在AI的世界里，大語言模型已經(jīng)讓人們感到驚艷。李飛飛卻說，真正的突破還在后頭。她認(rèn)為，AI如果不能理解三維世界，那它就不算完整。這是她的下一個(gè)瘋狂目標(biāo)。
兩天前，YCombinator在其YouTube頻道更新了李飛飛在舊金山的AI創(chuàng)業(yè)學(xué)校進(jìn)行的訪談視頻。在這次的談話內(nèi)容中，李飛飛回顧了ImageNet項(xiàng)目的創(chuàng)建，從物體識(shí)別到如今生成模型這一路，深度學(xué)習(xí)的飛速發(fā)展，重點(diǎn)提到了她目前正攻克人工智能最困難的一項(xiàng)前沿領(lǐng)域：空間智能。
李飛飛目前是空間智能公司W(wǎng)orldLabs的創(chuàng)始人兼CEO，該公司致力于構(gòu)建大型世界模型，以感知、生成和與3D世界交互。她在這次的對(duì)談交流中也提到了關(guān)于3D世界建模對(duì)通用人工智能（AGI）重要性的原因，以及為什么空間智能可能比語言更難實(shí)現(xiàn)等系列問題。
省流速看版：
這是機(jī)器學(xué)習(xí)領(lǐng)域一次范式的轉(zhuǎn)變
ImageNet的誕生不僅是李飛飛的個(gè)人夢(mèng)想，更是計(jì)算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域的一次范式轉(zhuǎn)變。她分享自己那時(shí)只是對(duì)「讓機(jī)器看見」充滿執(zhí)念，這種執(zhí)著和努力，創(chuàng)造了數(shù)據(jù)、GPU和神經(jīng)網(wǎng)絡(luò)結(jié)合在一起的重要時(shí)刻。而現(xiàn)在，她有了新的執(zhí)著，打算繼續(xù)引領(lǐng)一場(chǎng)新的AI革命。
我們要讓空間智能成為AI的新戰(zhàn)場(chǎng)
從物體識(shí)別到場(chǎng)景理解，AI逐步開始有能力理解復(fù)雜的視覺信息。而新一輪的轉(zhuǎn)變來到了當(dāng)前AGI的時(shí)代，她相信，世界不是純粹生成性的，只有讓AI理解三維世界，才能真正邁向AGI。大語言模型的數(shù)據(jù)獲取是簡(jiǎn)單的，空間智能模型才是她下一需要攻克的難題。
WorldLabs的具體細(xì)節(jié)我無法透露太多
當(dāng)被問到WorldLabs暢想的應(yīng)用場(chǎng)景，以及與當(dāng)前LLMs的架構(gòu)有何區(qū)別時(shí)；李飛飛說軟硬件的融合，以及實(shí)現(xiàn)元宇宙，都會(huì)需要他們的空間智能。而與實(shí)現(xiàn)LLMs不同，她提到人類對(duì)3D世界感知不強(qiáng)，難度很大，但相信自己的團(tuán)隊(duì)，有著世界上最聰明的人，和他們一起可以在2D世界解決這個(gè)問題。
在AI領(lǐng)域，永遠(yuǎn)不要害怕失敗
訪談最后，李飛飛分享了自己的成長(zhǎng)經(jīng)歷，無論是從一開始移民美國(guó)求學(xué)，到斯坦福人工智能實(shí)驗(yàn)室主任，谷歌副總裁，以及現(xiàn)在開始創(chuàng)業(yè)，她說自己始終是從零開始的心態(tài)，埋頭苦干。她也鼓勵(lì)年輕人追隨自己的興趣和好奇心，勇敢地面對(duì)挑戰(zhàn)，去解決那些不可能的難題。
以下是訪談實(shí)錄，編譯略作調(diào)整
機(jī)器學(xué)習(xí)領(lǐng)域需要一次范式的轉(zhuǎn)變
主持人：我非常激動(dòng)能夠請(qǐng)到李飛飛博士，她在人工智能領(lǐng)域有著非常長(zhǎng)的職業(yè)生涯。我相信很多人都知道她。你也被譽(yù)為「人工智能的教母」，你創(chuàng)立的第一個(gè)項(xiàng)目之一就是2009年的Imagenet，距今已經(jīng)16年了。這個(gè)項(xiàng)目已經(jīng)被引用超過80000次，它實(shí)際上為人工智能奠定了一個(gè)重要的基石——數(shù)據(jù)問題。能談?wù)勥@個(gè)項(xiàng)目是如何誕生的嗎？那時(shí)的工作真的是開創(chuàng)性的。
李飛飛：是的，首先感謝Diana、Gary以及在場(chǎng)的每一個(gè)人邀請(qǐng)我來到這里。我非常激動(dòng)能夠在這里，因?yàn)槲腋杏X自己和大家一樣。我現(xiàn)在也是一名企業(yè)家，剛剛創(chuàng)辦了一家公司，所以非常興奮能夠在這里。
是的，你說得對(duì)，實(shí)際上我們幾乎是在18年前構(gòu)思了這個(gè)項(xiàng)目，時(shí)間真的是飛快。那時(shí)我還是第一年來到普林斯頓大學(xué)當(dāng)助理教授。那時(shí)的人工智能和機(jī)器學(xué)習(xí)的世界和現(xiàn)在完全不同。那時(shí)數(shù)據(jù)非常少，至少在計(jì)算機(jī)視覺領(lǐng)域，算法根本無法工作。那時(shí)沒有產(chǎn)業(yè)，公眾也幾乎不知道「人工智能」這個(gè)詞。但仍然有一群人從人工智能的奠基人開始，比如JohnMcCarthy，然后是像JeffHinton這樣的人。我覺得我們都有一個(gè)人工智能的夢(mèng)想，我們真的非常希望讓機(jī)器具備思考和工作能力。而我的個(gè)人夢(mèng)想就是讓機(jī)器具備視覺能力，因?yàn)橐曈X是智能的基石，視覺智能不僅僅是感知，更是理解世界并在世界中做事情。
所以我當(dāng)時(shí)非常執(zhí)著于「讓機(jī)器看見」這個(gè)問題。在我癡迷地開發(fā)機(jī)器學(xué)習(xí)算法的過程中，我們確實(shí)嘗試過神經(jīng)網(wǎng)絡(luò)，但并沒有成功。我們轉(zhuǎn)向了支持向量機(jī)等其他方法，但有一個(gè)問題一直困擾著我，那就是泛化問題。如果你從事機(jī)器學(xué)習(xí)工作，你必須理解，泛化是機(jī)器學(xué)習(xí)的核心數(shù)學(xué)基礎(chǔ)和目標(biāo)。為了讓這些算法能夠泛化，數(shù)據(jù)是至關(guān)重要的，但當(dāng)時(shí)在計(jì)算機(jī)視覺領(lǐng)域幾乎沒有數(shù)據(jù)。而我正好是第一代開始接觸數(shù)據(jù)的研究生，因?yàn)槲沂堑谝淮娮C了互聯(lián)網(wǎng)、物聯(lián)網(wǎng)的出現(xiàn)的研究生。
時(shí)間來到大約2007年，我和我的學(xué)生決定必須做出一個(gè)大膽的嘗試。我們賭機(jī)器學(xué)習(xí)領(lǐng)域需要一次范式的轉(zhuǎn)變，而這個(gè)轉(zhuǎn)變必須由數(shù)據(jù)驅(qū)動(dòng)的方法引領(lǐng)。但當(dāng)時(shí)并沒有足夠的數(shù)據(jù)。所以我們想，既然沒有數(shù)據(jù)，那我們就去互聯(lián)網(wǎng)下載數(shù)十億張圖片，這是我們能在互聯(lián)網(wǎng)上找到的最大數(shù)量，然后我們就構(gòu)建一個(gè)全球的視覺分類體系，利用這個(gè)體系來訓(xùn)練和評(píng)估機(jī)器學(xué)習(xí)算法。正是因?yàn)檫@個(gè)原因，ImageNet項(xiàng)目應(yīng)運(yùn)而生且真正付諸實(shí)踐。
數(shù)據(jù)和開源迎來了深度學(xué)習(xí)的春天
主持人：確實(shí)，直到出現(xiàn)一些有前景的算法，才開始有所突破。直到2012年AlexNet的問世，這才是通向人工智能的第二個(gè)關(guān)鍵因素，獲得足夠的計(jì)算能力并投入足夠的資源。而算法則揭示了一個(gè)關(guān)鍵時(shí)刻，那就是當(dāng)你用數(shù)據(jù)為人工智能播下種子時(shí)，社區(qū)開始逐漸找出更多的解決方案，這為人工智能的發(fā)展提供了動(dòng)力，對(duì)吧？
李飛飛：在2009年，我們發(fā)布了一篇小論文，僅作為CVPRPoster。
從2009年到2012年，直到AlexNet的問世，那三年里我們真的相信數(shù)據(jù)會(huì)驅(qū)動(dòng)人工智能，但我們幾乎沒有任何明確的信號(hào)表明這個(gè)方法有效。
所以我們做了幾件事情，首先，我們決定開源。我們從一開始就認(rèn)為必須將其開源，供整個(gè)研究社區(qū)使用，大家一起合作解決這個(gè)問題。
其次，我們創(chuàng)建了一個(gè)挑戰(zhàn)賽，因?yàn)槲覀兿Ｍ澜缱盥斆鞯膶W(xué)生和研究人員都來參與這個(gè)問題的解決。這就是我們所說的ImageNet挑戰(zhàn)賽。每年我們都會(huì)發(fā)布一個(gè)測(cè)試數(shù)據(jù)集，整個(gè)平臺(tái)的ImageNet數(shù)據(jù)用于訓(xùn)練，但我們會(huì)發(fā)布單獨(dú)的測(cè)試數(shù)據(jù)集，并邀請(qǐng)大家公開參與。
最初的幾年實(shí)際上是在設(shè)定基準(zhǔn)。當(dāng)時(shí)的性能錯(cuò)誤率大約在30%左右，雖然不是零錯(cuò)誤，也不是完全隨機(jī)，但表現(xiàn)并不出色。但到了第三年，2012年，我也有在我出版的書里寫過這段經(jīng)歷。
ImageNet挑戰(zhàn)賽第一名是SuperVision
我仍然記得，那是夏末，我們正在將所有ImageNet挑戰(zhàn)賽的結(jié)果在我們的服務(wù)器上運(yùn)行。某天深夜，我收到了我研究生發(fā)來的消息，告訴我有一個(gè)結(jié)果非常突出，應(yīng)該去看看。我們仔細(xì)查看后，發(fā)現(xiàn)這是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。那時(shí)它還不是AlexNet，而是GeoffreyHinton團(tuán)隊(duì)的一項(xiàng)工作，叫做「SuperVision」。這是一個(gè)非常巧妙的詞匯玩弄，結(jié)合了「super」和「supervisedlearning」（監(jiān)督學(xué)習(xí)）。我們看了SuperVision做的工作，這其實(shí)是一個(gè)老算法，卷積神經(jīng)網(wǎng)絡(luò)早在1980年代就已經(jīng)發(fā)布，只是算法上做了一些調(diào)整，但最初看到它時(shí)，我們真的很驚訝，居然會(huì)有如此巨大的突破。
當(dāng)然，接下來大家都知道了，我們?cè)诋?dāng)年的ICCV（國(guó)際計(jì)算機(jī)視覺大會(huì)）佛羅倫薩的ImageNet挑戰(zhàn)賽工作坊上展示了這個(gè)成果，AlexKrizhevsky和他的團(tuán)隊(duì)也來了，很多人也都來了。如今，大家都把這一刻稱為ImageNet挑戰(zhàn)賽的「AlexNet時(shí)刻」。
我還想補(bǔ)充一點(diǎn)，不僅僅是卷積神經(jīng)網(wǎng)絡(luò)的成功，這也是第一次由Alex和他的團(tuán)隊(duì)將兩臺(tái)GPU結(jié)合起來，用于深度學(xué)習(xí)的計(jì)算。這真的是數(shù)據(jù)、GPU和神經(jīng)網(wǎng)絡(luò)結(jié)合的第一次重要時(shí)刻。
我的職業(yè)生涯不僅僅是講述場(chǎng)景
主持人：沿著計(jì)算機(jī)視覺智能發(fā)展的趨勢(shì)，ImageNet確實(shí)為解決物體識(shí)別的問題奠定了基礎(chǔ)。緊接著，人工智能達(dá)到了可以解決場(chǎng)景理解的問題。因?yàn)槟愫湍愕膶W(xué)生們，像是AndreKarpathy等人，開始能夠描述場(chǎng)景。能否談?wù)剰奈矬w識(shí)別到場(chǎng)景理解的轉(zhuǎn)變？
李飛飛：是的，ImageNet解決的是當(dāng)你看到一張圖片時(shí)，如何識(shí)別出其中的物體，比如「這是只貓，這是張椅子」，這屬于視覺識(shí)別中的基本問題。但自從我作為研究生進(jìn)入人工智能領(lǐng)域時(shí)，我就有一個(gè)夢(mèng)想。我覺得這個(gè)夢(mèng)想可能需要一百年才能實(shí)現(xiàn)，那就是講述世界的故事。想象一下，當(dāng)人類睜開眼睛，你剛剛睜開眼睛，看到的不是「人、椅子、桌子」，你實(shí)際上看到的是一個(gè)會(huì)議室，看到屏幕、舞臺(tái)、觀眾、攝像機(jī)等。你可以描述整個(gè)場(chǎng)景，這是一種人類的能力，是視覺智能的基礎(chǔ)，它對(duì)我們?nèi)粘Ｉ钪陵P(guān)重要。因此，我一直認(rèn)為這個(gè)問題會(huì)占據(jù)我一生的時(shí)間。當(dāng)我作為研究生畢業(yè)時(shí)，我告訴自己，如果我能創(chuàng)造出一個(gè)能夠講述場(chǎng)景故事的算法，那我就算成功了。這是我當(dāng)時(shí)對(duì)自己職業(yè)生涯的設(shè)想。
然而，隨著深度學(xué)習(xí)的崛起，那個(gè)時(shí)刻真的來臨了。后來，Andre和JustinJohnson加入了我的實(shí)驗(yàn)室，我們開始看到自然語言與視覺的碰撞信號(hào)。
Andre和我提出了一個(gè)圖像描述或講故事的問題。簡(jiǎn)而言之，到了2015年左右，Andre和我發(fā)布了一系列論文，其中包括一些與我們同期發(fā)表的論文，它們實(shí)際上是讓計(jì)算機(jī)能夠生成圖像說明的最早工作之一。我?guī)缀醺杏X到，我該怎么繼續(xù)我的人生了？這本來就是我的一生的夢(mèng)想啊。那一刻對(duì)我們倆來說，真的是無比震撼。
去年，我做了一個(gè)TED演講，我還用了Andre幾年前發(fā)的一個(gè)推文，那時(shí)他剛完成圖像描述的工作。那幾乎就是他的博士論文。我開玩笑對(duì)他說：「嘿，Andre，為什么我們不做個(gè)反向的呢？用一句話生成一張圖像」。當(dāng)然，他知道我是在開玩笑，他回答說「哈哈，我先走了」。當(dāng)時(shí)的世界顯然還沒有準(zhǔn)備好。但現(xiàn)在，快進(jìn)到今天，我們都知道生成式人工智能現(xiàn)在可以通過一句話生成美麗的圖片。所以這個(gè)故事的寓意是，人工智能經(jīng)歷了巨大的發(fā)展。
從個(gè)人角度來說，我覺得我是世界上最幸運(yùn)的人，因?yàn)槲业恼麄€(gè)職業(yè)生涯從人工智能冬天的結(jié)束、人工智能崛起的開始就起步了，我的很多工作和職業(yè)生涯都與這一變革息息相關(guān)，或者在某種程度上推動(dòng)了這場(chǎng)變革。所以，我感到非常幸運(yùn)、感恩，并且以某種方式感到驕傲。
主持人：我認(rèn)為最瘋狂的事情是，即使你已經(jīng)實(shí)現(xiàn)了描述場(chǎng)景，甚至通過擴(kuò)散模型生成場(chǎng)景的夢(mèng)想，你依然在做更大的夢(mèng)想。因?yàn)橛?jì)算機(jī)視覺的整個(gè)發(fā)展軌跡已經(jīng)從物體識(shí)別到場(chǎng)景理解，再到現(xiàn)在的「世界」概念。而你決定從學(xué)術(shù)界，從教授職位轉(zhuǎn)到創(chuàng)業(yè)，成為了WorldLabs的創(chuàng)始人兼CEO。能談?wù)劇甘澜纭咕烤故鞘裁磫?？它是不是比?chǎng)景和物體更具挑戰(zhàn)性？
李飛飛：是的，這確實(shí)很瘋狂。當(dāng)然，大家都知道過去的事情，對(duì)于我來說，過去五六年的進(jìn)展真的是很難總結(jié)。我們正處在一個(gè)技術(shù)進(jìn)步的文明時(shí)刻。作為一名計(jì)算機(jī)視覺科學(xué)家，我們見證了從圖像到圖像描述，再到利用擴(kuò)散技術(shù)生成圖像的令人難以置信的增長(zhǎng)。盡管這些進(jìn)展讓人興奮，但同時(shí)，我們也看到另一個(gè)極為激動(dòng)人心的領(lǐng)域，那就是語言領(lǐng)域，尤其是LLMs（大語言模型）。比如2022年11月，ChatGPT的出現(xiàn)，真正開啟了生成模型的大門，基本上可以通過圖靈測(cè)試等等。所以，即使像我這樣年紀(jì)較大的人，也感到非常激動(dòng)，開始大膽地思考下一步的目標(biāo)是什么。
作為一名計(jì)算機(jī)視覺科學(xué)家，我有一個(gè)習(xí)慣，我的靈感往往來自于進(jìn)化和大腦科學(xué)。我的職業(yè)生涯中，很多時(shí)候我都在尋找下一個(gè)「北極星」問題來解決。我會(huì)問自己，進(jìn)化或者大腦的發(fā)展做了什么？有一點(diǎn)非常值得注意和欣賞的是：人類語言的進(jìn)化發(fā)展大約花費(fèi)了300到500百萬年，即便我們非常寬容地算，也僅僅是少于一百萬年的時(shí)間。人類是唯一擁有復(fù)雜語言的物種。我們可以討論動(dòng)物語言，但從語言作為交流工具、推理、抽象的功能而言，只有人類擁有這種能力。這一進(jìn)化歷程花費(fèi)了不到50萬年。
但如果你想一想視覺，思考一下理解三維世界的能力，弄清楚如何在這個(gè)三維世界中行動(dòng)，如何在三維世界中導(dǎo)航、互動(dòng)、理解、與之交流，這一切的進(jìn)化歷程卻花費(fèi)了5.4億年。
大約5.4億年前，第一個(gè)三葉蟲開始在水下發(fā)展視覺感知。從那時(shí)起，視覺成為了推動(dòng)演化軍備競(jìng)賽的關(guān)鍵。視覺出現(xiàn)之前，動(dòng)物的生命形態(tài)相對(duì)簡(jiǎn)單，近5億年間幾乎沒有復(fù)雜的變化。但在接下來的5.4億年中，正是因?yàn)閾碛辛死斫馐澜绲哪芰?，演化的軍備?jìng)賽開始了，動(dòng)物的智能也不斷提升。
iWorldLabs創(chuàng)始人團(tuán)隊(duì)，李飛飛（右一），JustinJohnson，ChristophLassner，BenMildenhall
所以對(duì)我來說，解決空間智能的問題，理解三維世界，生成三維世界，推理三維世界，在三維世界中做事情，這對(duì)于人工智能來說是一個(gè)根本問題。對(duì)我而言，AGI如果沒有空間智能，是不完整的。我想解決這個(gè)問題。這涉及到創(chuàng)造「世界模型」，超越平面像素，超越語言，真正捕捉三維結(jié)構(gòu)和空間智能的世界模型。幸運(yùn)的是，無論我多大年紀(jì)，我總是能和最出色的年輕人一起工作。所以，現(xiàn)在我和三位了不起的年輕但世界級(jí)的技術(shù)專家，JustinJohnson、BenMildenhall和ChristophLassner，一起創(chuàng)辦了這家公司。我們將嘗試解決，我認(rèn)為目前人工智能領(lǐng)域中最難的問題。
獲取空間智能的數(shù)據(jù)要比語言數(shù)據(jù)難得多
主持人：確實(shí)，這些都是非常出色的人才。Chris是Pulsar的創(chuàng)始人，Pulsar是一種可微分渲染技術(shù)，現(xiàn)在是用于PyTorch3D的基于球體的渲染后端。而JustinJohnson，作為你曾經(jīng)的學(xué)生，他真的有著極強(qiáng)的系統(tǒng)工程思維，曾實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)風(fēng)格遷移。然后是Ben，他是NeRF（NeuralRadianceFields神經(jīng)輻射場(chǎng)）論文的作者。所以這真的是一支超級(jí)精英團(tuán)隊(duì)。你需要這樣一支精英團(tuán)隊(duì)，因?yàn)槲覀冎傲牡竭^，視覺實(shí)際上比語言更難。也許這么說有點(diǎn)爭(zhēng)議，因?yàn)長(zhǎng)LMs本質(zhì)上是一維的，對(duì)吧，但你所談?wù)摰氖抢斫獯罅康?D結(jié)構(gòu)。那么，為什么這如此困難？它為什么是比現(xiàn)在的大語言強(qiáng)大呢？
李飛飛：是的，你能理解我們問題的困難。語言本質(zhì)上是一維的，語法是按順序出現(xiàn)的，這就是為什么序列到序列（sequence-to-sequence）建模如此經(jīng)典的原因。還有一點(diǎn)，語言是純粹的生成性信號(hào)，很多人沒有意識(shí)到這一點(diǎn)。自然界中是沒有語言的，你不能觸摸語言，也看不見語言，語言完全是從每個(gè)人的腦袋里生成出來的。語言是一個(gè)純粹的生成信號(hào)。當(dāng)然，當(dāng)你把它寫在紙上時(shí)，它就在那里，但語言的生成、構(gòu)建和實(shí)用性本質(zhì)上是非常生成性的，而世界遠(yuǎn)比這復(fù)雜得多。
首先，現(xiàn)實(shí)世界是三維的，如果再加上時(shí)間，那就是四維的，但我們暫且只考慮空間?，F(xiàn)實(shí)世界本質(zhì)上是三維的，這本身就是一個(gè)更具組合性挑戰(zhàn)的問題。
第二，視覺世界的感知是一個(gè)投影過程，無論是你的眼睛、視網(wǎng)膜還是相機(jī)，它總是將三維信息壓縮到二維，你必須理解這一點(diǎn)是多么困難。從數(shù)學(xué)上來說，這是一個(gè)不可逆過程，因此人類和動(dòng)物才會(huì)擁有多重感官，才能解決這個(gè)問題。
第三，世界并不是純粹的生成性。是的，我們可以生成虛擬的三維世界，但它仍然必須遵循物理規(guī)律，而且現(xiàn)實(shí)世界也存在于我們之外。你現(xiàn)在實(shí)際上是在生成和重建之間流暢地切換。用戶行為、實(shí)用性和應(yīng)用場(chǎng)景完全不同。如果你全程關(guān)注生成性，我們可以討論游戲、元宇宙之類的內(nèi)容；如果你全程關(guān)注現(xiàn)實(shí)世界，那我們就談?wù)摍C(jī)器人技術(shù)等。但這一切都在世界建模和空間智能的連續(xù)性中。
當(dāng)然，當(dāng)前的巨大難題是，互聯(lián)網(wǎng)上有大量的語言數(shù)據(jù)，而空間智能的數(shù)據(jù)，雖然它全部存在于我們的大腦中，但不像語言數(shù)據(jù)那樣容易獲取。所以這些都是為什么這個(gè)問題如此困難的原因。但坦率地說，這正是讓我興奮的地方，因?yàn)槿绻@個(gè)問題很簡(jiǎn)單，那就意味著別人已經(jīng)解決了。而我的整個(gè)職業(yè)生涯都在追求那些極其困難、幾乎可以說是癡心妄想的問題。我認(rèn)為這就是那個(gè)癡心妄想的問題。感謝你們對(duì)這個(gè)問題的支持。
我們的WorldLabs擁有世界上最聰明的人
主持人：是的，甚至從最基本的原理來看，人腦的視覺皮層處理視覺數(shù)據(jù)的神經(jīng)元數(shù)量遠(yuǎn)遠(yuǎn)超過處理語言的神經(jīng)元。這種差異是如何在模型中體現(xiàn)的呢？包括，你們正在研究的這些東西與LLM相比，架構(gòu)上的差異也會(huì)非常大，對(duì)吧？
李飛飛：這是一個(gè)非常好的問題。其實(shí)，關(guān)于這個(gè)問題，目前有兩種不同的思路。
一種是LLMs的方式，很多我們?cè)贚LMs中看到的寫作、寫作擴(kuò)展規(guī)律，幾乎可以通過自監(jiān)督學(xué)習(xí)來直接推進(jìn)，直到實(shí)現(xiàn)一個(gè)「幸福的結(jié)局」。你幾乎可以通過蠻力地推進(jìn)自監(jiān)督，直到達(dá)到目標(biāo)。
另一種則是構(gòu)建世界模型，這可能更加細(xì)致和有層次，因?yàn)槭澜缡怯薪Y(jié)構(gòu)的，我們可能需要一些信號(hào)來引導(dǎo)它。你可以把它看作是先驗(yàn)知識(shí)，也可以稱之為數(shù)據(jù)中的監(jiān)督信號(hào)，反正就是某種方式來引導(dǎo)學(xué)習(xí)。
我認(rèn)為這些是我們必須解決的一些開放性問題，但你說得對(duì)。如果你考慮到人類的感知，首先，我們甚至沒有完全解決人類視覺的所有問題，對(duì)吧？3D如何在人的視覺中發(fā)揮作用？這仍然不是一個(gè)解決了的問題。我們知道從機(jī)械角度，雙眼需要通過三角測(cè)量來獲取信息，但即便如此，我們?nèi)狈σ粋€(gè)完善的數(shù)學(xué)模型，而實(shí)際上，人類在3D感知方面并不是特別優(yōu)秀。我們并不是非常擅長(zhǎng)理解和操作三維世界，所以有很多問題等待著解答。
所以，我們現(xiàn)在確實(shí)處于「WorldLabs」的階段。我唯一能依賴的就是，我相信我們擁有世界上最聰明的人才，能在「像素世界」里解決這個(gè)問題。
硬件和軟件的融合終將到來
主持人：可以說，WorldLabs正在構(gòu)建的這些基礎(chǔ)模型，最終的輸出是3D世界嗎？你們正在設(shè)想哪些應(yīng)用場(chǎng)景呢？我看到你提到了從感知到生成的各種可能性。生成模型和判別模型之間總是存在一種張力，那么這些3D世界的作用是什么呢？
李飛飛：是的，關(guān)于WorldLabs的具體細(xì)節(jié)我可能無法透露太多，但在空間智能方面，確實(shí)是讓我非常興奮的地方。就像語言一樣，應(yīng)用場(chǎng)景非常廣泛。從創(chuàng)作開始，設(shè)計(jì)師、建筑師、工業(yè)設(shè)計(jì)師，甚至是藝術(shù)家、3D藝術(shù)家、游戲開發(fā)者，都可以用到它。接著，機(jī)器人學(xué)和機(jī)器人學(xué)習(xí)也是一個(gè)非常重要的應(yīng)用領(lǐng)域，空間智能模型或世界模型的用途非常廣泛。此外，很多相關(guān)行業(yè)，比如營(yíng)銷、娛樂，甚至元宇宙，都會(huì)受到影響。對(duì)于元宇宙，我真的非常興奮。雖然目前還沒完全實(shí)現(xiàn)，我知道它現(xiàn)在還不是很成熟，但正是因?yàn)槿绱?，我才更為興奮。我認(rèn)為硬件和軟件的融合終將到來，未來的潛力非常巨大。這也是一個(gè)非常值得期待的應(yīng)用方向。
主持人：我個(gè)人非常激動(dòng)你們?cè)诮鉀Q元宇宙的問題，我之前在我的公司也嘗試過這個(gè)方向，所以看到你們現(xiàn)在在做這件事真的非常興奮。
李飛飛：是的，我覺得現(xiàn)在有更多的信號(hào)表明元宇宙正在逐步實(shí)現(xiàn)。我認(rèn)為硬件確實(shí)是其中一個(gè)障礙，但更重要的是，你需要內(nèi)容創(chuàng)作，而元宇宙的內(nèi)容創(chuàng)作需要世界模型。
從零開始，這是我的舒適區(qū)
主持人：讓我們換個(gè)話題。對(duì)于一些觀眾來說，你從學(xué)術(shù)界轉(zhuǎn)型到現(xiàn)在做創(chuàng)始人兼CEO可能顯得有些突然。但實(shí)際上，你的整個(gè)人生經(jīng)歷都非常非凡，這也不是你第一次從0到1。你曾跟我講過，你是如何移民到美國(guó)的，剛開始完全不會(huì)說英語，還和團(tuán)隊(duì)一起經(jīng)營(yíng)過洗衣店，做了好幾年。能不能聊聊這些經(jīng)歷是如何塑造了今天的你的？
李飛飛：對(duì)吧？我知道你們肯定在這里想聽我分享如何開洗衣店的故事。哈哈。
當(dāng)時(shí)我19歲，完全出于無奈。我沒有辦法支持我的家人，我的父母需要我上大學(xué)，而我想成為普林斯頓大學(xué)的物理學(xué)專業(yè)學(xué)生。所以我開了一家干洗店。在硅谷的術(shù)語中，我就是一個(gè)籌款人，創(chuàng)始人兼CEO，同時(shí)也是收銀員和做所有雜事的人，最后我成功「退出」了，經(jīng)營(yíng)了七年。
回到Diana的觀點(diǎn)，特別是對(duì)于你們所有人，我看著你們，真的很激動(dòng)，因?yàn)槟銈儽任夷贻p一半，甚至三分之一，你們那么有才華，真的去做吧，不要害怕。
我整個(gè)職業(yè)生涯都這樣，當(dāng)然，包括做洗衣店，甚至作為教授時(shí)，我也做過幾次選擇，我曾經(jīng)選擇去一些沒有計(jì)算機(jī)視覺教授的部門，成為第一個(gè)，這和很多建議相悖。作為年輕教授，大家都會(huì)建議你去有社區(qū)和資深導(dǎo)師的地方，當(dāng)然，我也希望有資深導(dǎo)師，但如果沒有，我還是要自己走自己的路。所以我一點(diǎn)也不害怕這些。后來我去Google學(xué)到了很多關(guān)于商業(yè)的知識(shí)，關(guān)于GoogleCloud和B2B的東西，然后我在斯坦福創(chuàng)辦了一個(gè)創(chuàng)業(yè)公司，因?yàn)榈搅?018年，AI已經(jīng)不僅僅是行業(yè)問題，它變成了人類的問題。
人類總是會(huì)推動(dòng)科技進(jìn)步，但我們不能失去人性。我非常關(guān)注如何在AI的進(jìn)步中創(chuàng)建一束光，設(shè)想AI如何能夠以人為本，如何讓AI幫助人類。所以，我回到斯坦福，創(chuàng)辦了一個(gè)人類中心的AI研究所，并且把它當(dāng)作創(chuàng)業(yè)公司運(yùn)營(yíng)了五年?？赡苡行┤瞬惶吲d我在大學(xué)里把它當(dāng)作創(chuàng)業(yè)公司運(yùn)營(yíng)了這么久，但我對(duì)此非常自豪。所以從某種意義上講，我覺得自己就是喜歡做創(chuàng)業(yè)者。我喜歡那種從零開始的感覺，就像站在零點(diǎn)，忘記過去做過的事，忘記別人怎么看你，埋頭去做。這是我的舒適區(qū)，我真的非常熱愛這種感覺。
我尋找的是「智識(shí)上的無畏」
主持人：你真的很酷，除了做了所有這些了不起的事之外，你還指導(dǎo)了很多傳奇般的研究者，比如AndrejKarpathy、JimFan（現(xiàn)在在Nvidia）、JiaDeng（ImageNet項(xiàng)目上的合作）。他們后來都成為了行業(yè)中的佼佼者。當(dāng)他們還是學(xué)生的時(shí)候，是什么讓你看出來他們將來會(huì)成就非凡呢？你有什么建議可以分享，告訴我們?nèi)绾伪孀R(shí)出這些會(huì)改變AI領(lǐng)域的人？
李飛飛：首先，我覺得自己很幸運(yùn)，不要覺得我對(duì)學(xué)生的貢獻(xiàn)比他們多。他們真的讓我成為一個(gè)更好的人、更好的教師和研究員。和這么多像你說的傳奇般的學(xué)生共事，真的是我一生中的榮幸。每個(gè)學(xué)生都很不同，有些純粹是科學(xué)家，專注于解決科學(xué)問題；有些則是工業(yè)領(lǐng)域的領(lǐng)軍人物；還有一些是AI知識(shí)的偉大傳播者。但我覺得有一件事是他們共同的特點(diǎn)，我也鼓勵(lì)在座的每一位同學(xué)思考一下這個(gè)問題。
對(duì)于那些創(chuàng)業(yè)者，尤其是在招聘時(shí)，我的標(biāo)準(zhǔn)也是看重這個(gè)。我尋找的是「智識(shí)上的無畏」。
我認(rèn)為這不僅僅和你來自哪里、我們要解決什么問題無關(guān)，最重要的是那份勇氣，敢于面對(duì)困難，全身心投入并盡力去解決。這種無畏精神真的是成功者的核心特質(zhì)。我從這些學(xué)生身上學(xué)到了這一點(diǎn)，作為我們實(shí)驗(yàn)室的CEO，在我的招聘過程中，我也非常看重這一點(diǎn)。
主持人：你們也在為「WorldLabs」招聘很多人，所以你們也是在尋找相同的職位吧？
李飛飛：是的，我們確實(shí)在大規(guī)模招聘。我們正在招聘工程類人才、產(chǎn)品類人才、3D人才，以及生成模型方面的人才。如果你覺得自己無所畏懼，并且對(duì)解決智能問題充滿熱情，歡迎聯(lián)系我或者來我們的網(wǎng)站看看。
觀眾問答
提問者1：你好，飛飛，謝謝你的演講。我是你的超級(jí)粉絲！我的問題是，二十多年前你曾從事過視覺識(shí)別方面的工作。我現(xiàn)在想開始攻讀博士學(xué)位，我應(yīng)該研究什么方向，才能像你一樣成為傳奇人物呢？
李飛飛：我想給你一個(gè)深思熟慮的回答，因?yàn)槲铱偸强梢哉f做任何讓你興奮的事情。
首先，我認(rèn)為AI研究已經(jīng)發(fā)生了變化，因?yàn)槿绻阏诠プx博士學(xué)位，你就處于學(xué)術(shù)界。如今，學(xué)術(shù)界并不再擁有大多數(shù)AI資源，這與我當(dāng)時(shí)的情況非常不同?，F(xiàn)在的計(jì)算能力和數(shù)據(jù)資源在學(xué)術(shù)界非常有限，而產(chǎn)業(yè)界可以以更快的速度進(jìn)行研究。因此，作為一名博士生，我建議你去尋找那些不與產(chǎn)業(yè)界能夠利用更強(qiáng)大計(jì)算能力、更豐富數(shù)據(jù)和團(tuán)隊(duì)合作優(yōu)勢(shì)解決的問題發(fā)生沖突的方向。仍然有一些非常基礎(chǔ)的問題，學(xué)術(shù)界可以繼續(xù)探討，哪怕你有再多的芯片，也能取得很大進(jìn)展。
首先，跨學(xué)科的人工智能對(duì)我來說是學(xué)術(shù)界一個(gè)非常令人興奮的領(lǐng)域，特別是在科學(xué)發(fā)現(xiàn)方面。有太多學(xué)科可以與AI交叉。我認(rèn)為這是一個(gè)可以深入發(fā)展的領(lǐng)域。另一方面，在理論方面，我覺得非常有趣的是，AI的能力已經(jīng)完全超越了理論，我們不知道如何做到這一點(diǎn)，缺乏可解釋性，也不知道如何揭示因果關(guān)系。我們對(duì)模型的理解還有很多未知之處，未來可以進(jìn)一步推動(dòng)這一領(lǐng)域的發(fā)展，這里還有非常多的方向。在計(jì)算機(jī)視覺領(lǐng)域，依然存在一些尚未解決的問題。另外，小數(shù)據(jù)也是一個(gè)非常有趣的領(lǐng)域，充滿了可能性。
提問者2：謝謝李飛飛教授，再次恭喜您獲得耶魯大學(xué)的榮譽(yù)博士學(xué)位。我很榮幸一個(gè)月前能親自見證這一時(shí)刻。我的問題是，從您的角度來看，AGI更有可能作為一個(gè)統(tǒng)一的、單一的模型出現(xiàn)，還是作為一個(gè)「模型-智能體」系統(tǒng)出現(xiàn)呢？
李飛飛：你問的這個(gè)問題已經(jīng)提出了兩種定義。一種定義更偏向理論層面，把AGI定義為通過某種類似IQ測(cè)試的標(biāo)準(zhǔn)來衡量的智能，另一部分問題則更偏向?qū)嵱弥髁x，聚焦于智能體能執(zhí)行哪些任務(wù)。坦白說，我對(duì)于AGI的定義感到有些困惑。
這是因?yàn)椋?956年在達(dá)特茅斯會(huì)議上，人工智能的奠基人們，包括約翰·麥卡錫（JohnMcCarthy）和馬文·明斯基（MarvinMinsky），他們當(dāng)時(shí)想要解決的是能「思考」的機(jī)器問題，這個(gè)問題實(shí)際上是圖靈（AlanTuring）在他們之前提出來的。因此，這個(gè)命題并不是狹義的人工智能問題，而是一個(gè)關(guān)于智能的廣義命題。所以，我并不清楚如何將這個(gè)人工智能的奠基問題與「AGI」這個(gè)新詞區(qū)分開來。
對(duì)我而言，AGI和AI是同一個(gè)問題，但我理解現(xiàn)在的行業(yè)里更傾向于把AGI看作超越AI的概念。我對(duì)這種理解有些掙扎，因?yàn)槲也磺宄降资裁词茿GI，它和AI到底有什么不同？如果我們說今天的「類AGI」系統(tǒng)在某些任務(wù)上比上世紀(jì)70、80、90年代的狹義AI系統(tǒng)表現(xiàn)得更好，我認(rèn)為這是對(duì)的，這只是該領(lǐng)域發(fā)展的一個(gè)自然過程。但從根本上講，我認(rèn)為人工智能的本質(zhì)是創(chuàng)造能夠像人類一樣，甚至比人類更聰明地思考和做事的機(jī)器。所以，我并不清楚如何定義AGI，既然無法定義它，我也就無法判斷它是否是一個(gè)單一的體系。
如果從大腦的角度來看，它是一個(gè)整體，可以稱之為單一系統(tǒng)，但它的功能是多樣的，甚至大腦中還有像布羅卡區(qū)（Broca’sarea）負(fù)責(zé)語言，視覺皮層負(fù)責(zé)視覺，運(yùn)動(dòng)皮層負(fù)責(zé)運(yùn)動(dòng)等等。因此，我也不太知道該如何回答這個(gè)問題。
提問者3：你好，我叫Yasna。首先，我想說謝謝你?？吹揭晃慌栽谶@個(gè)領(lǐng)域中扮演領(lǐng)導(dǎo)角色，真的很令人鼓舞。作為一名研究員、教育者和企業(yè)家，我想請(qǐng)教一下，在人工智能飛速發(fā)展的今天，您認(rèn)為什么樣的人應(yīng)該去攻讀研究生學(xué)位？
李飛飛：這是一個(gè)很好的問題，甚至連家長(zhǎng)們也曾問過我。研究生階段是你擁有強(qiáng)烈好奇心的四到五年。
你是由好奇心驅(qū)動(dòng)的，而這種好奇心非常強(qiáng)烈，以至于沒有比這里更合適的地方來追求它。這與創(chuàng)業(yè)公司不同，因?yàn)樵趧?chuàng)業(yè)公司中，不能僅僅靠好奇心來推動(dòng)。你必須小心，創(chuàng)業(yè)公司不僅僅是由好奇心驅(qū)動(dòng)的，投資者會(huì)對(duì)你感到不滿。它更側(cè)重于實(shí)現(xiàn)商業(yè)目標(biāo)，雖然其中也有好奇心的成分，但它并不完全是好奇心驅(qū)動(dòng)的。而對(duì)于研究生來說，解決問題的好奇心或提問的能力是如此重要，我認(rèn)為那些帶著這種強(qiáng)烈好奇心進(jìn)入研究生階段的人，會(huì)真的享受這四五年，即使外部世界飛速發(fā)展，你仍然會(huì)因?yàn)樽冯S自己的好奇心而感到滿足。
提問者4：首先，我想感謝您抽出時(shí)間，謝謝您來和我們分享您的觀點(diǎn)。您提到，開源在圖像智能的發(fā)展中起了重要作用，現(xiàn)在隨著大語言模型的發(fā)布和發(fā)展，我們看到不同的組織在開源方面采取了不同的策略。一些組織完全閉源，一些組織則完全開源其整個(gè)研究框架，還有一些組織采取折中的方式，開源模型權(quán)重或采用有限制的許可證等等。所以我想請(qǐng)問，您如何看待這些不同的開源方式？您認(rèn)為正確的做法是什么？作為一家人工智能公司，開源應(yīng)該如何運(yùn)作？
李飛飛：我認(rèn)為當(dāng)生態(tài)系統(tǒng)中有不同的開源方式時(shí)，整個(gè)環(huán)境是健康的。我并不固執(zhí)于必須開源或必須閉源，這取決于公司的商業(yè)戰(zhàn)略。例如，像Meta（前Facebook）為什么選擇開源是非常明確的，他們目前的商業(yè)模式并不是通過銷售模型來盈利，而是通過利用這些模型來發(fā)展生態(tài)系統(tǒng)，吸引更多人使用他們的平臺(tái)。所以開源對(duì)他們來說是非常有意義的。而對(duì)于其他一些真正通過這些技術(shù)盈利的公司，你可以考慮開源和閉源相結(jié)合的方式，分層次地運(yùn)作。因此，我對(duì)這些方式持開放態(tài)度。
Meta的llama開源模型在HuggingFace開源大語言模型排行榜上
從更高層次來看，我認(rèn)為開源應(yīng)該受到保護(hù)，無論是在公共部門（如學(xué)術(shù)界）還是私人部門，如果有開源的努力，都是非常重要的。它對(duì)創(chuàng)業(yè)生態(tài)系統(tǒng)至關(guān)重要，也對(duì)公共部門非常重要。我認(rèn)為這些努力應(yīng)該得到保護(hù)，而不應(yīng)該被忽視。
提問者5：你好，我叫Carl，來自愛沙尼亞，我有一個(gè)關(guān)于數(shù)據(jù)的問題。你提到了機(jī)器學(xué)習(xí)從數(shù)據(jù)驅(qū)動(dòng)方法轉(zhuǎn)向的變化，特別是在ImageNet上取得的進(jìn)展，而現(xiàn)在你們正在研究世界模型，并且你提到我們?nèi)狈臻g數(shù)據(jù)，互聯(lián)網(wǎng)中并不存在這些數(shù)據(jù)，只有在我們的大腦中才有。你們是如何解決這個(gè)問題的？你們的研究方向是什么？你們是在從現(xiàn)實(shí)世界收集數(shù)據(jù)，還是生成合成數(shù)據(jù)？你們相信合成數(shù)據(jù)嗎？還是更相信傳統(tǒng)的先驗(yàn)知識(shí)？謝謝。
李飛飛：你應(yīng)該加入我的「WorldLabs」，我會(huì)告訴你。作為一家公司，我不能分享太多，但我認(rèn)為重要的是要承認(rèn)我們采用的是一種混合方法。擁有大量數(shù)據(jù)確實(shí)很重要，但同樣重要的是擁有高質(zhì)量的數(shù)據(jù)。歸根結(jié)底，如果你不注意數(shù)據(jù)的質(zhì)量，最終結(jié)果還是垃圾進(jìn)垃圾出。
提問者6：你好，李飛飛博士，我叫Annie，非常感謝您與我們交流。在您的書《TheWorld》中，我看到您談到了作為一名移民女孩和女性在STEM領(lǐng)域面臨的挑戰(zhàn)。我很想知道，您是否有過在職場(chǎng)中感受到自己是少數(shù)群體的時(shí)刻？如果有，您是如何克服這一困境或說服他人的？
李飛飛：謝謝你的問題。我在回答時(shí)會(huì)小心和深思，因?yàn)槲覀兠總€(gè)人的背景都不同，每個(gè)人的感受也非常獨(dú)特。你知道的，這幾乎不重要。我們每個(gè)人都有過感覺自己是少數(shù)群體或是房間里唯一一個(gè)人的時(shí)刻。所以，當(dāng)然，我也曾有過這種感覺。
有時(shí)候這與我是誰有關(guān)，有時(shí)候與我的想法有關(guān)，有時(shí)候也許只是因?yàn)槲掖┑囊路伾?，反正總?huì)有各種原因。但在這方面，我確實(shí)想鼓勵(lì)大家。也許是因?yàn)槲覐男淼竭@個(gè)國(guó)家，我積累了一些經(jīng)驗(yàn)。我已經(jīng)接受了這一點(diǎn)：我就是一名移民女性。我?guī)缀醢l(fā)展出了一個(gè)能力，就是不會(huì)過度在意這些。我在這里，就像你們每個(gè)人一樣。我在這里學(xué)習(xí)、做事、創(chuàng)造東西。
我真的想對(duì)你們每一個(gè)人說，你們正要開始做一些事情，或者已經(jīng)在做某件事情的過程中，你們會(huì)有脆弱或困惑的時(shí)刻，我每天都會(huì)有這種感覺，尤其是在創(chuàng)業(yè)生活中。有時(shí)候我會(huì)想，天啊，我不知道自己在做什么。別擔(dān)心，專注于去做。像梯度下降一樣，一步步朝著最優(yōu)解前進(jìn)。
縉云雪狼突擊隊(duì):反恐處突的尖刀隊(duì)
《雪狼意志》 作者：告天精彩片段：突然動(dòng)靜，六人同時(shí)從床上蹦了起來，瞪大眼睛望著大門。大家的神經(jīng)反應(yīng)都太過于敏感了，而且身體機(jī)能又不差，才會(huì)有這樣強(qiáng)烈的反應(yīng)。當(dāng)聽見是通訊部那位義務(wù)兵的聲音后，五人又躺了下去_|。“哦哦！來了！”蘭達(dá)在上床，他縱身一躍，便跳在地上——。空降兵的雙腿肌肉都很發(fā)達(dá)好了吧！
延伸閱讀：與 李飛飛萬字訪談 空間智能是 AI 的下一個(gè){前沿}：領(lǐng)42%域 的相關(guān)文章
宇樹科技副總經(jīng)理：人形機(jī)器人面臨“偽智能”困局，核心缺陷主要是環(huán)境感知碎片化
廣東人陷入高溫暴雨循環(huán)
曾被28689位網(wǎng)友托舉的男孩考上985
超經(jīng)典！很難想這是20年前的動(dòng)畫電影！小朋友看會(huì)被嚇得睡不著吧
放棄？！史上最難的游戲終于出現(xiàn)了？？《下一個(gè)是誰5》02
堅(jiān)持住底線 總有一天會(huì)有一片屬于我們?nèi)侵薜膬敉?/a>
醫(yī)院體檢等結(jié)果和回應(yīng)大家理性模仿？對(duì)，閑聊局
當(dāng)你穿進(jìn)老錢班4
韋雪說不敢聯(lián)系秦奮
終于有人把考公考編區(qū)別講明白了
