Stanford computer scientist Fei-Fei Li is unveiling a startup that aims to teach AI systems deep knowledge of physical reality. Investors are throwing money at it.

The Godmother of AI Wants Everyone to Be a World Builder

人工智能的教母希望每个人都成为世界创造者

根据市场关注的科技评论员和专业怀疑论者的观点，人工智能泡沫已经破裂，寒冬又回来了。然而，李飞飞并不认同这一说法。事实上，这位被誉为“人工智能教母”的李飞飞正在押注相反的观点。她正在斯坦福大学兼职休假，共同创办一个名为World Labs的公司。虽然当前的生成式人工智能主要基于语言，但她认为存在一个开创性的领域，即系统能够构建具有我们物理现实的物理、逻辑和丰富细节的完整世界。这是一个雄心勃勃的目标，尽管有些悲观者称人工智能的进展已陷入严峻的停滞，但World Labs正处于快速融资的轨道上。这家初创公司可能距离推出产品还有一年，虽然尚不清楚该产品在推出时是否有效，但投资者已经投入了2.3亿美元，并 reportedly 以十亿美元的估值看待这家新兴初创公司。

大约十年前，李女士通过创建ImageNet这一专门的数字图像数据库，帮助AI迎来了转折点，使神经网络变得更加智能。她认为，如果AI要创建真实的世界，无论是现实的模拟还是完全虚构的宇宙，今天的深度学习模型需要一个类似的推动。未来的乔治·R·R·马丁可能会将他们构思的世界作为提示而不是散文，以便你可以呈现并在其中徜徉。“计算机所见的物理世界是通过相机和相机背后的计算机大脑看到的，”李女士说。“将这种视觉转化为推理、生成和最终的互动，涉及理解物理世界的物理结构和物理动态。而这种技术被称为空间智能。”世界实验室自称是一家空间智能公司，其命运将帮助决定这一术语是成为一场革命还是一个笑话。

李一直对空间智能着迷多年。当所有人都对ChatGPT感到疯狂时，她和她的一位前学生贾斯廷·约翰逊在电话中兴奋地讨论着人工智能的下一次迭代。约翰逊现在是密歇根大学的助理教授，他说：“下一个十年将是关于生成新内容，将计算机视觉、深度学习和人工智能从互联网世界中带出来，并将其嵌入到空间和时间中。”

李在2023年初决定创办一家公司，这源于一次与马丁·卡萨多的晚餐。卡萨多是一位虚拟网络领域的先驱，现在是安德森-霍洛维茨的合伙人。该风险投资公司因其几近救世主般的对人工智能的拥抱而闻名。卡萨多认为，人工智能的发展路径与计算机游戏相似，游戏从文本开始，逐渐发展到2D图形，现在已拥有令人惊叹的3D图像。空间智能将推动这一变革。最终，他表示，“你可以把你最喜欢的书放入一个模型中，然后你真的可以走进去，实时观看它以一种身临其境的方式演绎出来。”卡萨多和李一致认为，实现这一目标的第一步是从大型语言模型转向大型<em>世界</em>模型。

李开始组建团队，约翰逊作为联合创始人。卡萨多建议再加入两个人——其中一位是克里斯托夫·拉斯纳（Christoph Lassner），他曾在亚马逊、Meta的现实实验室和Epic Games工作。他是Pulsar的发明者，这是一种渲染方案，催生了一种被称为3D高斯撒播（3D Gaussian Splatting）的著名技术。听起来像是麻省理工学院（MIT）学士晚会上的独立乐队，但实际上这是一种合成场景的方法，而不是一次性对象。卡萨多的另一个建议是本·米尔登霍尔（Ben Mildenhall），他创造了一种名为NeRF（神经辐射场）的强大技术，可以将2D像素图像转换为3D图形。他说：“我们将现实世界的物体带入虚拟现实，并让它们看起来完全真实。”他辞去了谷歌高级研究科学家的职位，加入了李的团队。

一个大型世界模型显而易见的目标是赋予机器人世界感。这确实是世界实验室的计划，但还需要一段时间。第一阶段是构建一个对三维性、物理性以及空间和时间概念有深入理解的模型。接下来将进入一个模型支持增强现实的阶段。之后，公司才能开始介入机器人技术。如果这个愿景得以实现，大型世界模型将改善自动驾驶汽车、自动化工厂，甚至可能提升类人机器人。

那还远着呢，绝不是十拿九稳。World Labs承诺将在2025年推出一款产品。当我询问创始人具体会是什么产品、预计的客户是谁——例如World Labs将如何盈利——他们强调他们才刚刚起步。“有很多界限需要突破，还有很多未知，”李说。“当然，我们是世界上最优秀的团队来解决这些未知。”

卡萨多的描述稍微具体一些。他提到，与ChatGPT或Anthropic的Claude一样，一个模型可以<em>成为</em>产品——一个其他人可以直接使用的平台，或者托管其他应用程序的平台。客户可能包括游戏公司或电影制作公司。我记得曾写到皮克斯以前在怪物毛发或水的运动等方面花费了大量资源。想象一下，只用一句话的提示就能实现这一切。