从 ImageNet 到 World Labs，李飞飞的轨迹不仅是技术演进的缩影，更是 AI 认知范式的跃迁。本文聚焦她提出的“空间智能”理念，剖析其如何重塑人机交互、环境理解与未来的智能系统架构。一次人物回顾，也是一场认知革新。

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：

1. 数据：ImageNet提供了大规模训练样本；
2. 算力：GPU计算被首次应用于深度学习训练；
3. 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：

1. JustinJohnson：李飞飞在斯坦福的博士生，早期提出“神经风格迁移（NeuralStyleTransfer）”；
2. BenMildenhall：NeRF（NeuralRadianceFields）第一作者，是三维重建技术的关键人物；
3. ChristophLassner：Pulsar创始人，差分渲染（DifferentiableRendering）领域专家。

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

李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。