李飞飞最新访谈：这，才是下一个10年

来源：市场资讯

（来源：中国地产基金百人会）

宏观趋势

笔记君说：

在AI浪潮席卷各行各业的今天，每一位企业家和创业者都面临同一个问题：未来的机会究竟在哪里？

被誉为“AI教母”的李飞飞，在前两天的一次深度对话中，给出了她的答案。

以下是李飞飞这次访谈中的自述部分，希望她的这些话，对你有所启发。

一、“空间智能”是AGI的一把关键钥匙

1.世界远不止语言那么简单

我先说一下我的信念：在技术上，确实有一些相通的概念，所以我也能理解有些人说“语言即世界”。

宏观地来说，我坚信这个世界远不止语言那么简单。

如果我们说的语言概念，指的是那种离散的、本质上更偏向“一维”的信息——即便它能表达多维的内容，语言本身的呈现形式还是比较一维的。但这个世界其实要丰满得多。

我一直强调，空间智能包含诸多特性，比如物理属性这些，都是超越语言范畴的。而且不管是人类的行为，还是大自然的运转，很多东西既没法用语言完全表述清楚，也不可能单靠语言就实现所有想做的事。

我们每天睁开眼，从生存、工作、创造，到感受、感知，再到人与人之间丰满的情感，这些日常里的种种，从来都不是只靠语言就能完成的。

当然“语言即世界”这样的话确实挺好听，听起来也没错，因为它是非常笼统的一句话。当你一句话很笼统的时候，它可能错不了。

但从技术层面看，现在数字化是必然趋势：视觉模型、空间智能、机器人模型，本质上都会走向数字化。可要是把数字和语言完全画等号、当成一回事，那这个概念就变味了。

如果连数字都能被叫做“语言”，那相当于啥都能往“语言”里套，这就没什么好争论的了。

在我看来，信息远不止语言这一种，还有空间信息，它和语言一样美妙、一样重要。

2.“空间智能”到了爆发前夜

现在AI大环境里，大家对AI的期待确实有点太激进了。

但我可以告诉你，我选择创业的核心原因，就是觉得时间点到了。

毕竟创业和搞科研不一样，创业得紧密结合市场、尊重市场规律。但就像很多比我优秀的企业家说的，创业最关键的是踩准时间点——不能太早，市场和技术都没成熟；也不能太晚，否则就没了机会。

空间智能技术在World Labs（中文名：空间智能）刚成立时，确实还早了点，但也没早到需要等五六年、十年的程度。

我判断未来一两年，它会迎来爆发式增长。你看现在视频生成技术的飞速发展，再到我们做的World Models，我坚信这类技术在一两年内还会有质的飞跃，市场应用的可能性也越来越清晰。

我没法简单定义现在发展的速度是快还是慢，但能肯定的是，现在正是做空间智能的好时机。

我们现在做的“世界生成”（world generation）模型，真的特别令人激动。

它的应用场景太广泛了——从数字创意、游戏开发、影视制作、设计领域、建筑行业，到VR、XR、AR技术，再到机器人仿真，每一个大领域里又能细分出无数小场景。而这些场景，其实都藏着对三维空间的强烈诉求。

生成式AI有个很特别的价值：它能降低原本高难度事情的门槛，进而打开很多你意想不到的新市场。

生成三维空间就是件超难的事——这个世界上没多少人能做到，而且用到的Blender、Unity这类工具，操作起来特别繁琐。我自己试过，头都大了。

其实很多创作者脑子里装满了好想法，只是被工具卡住了，而非缺乏创意。而AI既能给现有创作者赋能，还能让很多原本觉得“这事跟自己没关系”的人，发现新可能。

就像我，以前根本不会碰Blender、Unity这类软件，觉得又麻烦又费时间，但现在AI能赋予我这种能力，我肯定愿意用——它能带来太多新灵感、新机会了。

所以我觉得三维世界模型特别让人兴奋：它原本是件对普通人来说难度极高的事，而AI能降低这项能力的使用门槛，这本身就是打开市场的绝佳机会。

在我看来，没有空间智能，没有三维世界的生成式模型，就谈不上AGI（通用人工智能）。

AGI就像一扇门，上面挂着好多把锁，需要不同的钥匙去开启。我始终认为空间智能是其中一把关键钥匙——不过这扇门并非非开即关，而是被一点点推开的。

其实我一直不太纠结AI和AGI的区别。因为两者的梦想是相近的，都是源于一种“科学”的好奇心：机器能不能思考？能不能自主完成事情？这是AI最初的梦想，AGI的目标似乎也没偏离太多。不管叫什么，这个梦想都得一步步实现，我们每往前走一步，就离它更近一点。

而空间智能，必然是通往这个梦想的重要一环。不管是赋能人类的创造力（从游戏、设计到工业应用），还是给机器人赋能，亦或是元宇宙、AR/VR的内容生成与落地，都离不开空间智能。

3.算法与数据，都是AI的核心

工程、数学的发展路径和进化的路径是不一样的，这就像苹果和橘子的比较，它们的进化都是很慢的。

进化的迭代速度远慢于算法迭代，而且碳基与硅基的运算逻辑也大不相同，所以从时间维度来看，两者没法放在一起比。但即便如此，进化依然给了我们很多启发和灵感。

这就说到数据的重要性了。当初我们实验室提出“数据”相关概念，其实也借鉴了不少进化的思路：漫长的进化岁月，本质上就是一段大数据训练的过程；但到了数字时代，我们不用再等几十亿年去收集数据，而是可以大规模、快速地积累数据。

和大自然通过进化完成的“数据积累”比起来，我们现在一次能处理、看到的数据，可能相当于进化几千万年才沉淀下来的量。

相信自己深思熟虑后的假设，也不是什么怪事吧？走在科学路上，对于那些经过深度思考的假设，你总得有所坚信。但作为科研人，也得清楚有些假设注定是错的——我当然也有过很多失败的假设。

而我现在坚信的这个假设，是琢磨了很久才得出的：它在数学上是归纳推理的逻辑。我整个博士阶段都在做模型、搞算法，积累了不少领悟，才慢慢意识到这一点。

说白了，AI到今天在数学层面的核心，就是“泛化”（generalization）——本质上就这一件事。

而泛化怎么实现？核心就两点：算法和数据，而且两者息息相关。算法太复杂但数据不足，会过拟合（模型在训练数据上表现优异，但在面对新数据时性能显著下降，无法有效泛化的情况）；数据太多但算法不够好，同样会过拟合——这里面藏着明确的数学逻辑。

我算是计算机视觉领域早期做机器学习的那批博士生，很幸运的是，我的博士研究刚好赶上计算机视觉的转折点——我们大量运用机器学习的理念，这让我对“泛化”的理解更深刻（当然，不一定只有我理解得深）。但我那时候就明确看到了数据的重要性，所以一直坚持了下来。

这又回到了好奇心的话题——那个求证假设的过程其实挺有意思的，全程充满激情，就像一路打怪升级。只要没被“妖怪”打败，就接着往下打呗。

模型和数据的关系，本质是螺旋式上升的。

当年,ImageNet搭建起计算机视觉领域最大的数据库，直接推动了计算机视觉的蓬勃发展；后来互联网催生了海量自然语言数据，大语言模型也跟着迎来爆发；再看现在的视频模型发展得这么快，核心也是有足量视频数据支撑；自动驾驶能飞速进步，也离不开头部公司积累的海量路况、行驶数据。

现在看似“又回到了数据和算法”，其实根本算不上“回归”——它们从来就没离开过AI的核心。

我有时候觉得挺有意思：就算AI发展到今天，大家还是更看重算法。但真正做AI的人，不管是创业者还是大公司从业者，心里都清楚：数据不是说比算法更重要，至少是同等重要。

算法听着更“酷炫”，数据的价值反而容易被忽视。但实际上，数据本身就是一门科学。

4.空间智能，赋能于“机器人”的发展

① 自动驾驶，是简化版的世界模型

自动驾驶汽车其实就是机器人——它是人类最早量产的机器人，但其实挺局限的。你想啊，它就是个方盒子，基本只在二维路面上活动，只要别碰到别的东西，不管是车、行人还是路边设施。

但我们未来要做的三维机器人不一样：它得在三维世界里主动“碰”各种东西，帮我们洗碗、做饭、叠衣服。这么一对比，就知道自动驾驶汽车其实还是挺简单的机器人。

所以对应的，它的世界模型也更简单——毕竟要做的事儿就那么点。当然我不是说自动驾驶不厉害，特斯拉、Waymo（全球自动驾驶标杆，前身为 2009 年谷歌自动驾驶项目）这些公司都很了不起。但从科学和宏观的角度看世界模型与机器人技术，这顶多只是个开始，接下来要做的事情复杂多了。

我无法断言特斯拉有没有（世界模型）相关布局。但至少不会是一个强生成性的模型，毕竟业务场景本身不需要这件事。

但机器人不一样，机器人训练离不开生成式模型——你不可能收集到足够多的真实场景数据。而且我们做的事情都和创意、设计相关，这些本身就需要生成能力，“生成”本身就是核心应用场景之一。

② 机器人的三维能力，还在早期阶段

现在硅谷的机器人领域大火，我也特别喜欢这个领域，也一直很看好机器人的前景。但同时，我也觉得要保持冷静：机器人研究其实还处在早期阶段。

首先，最核心的问题是缺数据。汽车行业发展了几十年，还有无数人在开车过程中持续搜集数据；可机器人目前基本没有商业化应用场景，尤其是日常消费级场景，数据自然难收集。

而生成式AI的出现，给机器人领域带来了一条有意思又有前景的出路。

像视频生成这类技术，不仅提供了丰富的训练想象空间，还能用于拟态——比如我们正在做的机器人仿真，就特别有前景；甚至在推理阶段，还能用视频模型辅助在线做规划。

可以说，正是机器人周边领域（比如生成式AI）的快速发展，在反过来带动机器人技术进步，这一点确实让人激动。

但机器人要真正实现商业化，还有一段路要走，尤其是日常消费级机器人。不过工业机器人早就落地了，毕竟它的应用场景相对单一，容易约束环境，而且也积累了不少数据。

自动化驾驶和机器人两者之间，既有可比性，也有不可比之处。

自动驾驶从概念到商业化，走了近20年：谷歌2006年就成立了小型自动驾驶研发团队，直到2024年Waymo才正式上路。

汽车行业的供应链、OEM体系、客户场景都非常成熟，这一点让自动驾驶的商业化比机器人快得多；但当年AI技术不成熟，自动驾驶在AI这条路上走了很久，而现在AI的发展速度肯定会更快。

可除了工业机器人（或者说场景单一、易约束的工业机器人），目前并没有像汽车那样成熟的机器人应用场景。所以机器人商业化之路会比20年快，还是更慢，真的很难说。

但我相信，AI层面的进展会比当年自动驾驶时期快一些；可反过来，机器人面临的问题也更复杂——它要应对的是完整的三维世界。

AI已经能做到非常出色，可要说今天的空间智能，能达到人类睁开眼就有的那种对三维世界的深层理解，还差得远。

比如物体间的物理关系、材料属性、物理特性，这些我们人类能直观感知的丰富信息，AI还没法完全掌握；更别说对社交信息、人与人之间情感的理解，这些都属于视觉理解的范畴，而我还没提语言层面的复杂认知。

人类本身就是极其复杂的存在。所以从进化和能力来看，AI在某些方面已经追上甚至超越人类，但在很多核心维度上，还远远不及。

而且我作为深耕AI和科技领域多年的人，对空间智能的信仰，绝不是盲目崇拜。它源于对技术的深刻理解，源于这么多年在这个领域的深耕，也源于我和同事们看到的技术机会与发展方向。

创业确实需要情怀，但对科技趋势的判断，更需要扎实的逻辑和科学的判断。

二、AI的未来：

人类有责任让其“向善”

1.机会，并非赢家通吃

综合来看，数据、算力、人才的整合能力很关键——现在能做好这些资源整合的公司，存活概率和胜率会更高。

但我觉得，不能只盯着这些显性因素。毕竟显性因素一眼就能看到，也容易被大家热议追捧，但光靠这些远远不够。

举个简单的例子，在AI coding领域，微软应该是第一个下场的，推出了Copilot（微软推出的跨平台生成式 AI 助手）。它可谓占尽了天时地利人和：手握所有资源、坐拥现成场景，连GitHub（微软旗下的开发者平台）都是自己的。

可微软最终没能成为行业标杆，反倒是硅谷现在火起来的Cursor、Claude Code这些小公司，在巨头围剿下实现了突围。这就说明，光有显性因素根本不够。

如果大家都只盯着这些表面资源下判断，很容易出现偏差。

人类历史上，从来没有哪个时代是大公司独霸天下的——即便每个时代的大公司都手握超强的资源整合能力。所以这里边还藏着更关键的东西：创造力、机遇、执行力，还有对时间点的把握，这些都是决定成败的核心变量。

再加上，AI本身就是一门横向技术，能催生出无数应用级机会，大公司根本做不完。这些机会，恰恰给了小公司足够的空间：把某个应用做到极致，慢慢撕开市场缺口，完全有可能实现弯道超车。

2.AI只是工具

“AI是工具”，这其实是常识。

工具本就是双刃剑：人类史上所有工具，小到最初的火、石斧，大到核弹、生物技术，再到如今的AI，无一例外。

我当然也认为，工具的使用必须向善，但同时也要防范它被误用，不管是有意还是无意。

所以我觉得，两种极端都不理性：只追求发展而无视安全与向善，必然是灾难；但天天空谈伦理向善而停滞发展，也会错失技术带来的诸多福祉。

就像做父母，你会教孩子用火做饭吧？既要告诉他们火能做饭的好处，也得让他们知道用火的危险，这是再简单不过的道理。

AI既是权力的工具，也是向善的工具，但它永远只是工具。在我看来，这工具会越来越强大，但在它真正不可控之前，它始终属于人类——人类有责任让它保持可控。

但就像所有工具一样，我们从来不会指望工具自己明白该做什么：向善与否，本质是人类的责任。所以对AI的控制与引导，是法律、制度、教育和整个社会的共同责任。不同社会、不同个体或许有差异，但这份责任终究在人类身上。

3.教育体系，到了彻底变革的时刻

AI时代迫切需要我们更新教育理念和方式——既要让孩子们学会用这个工具，借助它赋能创造力、助力学习；也要让他们清楚工具可能存在的问题与风险。

而且这绝不仅仅是教育孩子的事。我们总觉得该教育孩子，殊不知最需要被教育的其实是成年人自己。所以，自我教育、面向公众的科普、给政策与法律制定者提供充足信息和学习机会，这些都至关重要。

说到底，对AI的发展与治理，本质上就是我们人类自身的学习、发展与治理——核心还是人的问题。

在这个AI成为具备智力能力的工具的时代，它带给我们的最大启发，或许是让我们更好地了解自己、治理自己——这里的“自己”，既包括每个个体，也包括人类群体。

现在关于AI的讨论沸沸扬扬，大家都热衷于谈论这项技术。但说到底，不管是个体人性还是群体人性，欠缺的或许还是那份自省吧。

对个体来说，时代正在剧变，再做“鸵鸟”逃避现实绝非明智之举。这种变化必然带来工作形态的重塑。任何重大科技革命都会引发职业变迁，有时是短暂阵痛、软着陆，有时可能伴随社会动荡。

作为个体，还是要保持好奇心——对生命、对世界的好奇。哪怕这份好奇心，在成年人的世界里源于对未知的恐慌也没关系，至少它能成为驱动你主动学习的动力。这一点，值得每个个体自省。

而从群体层面来看，AI时代最急需革新的，是我们的教育体系。不管是国内的K-12教育，还是美国这边虽不唯应试但仍包含应试、仍侧重“知识填充”的教学模式，都亟待更新。

AI正在不断证明，很多事情机器能做得更好。如果还让人类花十几年、几十年时间，去重复大半机器可替代的工作，无疑是对人类潜能的浪费。

所以我特别想呼吁：所有关注教育、能影响教育政策以及践行教育的人，都要牢牢抓住这个时代机遇。

我们的教育方法论，已经100多年没有本质变化了。我最大的期待是，100年后历史学家回望21世纪上半叶时，会看到人类完成了一次真正的教育革命。

借助AI赋能教育者与学生，把节约下来的大量时间和精力，让学生们在老师的引导以及自我探索中，去积累那些AI永远做不到的认知与核心能力。

人类的潜力其实无比巨大，每个个体都是如此。我们的大脑远未被充分开发，不管是作为个体还是群体，都还没发挥出全部潜能。

你只要看看人与人之间的能力差异，就能感受到这份潜力有多惊人：有些人展现出的能力，简直像“超人”一样。这说明，这种极致的潜能本就藏在人性之中，只是大多数人都没能把它激发出来。

而AI这个工具的出现，甚至它对人类工作带来的冲击，恰恰给了我们一个契机——重新审视并重构整个教育体系。

我觉得真正的教育变革，应该打破工科与文科的固有界限：毕竟AI能让所有人都学会编程，那这些人还能简单归为工科生吗？AI也能帮更多人更好地感知美、读书、作诗，文科的边界也被打破了。

所以，以前的分科逻辑完全可以改变——AI给了我们打破这种局限的机会。但说到底，关键还是人怎么使用这个工具。我最担心的，是人类会放弃自我：觉得“AI这么聪明，有没有我都一样”，这种想法太可怕了。

“躺平”这个词很形象，但背后的心态真的危险。人类有太多未被发掘的潜力，有太多创造世界的可能，有太多让这个世界变得更美好的机会。而AI，终究只是一个工具而已。

如果我们放弃了自身的能动性（agency），就等于放弃了改变自己、改变世界的好奇心与动力。

说实话，我真的不懂什么叫“AI就是世界”。就像有人说“一花一世界”，我能理解那份意境，但“AI就是世界”的说法，我实在摸不透它的核心含义。

其实“AI只是工具”这句话的背后，本质是我们如何看待AI与人的关系——把AI当工具，意味着人类始终把自身放在更重要的位置，意味着我们更该关注自我的成长与价值。

说到底，“AI是工具”这句话里，藏着我对人的信仰——我信仰人性的潜力，信仰人类社会的韧性，我信仰的是人，而不是AI。

尾声

李飞飞，是对技术趋势的清醒判断者。

AI，是我们这一代人此生最大的机会。

她说，AI时代，人类迎来一次教育的革命，从知识性教育到技能型教育，到认知结构，到人本身的教育，都可以改变。

正是在这个时代背景下，笔记侠推出了中国首个面向企业家的AI时代PPE（政治、经济、哲学）底层认知课程。

以AI时代为背景，通过人工智能科学、AI文明、经济学、政治学、哲学、智能商业等视角，从底层把握AI时代，激发创业者们在AI时代的潜力，培养能驾驭AI范式转移的决策者。

如何拥抱AI时代，需要理解哪些？

要理解技术。人工智能必然重构人类社会的底层逻辑。成为新人类，是决策者的宿命。

要理解商业。当AI成为核心生产要素，企业的价值创作逻辑和增长范式会发生根本性变化。

要理解世界。在波谲云诡的世界中生存发展，决策者需要深刻理解AI时代下国际政治经济体系运行的规律和趋势。

要理解中国。中国走向现代化的道路，必然建筑在中国的文化基因上，理解中国才能穿越宏观周期，活在中国，赢在中国。

要理解自己。活出内心的自由和笃定，不被AI时代外界的震荡所撼动，决策者才有心力成为企业的定海神针。

这，就需要回到决策的源头：AI技术与文明、哲学、政治、经济，重构我们的底层认知逻辑。

我们一起做AI时代保持清醒和笃定的决策者。

来源：笔记侠