斯坦福教授李飞飞谈AI未来：需根本性创新，AGI概念模糊

智东西11月17日消息，昨日，斯坦福大学教授、World Labs联合创始人兼CEO李飞飞在Lenny's Podcast分享了其对AI未来的见解。她认为，AI的发展不能永远依赖扩展定律（Scaling Law），而需要更多根本性的技术创新；至于“通用人工智能”（AGI），这更像是一个营销口号，而非严谨的科学术语。

李飞飞回顾了20多年的科研与创业经历，总结出现代AI的核心：神经网络、大数据与GPU的结合。事实上，ChatGPT的成功正是依靠了这套“黄金配方”。

然而，她警告称，单纯扩大数据规模和提升算力并不足以实现智能的突破。当前AI在多项任务上仍难以比肩人类，例如从视频中精确计数或推导物理定律。

李飞飞指出，我们距离真正具备创造力、抽象能力和情感智能的AI系统还有很长的路要走，“如今有太多AI做不到的事情”。

对于AGI概念，李飞飞持保留态度。她认为AGI的定义模糊，科学家应专注于解决AI面临的技术挑战，而非陷入概念争论。

作为创业者，她也坦言AI领域的竞争异常激烈。过去“简单模型+海量数据”的成功经验，在机器人等物理世界应用中并不完全适用。自动驾驶的发展近二十年仍未完全成熟就是一个例子。

尽管挑战重重，李飞飞坚信AI的进步是几代人积累的成果。她认为，研究空间智能不仅对机器人和具身智能发展有极大作用，还能在具身层面增强人类。

以下是对李飞飞本场访谈的精华整理，完整内容可参考文末链接：

01.

从寒冬走出后

现代AI迎来黄金配方

在访谈中，李飞飞回顾了自己在AI领域的早期经历。2000年，她在加州理工大学攻读博士学位时，作为第一代机器学习研究员，研究重点是神经网络。

当时，AI还处于无人问津的“寒冬”。公众并不关注这一领域，资金也相对匮乏。李飞飞的学术兴趣始终聚焦在视觉智能上。她认为，如果人类的智能极度依赖视觉，那么机器的智能也必须从“理解世界”开始。

随着研究的深入，李飞飞和她的学生逐渐意识到：大数据是激活AI的关键。

于是，她决定收集互联网中所有关于物体的图像数据。就这样，2006年左右，ImageNet项目开始了。最终，该项目收集了1500万张图片、2.2万个物体类别。

这一项目成为了现代AI的起点。2012年，辛顿团队使用ImageNet数据与两块普通游戏GPU训练出了突破性的神经网络模型。大数据、神经网络和GPU的结合被李飞飞称为“现代AI的黄金配方”。

当ChatGPT问世时，其背后的三大要素仍然是这套组合：神经网络、大数据、GPU。李飞飞认为两者之间的区别只是规模。

02.

我不知道AI和AGI有什么区别

图灵或许也不知道

AGI还有多远？这一问题已成为所有AI学者和企业高管访谈中的必答题。在李飞飞看来，AGI概念模糊且难以定义。

她直言：“我进入AI领域是因为思考机器能否像人一样思考和行动。从这个角度看，我不知道AI和AGI有什么区别。”她还设想如果艾伦·图灵还在世被问及这个问题时，他也可能只会耸耸肩。

李飞飞称自己不想陷入定义AI与AGI的争论中。她认为AGI更像是一个营销口号而非科学术语。作为科学家和技术专家她更关注技术的实际进展。

尽管更大的数据集、更多的GPU和扩展现有模型架构能带来性能提升但AI的发展远不能仅靠扩展定律。

03.

Marble不仅是视频生成模型

AI创业竞争激烈程度令人震撼

李飞飞还谈到了World Labs最近发布的产品Marble一个基于前沿世界模型的应用程序能够仅通过一句话或一张图像生成可探索的三维世界。

她强调Marble不仅仅是生成二维视频而是提供具有真实空间结构的世界使创作者、游戏开发者等能够快速生成沉浸式场景。

李飞飞透露成立18个月的World Labs如今拥有约30人的团队主要由研究人员和工程师组成但也包括设计师和产品人员。

04.

造机器人比造自动驾驶汽车还难

“苦涩的教训”并不适用

李飞飞在访谈中提到强化学习先驱Richard Sutton提出的“苦涩的教训”：简单模型配合海量数据往往比复杂模型加少量数据更有效。然而她强调这一教训在机器人领域并不适用。

原因在于机器人数据极难获取且不像语言模型数据那样自然“对齐”。此外机器人是物理系统涉及硬件、供应链等多种复杂因素。

05.

结语：在AI时代里

每个人都有一席之地

在访谈的尾声李飞飞谈起了全球范围内对AI是否会取代人类的焦虑。她认为技术发展不应以牺牲人的尊严与能动性为代价。

“无论是艺术家利用AI创作还是农民参与AI监管决策或护士在AI辅助下减轻工作负担” AI的真正价值在于增强人类能力、服务人类需求。