋，因为许多关心教育、沉浸式学习和体验的人告诉我，Marble（我们需要发布的首个模型）激发了他们思考如何将其用于沉浸式体验，使学习更具互动性和趣味性。这是如此自然，因为还不会说话的儿童完全就是通过沉浸式体验来学习的。即便作为成年人，我们的生活也大多沉浸在这个世界中，虽然包括听说读写，但也包括实践、互动和享受。

主持人：是的。Marble 让所有人都印象深刻的一点是，它不仅仅是生成下一帧画面，而是在一个空间中移动，而且它仅在一块 H100 GPU 上运行。我在你其他的演讲中听到你提到过“体验多重宇宙”（experiencing the multiverse）。大家一开始都很兴奋，直到意识到这需要巨大的计算量和昂贵的成本。你真的认为这是朝着为教育创建虚拟世界迈出的一步吗？因为看起来你们已经能够减少计算负担了。

李飞飞：首先，我真的相信在推理方面我们会加速，我们将变得更高效、更优秀、规模更大、质量更高。这是技术的趋势。我也相信多重宇宙的概念。就我们所知，整个人类历史的经验只存在于一个世界里，确切地说是地球这个物理实体。虽然有极少数人登上过月球，但也就仅此而已。我们在3D 空间中建设文明、生活、做所有事情。

但随着数字革命和数字爆炸，我们正把生活的一部分转移到数字世界中，这两者有很多交叉。我并不想描绘一种我们放弃了物理世界的反乌托邦图景，也不会描绘一种每个人都戴着头盔、永远无法欣赏真实世界的极端乌托邦式虚拟世界，那是生命最充实的部分，我会拒绝这两种极端观点。

但从实用角度以及对未来的设想来看，数字世界是无边无际的。它是无限的，它为我们提供了物理世界无法允许的更多维度和体验。例如，我们讨论过关于学习的问题。我真希望能以更互动、更沉浸的方式学习化学。我记得大学化学课有很多关于分子排列、理解对称性和分子结构不对称性的内容。我真希望能在沉浸式体验中亲自感受那些东西。

我遇到的许多创作者，我意识到在他们的脑海中，每一瞬间都有无数的想法，但他们受制于工具的限制。例如使用Unreal Engine（虚幻引擎），要把脑中的一个世界表达出来需要花费数周甚至数小时的工作时间。无论你是制作一部奇幻音乐剧，还是为新生儿设计卧室，如果我们允许人们像在物理世界中一样，充分利用数字宇宙去反复尝试、交流和创造，那将非常有趣。

此外，数字时代也在帮助我们打破物理边界和劳动的限制。比如远程操控机器人。我完全可以想象创作者通过具身化的化身（Avatar）在全球协作，通过机械臂或任何形态以及数字空间，使他们既能在物理世界中工作，也能在数字世界中工作。电影行业也将被彻底改变，现在的电影是被动体验，尽管很美好，但我们将改变获得娱乐的方式。所以这一切都需要多重世界。

主持人：还有关于瞬移或者遥操作机器人，比如有人在谈论在小行星上开采稀土。如果你不需要亲身到场，而是能远程操作机器人，那就在那些空间里实现了。你所谈论的是创建人们可以体验的3D 空间的显式表征。在你的模型中，这个模型自身在多大程度上“理解”它所处的空间？它是内化了这些信息，还是仅仅是将其显式地投射出来？

这是一个朝着真正理解世界的人工智能努力的过程。不仅仅是对三维空间有一个表示，而是真正理解物理定律，理解它所看到的东西，甚至包括这些东西的价值、有用性，以及如何操纵物理世界。你认为目前已经存在多少这样的理解？要让那些模型真正理解这个世界，还需要发生什么？

李飞飞：这是一个很棒的问题。“理解”是一个很深刻的词。当AI “理解”某样东西时，它本质上与人类的理解不同。部分原因是我们是非常不同的存在。人类是具身的（embodied），是在一个有形的身体里存在的。例如，当我们真正理解“我的朋友很高兴”时，这不仅仅是抽象的理解。你能感受到你体内发生的化学反应，释放快乐激素，心跳加速，情绪改变。那种理解层次与抽象的AI Agent非常不同。

AI Agent能够正确地分配意义并建立联系。例如，在 Marble 我们的产品中，你可以进入世界生成的高级模式进行编辑。你可以预览这个世界并说：“我不喜欢这张沙发是粉色的，把它换成蓝色。”然后它就把它改成蓝色。它是否理解“蓝色沙发”和“更改”这个词的含义？是的。因为没有这种理解，它就无法执行任务。

但它是否像你我一样理解关于沙发的一切？包括沙发的用途、甚至无用的信息？它有关于沙发的记忆吗？它会把“沙发”这个概念推广到许多其他事物上吗？不，它没有。作为一个模型，它的能力有限，只能根据要求创建一个包含蓝色沙发的空间。

所以我认为AI 确实能“理解”，但不要将这种理解误解为拟人化的、人类层面的理解。这种理解更多是语义层面的，而不是那种光线打在视网膜上产生感知体验的理解。

主持人：我看过你和Peter Diamandis 以及埃里克·施密特（Eric Schmidt）的讨论。其中有一点让我印象深刻，是关于 AI 可能具有创造力或用于辅助科学研究的讨论。当时给出的类比是：如果在爱因斯坦发现相对论之前就有人工智能，AI 能推理出那一发现吗？对于 AI 来说，要具有这种科学推理层面的创造力，还缺少什么？

李飞飞：我认为我们更接近于让AI 推导出双螺旋结构，而不是提出狭义相对论。部分原因是我们已经看到了很多出色的蛋白质折叠相关工作。推断双螺旋结构的表示更扎根于空间和几何。

而狭义相对论的表述是在抽象层面上。我们在物理中看到的所有事物，从牛顿定律到量子力学，都是将作用抽象到因果层面。比如质量、力这些概念，是被抽象到不再仅仅是纯粹统计模式生成的层次。语言可以是统计性的，3D 或 2D 世界的动力学可以是统计性的，但对力、质量、磁性以及因果关系的抽象，并非纯粹的统计性，而是非常深刻的因果性和抽象性。

我和Eric 在台上都在说，如果我们把所有关于天体观测的数据、卫星数据都聚合起来交给当今的 AI，它也许能通过数据推导并拟合出牛顿运动定律。

主持人：既然AI 如果给出数据就能推断出运动定律，那你为什么认为它无法推导出相对论那些定律呢？

李飞飞：当我们说那些定律被“推导”出来时，牛顿不得不推导、抽象出诸如“力”、“质量”、“加速度”以及那些基本常数的概念。那些概念处于一个我还没有在目前的AI 中见过的抽象层面。

如今的AI 可以利用大量数据，但在那个层面的抽象表示、变量或关系上，还没有太多证据表明它能做到。我并不了解 AI 中发生的一切，如果我被证明是错的，我很乐意接受。但我还没听说过有任何工作能在 Transformer 模型的架构中做到那种层次的抽象。我看不出那种抽象能从哪里来，这就是我对此表示怀疑的原因。这需要构建内部抽象的内部表征，以及应用逻辑知识的规则。这可能需要我们在基础架构和算法上取得更多进展。

主持人：这正是我想问的。你一直在和人们讨论后Transformer（post-transformer）架构。你是否预期会出现一种新的架构能解锁其中一些能力？

李飞飞：我同意，我确实认为我们会有架构上的突破。我不认为Transformer 是 AI 的最后一项发明。在宏观的时间尺度上，与宇宙历史相比，人类存在的时间并不长，但在我们简短的历史中，我们从未停止创新。所以我不认为Transformer 是 AI 的最终算法架构。

主持人：你曾提到，你曾设想如果你能让一个AI 系统为图像打标签或生成说明，那本该是你职业生涯的巅峰。当然你早就超越了这一点。那么现在，你想象中未来职业生涯的巅峰成就从今天开始会是什么？

李飞飞：我确实认为开启“空间智能”很重要。创建一个真正将感知与推理相连接的模型：从“看见”到“做”，包括规划和想象，并将想象转化为创造。那会非常了不起。一个能同时做到这三点的模型。