ChatGPT之后是什么？“AI教母”李飞飞已有计划

从 ImageNet 让机器识别图像，到 World Labs 构建可探索的三维世界，李飞飞希望 AI 能够理解空间、预测物理变化并在现实中行动；但在她看来，技术越强，人类越需要保有自主性。

“光靠文字能灭火吗？”

过去几年，AI 的注意力几乎都被大语言模型吸走了。ChatGPT、Claude 让机器能够写作、编程、总结和对话，也让“预测下一个词”成为这一轮技术浪潮最容易理解的入口。

李飞飞关注的却是另一个问题：如果 AI 只能处理语言，它要怎样进入现实世界？

她在采访中用了两个很直白的例子：“光靠文字能灭火吗？光靠文字能做出煎蛋卷吗？”描述如何接住一个球，与真正伸手接住它，也是两回事。

语言可以解释任务，却不能代替感知、判断和动作。

李飞飞的判断是，大语言模型打开了语言智能的大门，但机器要成为现实中的伙伴，还要补上空间智能和物理智能。她不把世界模型看成大语言模型的对立面。语言仍然重要，只是它不能单独承担科学发现、机器人协作和现实行动需要的全部能力。世界模型要解决的，是 AI 如何认识一个持续存在、遵循物理规律、能够被行动改变的环境。

从 ImageNet 的“看见”，走向现实世界中的“行动”

这条路线并非突然出现。李飞飞早期研究计算机视觉时，首先面对的是“机器怎样看见”。

2006 年前后，她和学生开始推进 ImageNet。这个图像库后来收录约 1400 万张图片，覆盖 2.1 万多个类别。那时算法研究更重视模型本身，数据常被放在次要位置。李飞飞和团队提出，机器学习的进步必须由大规模数据驱动。

2010 年，ImageNet 被用于图像识别竞赛。2012 年，多伦多大学团队带着 AlexNet 参赛，并借助 NVIDIA GPU 算力取得突破。大规模数据、神经网络和 GPU 由此汇合，成为现代 AI 发展的关键组合。

ImageNet 让机器更擅长辨认照片里的物体，却没有回答视觉如何服务行动。

李飞飞在访谈中说，视觉很大程度上是在为行动做准备。人早晨醒来，拥抱孩子、下楼、准备早餐、拿钥匙、开车上班，这些动作都依赖对空间的持续判断：物体在哪里，彼此是什么关系，动作之后会发生什么。

识别“这是一个杯子”只是起点。真正的空间智能，还要知道杯子能否拿起、怎样移动，以及放下后世界会怎样变化。

李飞飞并不主动使用“AI 教母”这个媒体称号，却也没有当场拒绝。她解释，如果立即推开这个称号，女性的创造和发现可能继续得不到与男性同等的承认。对她而言，这不是个人头衔的问题，而是女性的技术贡献能否被看见。

世界模型不只是生成视频：渲染、模拟与规划

“世界模型”如今被不同公司用来描述不同技术。李飞飞也承认，这个词的含义已经相当宽泛。World Labs 更愿意把空间智能拆成三类能力：渲染、模拟和规划。

渲染面向人。模型生成像素、画面和可观看的内容，Sora 等视频生成产品属于最容易被大众感知的一层。

模拟面向机器。它需要捕捉场景的几何结构、物体关系和物理规律，让系统判断某个动作会带来怎样的变化。生成一段“看起来合理”的视频还不够，机器还要知道物体为何移动、碰撞后会怎样、同一个空间换个视角是否仍然一致。

规划则进一步连接行动。机器人看到桌上的杯子后，要决定下一步是接近、抓取，还是把它移到另一个位置。模型不仅要描述当前状态，还要在多个可能的动作中选择路径。

渲染让人看见一个世界，模拟让机器理解这个世界，规划则帮助机器在其中行动。

这套分类也解释了为什么世界模型不能只追求画面逼真。对影视和游戏来说，视觉效果本身就有价值；对机器人来说，模型还必须保留几何一致性、物理结构和可执行的动作信息。

Marble：用一张图，生成一个可以走进去的三维世界

World Labs 推出的 Marble，是这条路线的第一步。按照采访中的演示，它可以根据一张图像或一段文字，生成一个可探索、可编辑的三维环境。

从单张截图看，这样的结果可能与普通图像生成没有明显区别。差别在于，用户可以在其中前进、转身、改变视角，继续观察同一个空间。它不再只是一幅画，而是一个具有内部结构的环境。

World Labs 把 Marble 的早期用途放在三个方向：影视虚拟制作、游戏开发和机器人训练。影视团队可以把演员放入不同数字环境，游戏开发者可以更快搭建场景；在与 NVIDIA 的合作案例中，Marble 生成的环境被用于扩充机器人训练场景。

这里需要区分当前产品与长期目标。Marble 展示的主要是三维世界生成和探索能力；李飞飞所说的“最终走向四维世界”、完整模拟和机器人规划，仍属于继续推进的方向，不能视为已经全部实现。

这类模型的数据准备不同于文本模型。图片里不仅有像素，还隐含相机位置、视角、尺度和空间关系。李飞飞把 World Labs 的技术基础概括为几部分：专门准备的数据、算法与架构、完整系统，以及能够把这些环节连起来的团队。

“真正的秘诀是人。”她随后补充，数据、算法和系统同样不可缺少。

资本涌入，但世界模型仍在演示阶段

世界模型正在成为新的竞争焦点。初创公司和科技巨头都在尝试把它用于设计、自动驾驶、工业机器人和家庭环境。采访给出了三组口径不同的资金数字：World Labs 于 2026 年 2 月新获 10 亿美元融资，人形机器人公司合计融资约 60 亿美元，节目旁白称世界模型领域的投资约为 30 亿美元。这些数字反映的是采访时点的资本热度，不能直接相互比较。当时 World Labs 的团队约 50 人。

李飞飞面对的一个直接问题是：一家规模不大的初创公司，如何与拥有算力、资本和人才的大公司竞争？

她的回答很简单：“大公司手头有很多事，我们手头只有一件事。”

专注并不能消除算力和资本压力。世界模型需要处理比文字更密集的信息，构建和训练都很耗费资源。李飞飞坦言，团队很可能还需要更多算力与投入，但是否能够获得，取决于能否先把工作做好。

她也没有把这条路线包装成已经到来的革命。采访后半段，她明确说世界模型的成熟度更低，所处阶段比大语言模型更早。它要从演示进入稳定产品，还需要时间、资本和真实应用的检验。

“即便是好的科学，也可能被炒作。”这是她对当下热潮给出的提醒。

机器进入现实世界，人仍要保有选择权

技术讨论到这里，问题的另一面也随之出现：机器正在获得进入现实世界的能力，人是否还能保有选择权？李飞飞说，即使在斯坦福，学生面对 AI 也有复杂情绪：焦虑、希望、兴奋和困惑同时存在。

这种矛盾并不难理解。AI 帮助一个人完成过去做不到的事时，他会感到自己拥有了更多能力、尊严和自主性；如果 AI 带来的只是工作被取代，人感受到的则是失去选择权。

这也是李飞飞对当下 AI 叙事最明确的不满。她认为，行业领导者谈论“取代人类、取代工作”太多，认真讨论怎样赋能人类却太少。

她用一句话概括自己的立场：“所谓人工智能，其实处处都离不开人：它受人类启发，由人类创造，更重要的是，它影响的也是人类。”

监管不能靠科幻恐惧，AI 也不能由少数人决定

李飞飞曾参与美国政府和联合国的 AI 政策讨论。她说，与政策制定者交流时，自己不会把 AI 描绘成彻底的乌托邦，也不会用末日论制造恐慌。科学家的责任，是提供科学事实，同时在对方判断错误时明确提出异议。

谈到监管，她首先强调：“必须立足于科学，而不是科幻。”

在她看来，关于人类灭绝和“机器霸主”的极端叙事，容易挤占真正需要处理的政策问题。现实风险已经足够具体：模型可能制造错误信息和虚假信息，机器人可能被恶意武器化，学生也可能把 AI 当成逃避学习的捷径。

政策除了约束风险，还要建设基础能力。她主张为公共部门提供资源，加强从基础教育到大学阶段的 STEM 教育。因为决定一个社会能否使用好 AI 的，不只是模型本身，还有人才、教育和公共机构。她也提醒，这些问题并非 AI 独有，电力、汽车、个人电脑和互联网同样可能被误用。

李飞飞还谈到美国在这场技术变革中的角色。在她看来，如果美国社会对 AI 失去信心，又无法展示一条兼顾技术、经济价值与文化影响的发展路径，其他国家也会受到影响。这是她对美国责任的判断，而不是对现实结果的断言。

采访者问到，一些 AI 公司领导者被批评具有“上帝情结”，仿佛少数人就能替全社会决定技术的方向。

李飞飞的回应很直接：“任何个人如果觉得自己比所有人都更懂，那都很危险。”她强调，创业者的出发点应是为社会作贡献、为人们赋能，而不是替每个人作出决定。

她因此强调公民社会不能退出 AI 讨论。技术治理需要更多声音和集体参与，但治理也不等于叫停。AI 可能帮助发现疾病疗法、支持教师与学生、改善老年人的生活，这些可能性同样值得保留。

李飞飞承认，现实正处在一个“非常混乱的阶段”。她坚持发声，是因为自己既是科学家，也是教育者。

从 ImageNet 到 World Labs，她的研究对象已经发生变化：过去是教机器看见，今天是给机器构建一个可以理解、模拟和行动的世界。但她给出的落点始终不是机器本身。

当被问及五年后的 AI 会走向哪里时，她坦言自己是个乐观主义者。世界并不完美，但她相信，人类希望后代生活得更好，也拥有共同推动社会走向善的道德罗盘。

她最后说：“我的希望寄托在人类身上。”

资料来源

彭博《The Circuit》：What's Beyond ChatGPT: The 'Godmother of AI' Has a Plan

World Labs：World Labs Announces New Funding，2026 年 2 月 18 日