在人工智能（AI）領(lǐng)域，斯坦福大學(xué)教授李飛飛被稱(chēng)為“AI 教母”。

她在深度學(xué)習(xí)革命中發(fā)揮了重要作用，多年來(lái)一直致力于創(chuàng)建 ImageNet 數(shù)據(jù)集和競(jìng)賽，該數(shù)據(jù)集和競(jìng)賽要求人工智能系統(tǒng)識(shí)別 1000 個(gè)類(lèi)別的物體和動(dòng)物。2012年，一個(gè)名為 AlexNet 的神經(jīng)網(wǎng)絡(luò)在 ImageNet 競(jìng)賽中獲得了冠軍，其出色的表現(xiàn)震驚了整個(gè)人工智能研究界。

從那時(shí)起，神經(jīng)網(wǎng)絡(luò)在互聯(lián)網(wǎng)上提供的大量免費(fèi)訓(xùn)練數(shù)據(jù)和可提供前所未有計(jì)算能力的 GPU 的推動(dòng)下，開(kāi)始取得突破。

在 ImageNet 出現(xiàn)之后的 13 年里，計(jì)算機(jī)視覺(jué)研究人員掌握了物體識(shí)別技術(shù)，并開(kāi)始研究圖像和視頻生成技術(shù)。李飛飛與他人共同創(chuàng)建了斯坦福以人為本人工智能研究院（HAI），并繼續(xù)推動(dòng)計(jì)算機(jī)視覺(jué)的發(fā)展。就在今年，她創(chuàng)辦了一家初創(chuàng)公司--World Labs，該公司可以生成用戶(hù)可以探索的 3D 場(chǎng)景。World Labs 致力于賦予人工智能“空間智能”，即生成 3D 世界、在 3D 世界中進(jìn)行推理并與之互動(dòng)的能力。

昨天，李飛飛在人工智能頂會(huì) NeurIPS 上發(fā)表了題為“From Seeing to Doing: Ascending the Ladder of Visual Intelligence”的主旨演講，闡述了她對(duì)機(jī)器視覺(jué)的愿景。

在演講前，李飛飛接受了 IEEE Spectrum 高級(jí)編輯 Eliza Strickland 的專(zhuān)訪。內(nèi)容如下：

Eliza Strickland：為什么將演講題目定為“攀登視覺(jué)智能的階梯”（Ascending the Ladder of Visual Intelligence）。

李飛飛：我認(rèn)為，直觀地說(shuō)，智能有不同程度的復(fù)雜性和先進(jìn)性。在演講中，我想表達(dá)的是，在過(guò)去的幾十年里，尤其是深度學(xué)習(xí)革命的十多年里，我們?cè)谝曈X(jué)智能方面所學(xué)到的東西令人驚訝。我們的技術(shù)能力越來(lái)越強(qiáng)。Judea Pearl 提出的“因果關(guān)系階梯”也給了我啟發(fā)。

演講還有一個(gè)副標(biāo)題，“從看到做”。人們對(duì)這一點(diǎn)還不夠了解：無(wú)論是動(dòng)物還是 AI 智能體，“看”都與互動(dòng)和“做”密切相關(guān)。這和語(yǔ)言是不同的。語(yǔ)言從根本上說(shuō)是一種交流工具，用來(lái)傳遞思想。在我看來(lái)，這些都是非常互補(bǔ)但同樣影響深刻的智能模態(tài)。

ES：你的意思是說(shuō)，我們會(huì)本能地對(duì)某些景象做出反應(yīng)？

李飛飛：我說(shuō)的不僅僅是本能。如果你看一下感知的進(jìn)化和動(dòng)物智能的進(jìn)化，就會(huì)發(fā)現(xiàn)這兩者之間有著深刻的聯(lián)系。每當(dāng)我們能夠從環(huán)境中獲得更多信息時(shí)，進(jìn)化的力量就會(huì)推動(dòng)能力和智能的發(fā)展。如果你不能感知環(huán)境，你與世界的關(guān)系就會(huì)非常被動(dòng)；你是吃還是被吃，都是非常被動(dòng)的行為。但是，一旦你能夠通過(guò)感知從環(huán)境中獲取線索，進(jìn)化的壓力就會(huì)真正增大，從而推動(dòng)智能的發(fā)展。

ES：你認(rèn)為這就是我們創(chuàng)造更深入的機(jī)器智能的方式嗎？讓機(jī)器感知更多環(huán)境？

李飛飛：我不知道“深入”是不是我想用的形容詞。我認(rèn)為我們正在創(chuàng)造更多的能力。我認(rèn)為它正變得越來(lái)越復(fù)雜，越來(lái)越有能力。我認(rèn)為，解決空間智能問(wèn)題是邁向全面智能化的基礎(chǔ)和關(guān)鍵一步，我對(duì)這一點(diǎn)深信不疑。

ES：我看過(guò) World Labs 的演示。你為什么想研究空間智能并構(gòu)建這些 3D 世界？

李飛飛：我認(rèn)為空間智能是視覺(jué)智能的發(fā)展方向。如果我們真的要解決視覺(jué)問(wèn)題，并將其與做某些事聯(lián)系起來(lái)，有一個(gè)非常簡(jiǎn)單、一目了然的事實(shí)：世界是 3D 的。我們生活的世界不是平面的。我們的物理智能體，無(wú)論是機(jī)器人還是設(shè)備，都將生活在 3D 世界中。就連虛擬世界也變得越來(lái)越 3D 化。如果你與藝術(shù)家、游戲開(kāi)發(fā)者、設(shè)計(jì)師、建筑師和醫(yī)生交談，即使他們是在虛擬世界中工作，其中大部分也是 3D 的。如果你能靜下心來(lái)，認(rèn)清這個(gè)簡(jiǎn)單而深刻的事實(shí)，那么毫無(wú)疑問(wèn)，破解 3D 智能問(wèn)題就是根本所在。

ES：我很好奇 World Labs 展示的場(chǎng)景是如何保持物體的持久性和遵守物理定律的。這感覺(jué)像是一個(gè)令人興奮的進(jìn)步，因?yàn)橄?Sora 這樣的視頻生成工具仍然在摸索這些東西。

李飛飛：一旦你認(rèn)同了世界的 3D 性，很多事情就自然而然地發(fā)生了。例如，在我們發(fā)布在社交媒體上的一個(gè)視頻中，籃球被投放到一個(gè)場(chǎng)景中。因?yàn)樗?3D 的，所以你可以擁有這種能力。如果場(chǎng)景只是 2D 生成的像素，籃球?qū)o(wú)處可去。

ES：或者，就像在 Sora 中一樣，它可能會(huì)出現(xiàn)在某個(gè)地方，但隨后就消失了。在嘗試推進(jìn)這項(xiàng)技術(shù)的過(guò)程中，你們面臨的最大技術(shù)挑戰(zhàn)是什么？

李飛飛：沒(méi)有人解決過(guò)這個(gè)問(wèn)題，對(duì)吧？這非常非常難。在 World Labs 的演示視頻中，你可以看到我們用一幅梵高的畫(huà)，以統(tǒng)一的風(fēng)格生成了它周?chē)恼麄€(gè)場(chǎng)景：藝術(shù)風(fēng)格、燈光，甚至街區(qū)會(huì)有什么樣的建筑。如果你轉(zhuǎn)過(guò)身去，它就變成了摩天大樓，那就完全沒(méi)有說(shuō)服力了。它必須是 3D 的。你必須在其中導(dǎo)航。因此，它不僅僅是像素。

ES：你能說(shuō)說(shuō)你用來(lái)訓(xùn)練它的數(shù)據(jù)嗎？

李飛飛：很多。

ES：你在算力負(fù)擔(dān)方面是否面臨技術(shù)挑戰(zhàn)？

李飛飛：算力需求很大。這是公共部門(mén)無(wú)法負(fù)擔(dān)的。這也是我很高興能夠以私營(yíng)部門(mén)的方式來(lái)做這件事的部分原因。這也是我一直推動(dòng)公共部門(mén)算力訪問(wèn)的部分原因，我的親身經(jīng)歷強(qiáng)調(diào)了創(chuàng)新與充足資源的重要性。

ES：如果能賦予公共部門(mén)權(quán)力就更好了，因?yàn)楣膊块T(mén)通常更愿意為自己和人類(lèi)的利益而獲得知識(shí)。

李飛飛：知識(shí)的發(fā)現(xiàn)需要資源的支持。在伽利略時(shí)代，是最好的望遠(yuǎn)鏡讓天文學(xué)家觀測(cè)到了新的天體。是胡克（Robert Hooke）意識(shí)到放大鏡可以改進(jìn)成顯微鏡，并發(fā)現(xiàn)了細(xì)胞。每當(dāng)有新的技術(shù)工具出現(xiàn)，都有助于知識(shí)的探尋。而現(xiàn)在，在人工智能時(shí)代，技術(shù)工具涉及算力和數(shù)據(jù)。對(duì)于公共部門(mén)來(lái)說(shuō)，我們必須認(rèn)識(shí)到這一點(diǎn)。

ES：假設(shè)我們可以讓人工智能系統(tǒng)真正理解 3D 世界，這將給我們帶來(lái)什么？

李飛飛：它將為人們釋放大量的創(chuàng)造力和生產(chǎn)力。我想用一種更高效的方式來(lái)設(shè)計(jì)我的房子。我知道很多醫(yī)學(xué)用途都涉及到理解一個(gè)非常特殊的 3D 世界，也就是人體。我們總是在談?wù)撐磥?lái)人類(lèi)將創(chuàng)造機(jī)器人來(lái)幫助我們，但機(jī)器人在 3D 世界中導(dǎo)航，它們需要空間智能作為大腦的一部分。我們還討論了虛擬世界，它將允許人們參觀地方、學(xué)習(xí)概念或娛樂(lè)。這些都使用 3D 技術(shù)，尤其是混合技術(shù)，我們稱(chēng)之為 AR。我想帶著一副眼鏡穿過(guò)公園，它能告訴我關(guān)于樹(shù)木、小路和云的信息。我也想通過(guò)空間智能學(xué)習(xí)不同的技能。

ES：什么樣的技能？

李飛飛：我舉一個(gè)簡(jiǎn)單的例子，如果我在高速公路上爆胎了，我該怎么辦？現(xiàn)在，我需要打開(kāi)一個(gè)“如何換輪胎”的視頻。但如果我能戴上眼鏡，看到我的車(chē)發(fā)生了什么，然后在指導(dǎo)下完成這個(gè)過(guò)程，那就太酷了。你還可以考慮烹飪，你可以考慮雕刻——有趣的事情。

ES：你認(rèn)為在我們有生之年，我們還能在這方面走多遠(yuǎn)？

李飛飛：我認(rèn)為這將在我們的有生之年發(fā)生，因?yàn)榧夹g(shù)進(jìn)步的步伐非?？?/strong>。你們已經(jīng)看到了過(guò)去 10 年帶來(lái)的變化。這無(wú)疑預(yù)示著接下來(lái)會(huì)發(fā)生什么。

文章來(lái)源：學(xué)術(shù)頭條