李飞飞：做人形机器人不是方向错了，是一上来就选了地狱级难度

一、从洗衣店到AI教母

1976年，李飞飞出生在北京，在四川成都长大。父母都是知识分子，给了她一个鼓励探索的童年。12岁那年，父亲远赴美国。1992年，15岁的她随母亲漂洋过海，与父亲团聚。

初到美国的日子远比想象中艰难。英语蹩脚，家庭经济拮据。为了分担压力，她在纽约唐人街的餐馆打工，还曾借钱开过一家干洗店，半工半读。一个在异国底层挣扎的移民女孩，后来成了斯坦福大学首位红杉讲席教授、美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士。2013年，她接任斯坦福大学人工智能实验室主任，成为该实验室首位女性掌舵人。

2009年，她带领团队发布了ImageNet——一个包含1500万张标注图片的数据集。当时很多人不理解，甚至嘲笑这个项目“太笨了”“不可能做完”。但她相信：要让机器看见世界，必须先给它们足够多的样本。ImageNet后来成为现代人工智能的关键催化剂。

2024年，她联合创立了World Labs。公司成立仅一年半，估值飙升至约50亿美元。但她做的不是聊天机器人，不是生成美女图片的AI。她在做空间智能。

2026年8月，李飞飞在接受彭博社采访时坦言，经营AI初创公司后，自己越来越显露出“虎妈”的一面。她说：“我是公司里资历最深的人。从联合创始人到工程师、研究人员和科学家，他们都非常有才华，但也都很年轻。我确实常常觉得自己像个妈妈，有时候甚至像个虎妈。我管理公司时，对标准要求很高。”

从一个洗衣店女孩到管理一家估值50亿美元的AI公司，李飞飞的人生本身就是一部“空间智能”的教科书——她在一个完全陌生的三维世界里重新定位了自己，并最终改变了世界理解图像的方式。

二、人形不是最优解

在不久前的一档专访节目中，李飞飞谈及人形机器人外形时，说了一句让很多人意外的话：人类通用身体虽能适应多样环境，却并非任何特定任务的最优解。

她指出，从技术商业角度看，通用结构恰恰最难解决，实际中更需要专用形态来应对具体任务。如果人类作为一个物种的唯一目标是爬树，我们很可能会拥有完全不同的手指形态。猫狗的形态在某些任务上可能比人类更优。执着于人形，本质上是一种人类的自我崇拜。

她不是不认可人形机器人，而是认为当前的狂热“被吹过头了”。人形机器人融资动辄数十亿美元，却至今连洗碗、取快递等日常任务都难以完成。问题不是缺钱，是训练数据和评估数据都极度匮乏。

有分析指出，李飞飞认为做人形机器人不是技术方向错误，而是一上来就选择了地狱级难度的路径——用最通用的身体结构，去解决最复杂的现实问题。

在她看来，机器人的形态应该由任务决定，而不是由人类的外形决定。功能先于形态，任务决定设计。她为机器人行业开出的“药方”是：不要盲目追逐造硬件，优先构建“模型与形态无关”的基础设施。

三、世界模型：AI的下一站

李飞飞的核心理念是：AI的下一个前沿，不是聊天，是“空间智能”。

2026年2月，她发布万字长文《AI真正的下一站是“空间智能”》，提出具身智能需要通过“世界模型”解锁空间智能，实现感知—想象—行动的闭环。她指出：“语言模型学习的是文本的统计规律，世界模型学习的则是时空的统计规律。”大模型可以生成一段完美的文字，却不知道杯子掉下桌子会碎，不知道抓一个东西该用多大的力气。机器能谈论世界，却对世界的物理本质一无所知。

World Labs的核心业务正是构建大型世界模型。2026年7月，World Labs收购了顶级机器人仿真公司SceniX。这背后有一个有意思的故事：SceniX的联合创始人李昀烛曾是李飞飞的博士后。他们并非事先商量好合并，而是SceniX作为客户使用了World Labs的模型。李飞飞打电话过去，才惊讶地发现这是自己学生的公司。师生重逢，最终合并。

收购后，World Labs发布了全新的机器人策略训练与评估引擎——Real-to-Sim-to-Real（R2S2R）。这套引擎首次打通了从仿真训练到真实运行的闭环。李飞飞在X上表示，基于这套方法训练出来的策略，即使完全没用过真实世界数据，也已经能够连续自主运行1小时，无需人工干预。

李飞飞认为，解锁机器人Scaling Law的关键，是Real-to-Sim-to-Real数据闭环。机器人领域无法像大语言模型那样直接从互联网获取海量物理数据。通过高精度数字建模与仿真，将真实环境映射到数字世界中生成无限数据，是破解数据饥荒、实现高效评估的关键。

仿真扮演着真实数据无法替代的关键角色：反事实推理与极限边界测试。现实数据固然重要，但仿真能够让机器人在数字世界中无成本地演练极端、高危或现实中极少发生的场景。

四、给每个人的思考

李飞飞的观点值得每个人深思。

第一，不要崇拜“通用”，要尊重“专用”。 人类把自己当作万物的尺度，认为最好的机器人应该像人。但李飞飞提醒我们：进化不是设计，是妥协。人类的身体是自然选择的结果，不是工程最优解。在商业和技术上，用定制化的硬件去解决特定的实际痛点，远比强行推行昂贵的人形躯体更具可行性。这不仅是机器人的逻辑，也是职业选择、人生规划的启示——与其追求样样通，不如在某个细分领域做到极致。

第二，数据的价值，远大于模型的参数。 大语言模型时代，人们痴迷于参数规模。但李飞飞通过ImageNet和World Labs反复证明：真正稀缺的，是高质量的数据。机器人缺的不是算法，是“经验”。这对普通人意味着：与其追求更快的工具，不如追求更丰富、更真实的经历。经验才是不可替代的资产。

第三，先理解世界，再改变世界。 李飞飞构建世界模型，是为了让机器人理解物理世界的规律。她说过，世界模型的三分法是：渲染器负责生成观察，仿真器负责模拟世界状态，规划器负责输出行动。人也是如此——先理解规则，再参与游戏；先看懂世界，再试图改变它。那些跳过了“理解”直接去“行动”的人，往往在现实中碰得头破血流。

第四，功能先于形态，行动大于外形。 机器人长什么样不重要，能做什么才重要。这不仅是李飞飞对机器人的判断，也是她对自己人生的理解——你是谁，不取决于你长什么样，而取决于你能做什么。一个洗衣店打工的移民女孩，后来成了改变AI历史的人。不是因为她长得好，是因为她做对了事。

她不反对人形机器人，但她反对盲目崇拜。她不否定通用性，但她更看重实用性。

功能先于形态，任务决定设计。行动大于外形。

这不仅是她对机器人的判断，也是她留给每个人的思考。

资料来源

1. 李飞飞谈人形机器人形态：人类的身体并非是解决特定任务的最优解，澎湃新闻，2026-08-03

2. 李飛飛談人形機器人形态：人類身體並非特定任務最優解，觀點網，2026-08-03

3. 物理 AI 产业破局：人形机器人路径反思与仿真训练基建化趋势，CSDN，2026-08-07

4. 李飞飞最新访谈：人也不全靠现实数据学习啊，量子位/BAAI，2026-08-07

5. 李飞飞：AI的下一个前沿不是聊天，是“让机器人看见空间”，品玩，2026-07-30

6. 实现“大脑”觉醒 机器人必须解锁空间智能，川观智库，2026-02-25

7. 李飞飞看不下去了！亲自下场“辟谣”世界模型，澎湃新闻，2026-06-06

8. 李飞飞终于亮明 World Labs 世界模型的终局，极客公园，2026-08-13

9. World Labs收购SceniX后，李飞飞与李昀烛揭秘具身智能终局，钛媒体，2026-07-29

10. 对话李飞飞：人形机器人不一定是物理AI的最优解，新浪财经，2026-07-29

11. “AI 教母”李飞飞：管理一家初创公司，让我展现出“虎妈”的一面，IT之家，2026-08-20

12. 「AI教母」李飛飛 為電腦「看見」世界鋪路，星島頭條，2025-12-12

图片均来自网络，版权归原作者所有