劃重點
1、李飛飛稱，空間智能將使機器高效處理視覺數(shù)據(jù)，精準做出預測，并基于這些預測采取行動。
2、李飛飛透露，他的團隊曾開發(fā)名為Walt的生成視頻模型，比OpenAI的Sora還要早幾個月問世。
3、空間智能將賦予機器彼此互動的能力，甚至還能與人類互動，與真實或虛擬的三維世界互動。
科技新聞訊外媒消息稱，知名計算機科學家李飛飛正積極籌備一家初創(chuàng)企業(yè)，該企業(yè)旨在通過借鑒人類視覺數(shù)據(jù)處理技術，賦予人工智能高級推理能力，此舉無疑將推動該領域技術實現(xiàn)質(zhì)的飛躍。
作為人工智能領域的佼佼者，李飛飛開創(chuàng)性的貢獻已得到業(yè)界的廣泛認可。據(jù)知情人士透露，她已成功在近期種子輪融資中為公司吸引了大量資金。其中，硅谷知名風險投資公司AndreessenHorowitz以及她去年加入的加拿大科技投資公司RadicalVentures均位列投資者名單之中。
在近期公開亮相的時候，李飛飛也避談她新的創(chuàng)業(yè)項目。外媒稱，在描述這家初創(chuàng)公司的愿景時，一位消息人士引用了李飛飛上個月在溫哥華TED大會上的精彩演講。在演講中，她詳細闡述了一種前沿算法，該算法能夠合理推斷圖像和文本在三維環(huán)境中的表現(xiàn)，并根據(jù)這些預測采取行動。這一創(chuàng)新理念被業(yè)內(nèi)專家譽為“空間智能”。
近日，李飛飛在X上放出來她在TED上的這段演講。
在宇宙誕生的初始階段，無盡的黑暗籠罩著一切，直至首批生物逐步演化出了視力，那一刻，生命的光輝得以綻放。如今，李飛飛預言，一個類似的轉折點即將在計算機與機器人領域上演。
在演講中，李飛飛詳細闡述了機器將如何逐步獲得所謂的“空間智能”，這一能力使得機器能夠高效地處理復雜的視覺數(shù)據(jù)，精準地做出預測，并基于這些預測迅速采取行動。此外，她還預判了這一突破性進展將如何改變?nèi)斯ぶ悄茉诂F(xiàn)實世界中與人類交互的方式。
以下為李飛飛演講全文：
首先，讓我為你們描繪一個畫面。準確地說，我并非要向你們展示任何具體的畫面，而是帶你們回到5.4億年前的世界。那是一個純粹而深邃的黑暗世界。由于光線微弱，天空并非呈現(xiàn)我們所熟悉的黑色。而由于視覺的缺失，使得周圍的一切顯得如此漆黑。
盡管陽光可以穿透到海面下1000多米的地方，再從熱泉口照向海底，那里充滿了生命，但在這古老的海水中，卻沒有一只眼睛去捕捉這些光影。沒有視網(wǎng)膜，沒有角膜，沒有晶狀體，所有的光和生命都隱匿在未知的黑暗中。那時，視覺這一概念尚未成形，前無古人，未有來者。直到那個特殊的時刻到來。
由于一些我們剛剛開始理解的原因，三葉蟲，這些最早能夠感知光線的生物，開始在這片古老的海洋中嶄露頭角。它們成為了我們今日所熟知現(xiàn)實世界的首批居民，首次發(fā)現(xiàn)了除了自己之外，還有一個充滿無數(shù)生命的世界。
人們普遍認為，視覺能力的出現(xiàn)，是寒武紀生物大爆發(fā)的關鍵所在。在這一時期，各種動物物種如雨后春筍般涌現(xiàn)。最初，視覺只是一種被動的體驗，一種簡單的讓光線進入感知的過程，但隨著時間的推移，它逐漸變成為主動技能。神經(jīng)系統(tǒng)開始進化，視覺不僅僅用于感知，更成為了理解和行動的源泉。這一切都推動了智慧的誕生。
如今，我們不再滿足于大自然賦予我們的視覺智能，好奇心驅(qū)使著我們創(chuàng)造出與我們一樣聰明的機器。
九年前，在這個舞臺上，我發(fā)表了一份關于計算機視覺的早期進展報告，這是人工智能領域的一個重要分支。當時，三股強大的力量首次匯聚一堂。一種被稱為神經(jīng)網(wǎng)絡的算法，一種被稱為圖形處理單元的專用硬件，以及龐大的數(shù)據(jù)集，如我的實驗室數(shù)年來整理的1500萬張圖片，被稱為ImageNet。這三者的結合，共同開啟了現(xiàn)代人工智能的新紀元。
我們確實已經(jīng)跨越了漫漫長路。曾幾何時，僅僅是給圖片加上標簽便被視為一次巨大的飛躍。然而，這些算法的速度和準確性都在以驚人的速度提升。我領導的實驗室所主辦的ImageNet年度挑戰(zhàn)賽，正是這一進步的鮮明寫照。
在此圖表中，你們可以清晰地觀察到每年的改進以及那些具有里程碑意義的模型。我的學生和合作者們更是在這些工作的基礎上更進一步，他們創(chuàng)造了能夠精準分割物體，甚至預測物體間動態(tài)關系的先進算法。
然而，這僅僅是冰山一角。記得上次我向你們展示的，那個能夠用人類自然語言描述照片內(nèi)容的計算機視覺算法嗎？那是我與我的學生安德烈卡爾帕西（AndrejKarpathy）共同努力的成果。
當時，我半開玩笑地問他：“安德烈，我們能讓電腦做相反的事嗎？”他笑著回答：“哈哈，那簡直不可能。”但正如今天所見到的樣子，不可能最終變?yōu)榱丝赡�。這得益于一系列擴散模型的突破，它們?yōu)楫斀竦纳墒饺斯ぶ悄芩惴ㄗ⑷肓藦姶髣恿�，使得這些算法能夠?qū)⑷祟惖奶崾巨D化為圖片和視頻。
你們中的許多人或許已經(jīng)見證了OpenAI最近推出的Sora的驚艷表現(xiàn)。但值得一提的是，即便沒有龐大的GPU資源支持，我的學生和我們的合作者們依然成功開發(fā)了一個名為Walt的生成視頻模型，它比Sora還要早幾個月問世。
你們可以看到其中的一些初步成果，盡管仍有改進的空間。舉例來說，看看那只貓的眼睛，它在波浪下的模樣，顯然有些失真，像是從未被水打濕過一般。這確實是一個需要我們進一步優(yōu)化的地方。
若以過去為序幕，我們將從這些錯誤中汲取寶貴的教訓，共同創(chuàng)造一個我們夢寐以求的未來。在這個未來，我們期待人工智能能夠為我們完成它所擅長的一切，或是成為我們得力的助手。
多年來，我一直強調(diào)拍照與觀看、理解之間存在顯著差異。而今天，我想再補充一點：僅僅觀看是遠遠不夠的。觀看是為了行動，為了學習。當我們在這個三維空間和時間交織的世界中采取行動時，我們不斷學習，我們學會如何更深入地觀察，如何更有效地行動。大自然為我們樹立了榜樣，它創(chuàng)造了一個由“空間智能”驅(qū)動的良性循環(huán)，將觀察與行動緊密相連。
為了更具體地闡述空間智能在日常生活中的作用，請仔細觀察這張圖。當你準備采取行動時，請舉手示意。就在那一刻，你的大腦迅速捕捉到了這個杯子的幾何形狀，它在三維空間中的精確位置，以及它與桌子、貓和其他物體的相互關系。這種瞬間的分析能力讓你能夠預測接下來可能發(fā)生的事情。這種行動的沖動，是所有具備空間智能的生物與生俱來的本能，它將我們的感知與行動緊密相連。
若想推動人工智能超越其現(xiàn)有的界限，我們所追求的不再是僅限于視覺識別和語言交流的智能體。我們渴望的是那些能夠行動的人工智能，能夠主動介入并與我們生活的世界互動。
確實，我們正在取得令人興奮的進展。在空間智能領域，最近的里程碑便是教會計算機觀察、學習、行動，并在實踐中不斷提高其觀察能力。這并非易事。大自然歷經(jīng)數(shù)百萬年的進化才賦予了生物空間智能，它依賴于眼睛接收光線，在視網(wǎng)膜上形成二維圖像，隨后大腦將這些數(shù)據(jù)轉化為三維信息。直到最近，谷歌的一組研究人員才開發(fā)出一種算法，能夠通過拍攝一系列照片，將它們轉化為三維空間模型，就像我們在這里所展示的例子一樣。
我的學生和我們的合作者們更進一步，他們創(chuàng)造了一種算法，能夠?qū)⑤斎氲亩S圖像轉換成三維形狀。這里有更多的實例供你們參考。
回想一下，我們之前討論過計算機程序如何將人類的文字提示轉化為視頻�，F(xiàn)在，密歇根大學的一組研究人員已經(jīng)找到了一種方法，可以將簡單的文字描述轉化為三維房間的布局，就像這里所展示的這樣。與此同時，我在斯坦福大學的同事們及其學生也已經(jīng)開發(fā)了一種算法，僅憑一張圖像便能生成無限逼真、可供觀眾探索的三維空間。
這些進展只是未來可能性的初步跡象，它們?yōu)槲覀兘沂玖艘粋�嶄新的世界。在這個世界中，人類可以將整個現(xiàn)實世界轉化為數(shù)字形式，并對其豐富性和細微差別進行建模。大自然在我們個人的意識中悄無聲息地完成了這一壯舉，而空間智能技術有望為我們的集體意識帶來同樣的變革。
隨著空間智能技術的飛速發(fā)展，一個良性循環(huán)的新時代正在我們眼前展開。這種反復循環(huán)的過程將極大地促進機器人的學習，這對于任何需要理解三維世界并與之互動的智能系統(tǒng)來說都是至關重要的組成部分。
十年前，我的實驗室通過啟用ImageNet數(shù)據(jù)庫，引入了一個包含數(shù)百萬張高質(zhì)量照片的龐大資源，為訓練計算機的識別能力奠定了堅實的基矗如今，我們采用類似的方法，但目標已經(jīng)轉向訓練計算機和機器人在三維世界中的行為和動作。不過，這次我們不再局限于收集靜態(tài)圖像，而是著手開發(fā)由三維空間模型驅(qū)動的模擬環(huán)境，這樣計算機就能擁有無限多種學習行動的可能性。在我實驗室領導的一項名為“Behavior”的開創(chuàng)性項目中，你們所見的僅僅是教導我們機器人的一小部分例子。
在機器人語言智能領域，我們也取得了令人矚目的進展。借助基于語言模型的大型輸入，我的學生和我們的合作者成功展示了機械臂如何根據(jù)口頭指令執(zhí)行多種任務，比如打開抽屜、拔掉手機充電插頭，甚至是用面包、生菜和西紅柿制作三明治，并貼心地為使用者放置一張餐巾。盡管我總是希望在三明治里多加一些配料，但這無疑是一個良好的開端。
回溯到生命起源的海洋，在遙遠的古代，生物通過感知和觀察環(huán)境的能力，開啟了與其他生命形式互動的寒武紀大爆發(fā)。今天，這束照亮生命起源的光束已經(jīng)觸及了數(shù)字思維的領域�？臻g智能賦予了機器與彼此互動的能力，更重要的是，它們還能與人類互動，與真實或虛擬的三維世界互動。隨著這樣的未來逐漸成形，它將對許多人的生活產(chǎn)生深遠的影響。
以醫(yī)療保健為例，過去的十年里，我的實驗室在利用人工智能解決影響患者結果和醫(yī)務人員倦怠的挑戰(zhàn)方面，已經(jīng)邁出了初步的嘗試。我們與斯坦福醫(yī)學院緊密合作，正在試驗智能傳感器，這些傳感器能夠檢測臨床醫(yī)生進入病房前是否正確洗手，或者記錄手術器械的使用情況，甚至在病人面臨身體危險（如摔倒）時及時提醒護理團隊。我們認為這些技術是一種環(huán)境智能，它們?nèi)缤嗔艘浑p眼睛，確實能夠在醫(yī)療保健領域產(chǎn)生積極的影響。然而，我期望我們的病人、臨床醫(yī)生和護理人員能夠得到更多互動的幫助，他們同樣迫切需要一雙額外的手。想象一下，一個自動化機器人負責運輸醫(yī)療用品，而護理人員則能專注于照顧病人�；蛘咄ㄟ^增強現(xiàn)實技術，引導外科醫(yī)生進行更安全、更快速、侵入性更小的手術。
想象一下，那些嚴重癱瘓的病人僅憑思想便能控制機器人。是的，通過解讀腦電波，他們能夠完成我們?nèi)粘Ｖ辛曇詾槌５娜蝿铡Ｔ谖覍嶒炇易罱M行的初步研究中，你們已經(jīng)窺見了這一未來的面貌。在這段視頻中，機械臂正在烹飪?nèi)毡緣巯矡�，而它的每一個動作，都僅由佩戴者通過腦電圖帽非侵入性地收集的腦電波來控制。
五億年前，視覺的出現(xiàn)如同一道曙光，照亮了一個原本黑暗的世界。它引領了生命史上最深刻的進化過程，推動了動物世界智力的飛速發(fā)展。與此相似，人工智能在過去十年中的進步同樣令人震驚。但在我看來，除非我們賦予計算機和機器人空間智能，否則數(shù)字寒武紀大爆發(fā)的全部潛力將不會完全實現(xiàn)，正如大自然為我們所有人所創(chuàng)造的那樣。
這是一個激動人心的時刻，我們有機會教導我們的數(shù)字伴侶學習推理，并與我們稱之為家的美麗三維空間互動。更進一步，我們還能創(chuàng)造更多新世界，等待我們共同去探索。然而，實現(xiàn)這樣的未來并非易事，它要求我們所有人都采取深思熟慮的步驟，開發(fā)出始終以人為中心的技術。
但只要我們做對了，由空間智能驅(qū)動的計算機和機器人將不再僅僅是工具，它們將成為我們值得信賴的合作伙伴。在尊重我們的個人尊嚴和促進我們的集體繁榮的同時，它們將提高和增強我們的生產(chǎn)力和人性。
最令我對未來感到興奮的是，人工智能將變得更有洞察力和空間意識。它們將加入我們的行列，一同追求以更好的方式創(chuàng)造一個更美好的世界。（編譯/金鹿）
