節目中，她首先介紹了自己的早期貢獻 ImageNet 對計算機視覺發展的影響。之後介紹了計算和資料在 AI 發展中的作用。
然後，她定義了 AI 的終極目標以及空間智慧在這其中所扮演的重要角色。最後，她介紹了自己的 World Labs 團隊以及度量空間智慧發展進展的方式。
在本文中，機器之心對此次專訪的核心內容進行了整理。感興趣的讀者也可以檢視下面的完整影片。
主持人：過去兩年出現了很多消費級 AI 公司。但您其實已經在這個領域深耕了幾十年，您是一路看著 AI 發展到如今的並且做出過非常關鍵的貢獻。現在正是激動人心的時刻，對嗎？
李飛飛：回望過去，AI 確實正處在一個激動人心的時刻。我個人已經在這個領域 20 多年了，而現在我們已經走出了最後一個 AI 寒冬。我們已經見證了現代 AI 的誕生，看到了深度學習的爆發，向我們展示了下棋等可能性，但隨後我們開始看到技術的深化以及產業界開始採用 AI（如語言模型）。我認為我們實際上現在正處於寒武紀大爆發過程中，因為現在不只是文字，畫素、影片、音訊方面都在出現可能的 AI 應用和模型。所以這是一個非常激動人心的時刻。
主持人：請介紹一下你們自己。
Johnson：我最早是在研究生階段開始研究 AI。我在加州理工大學讀了數學和電腦科學。但在快畢業時，有一篇當時非常著名的論文問世，是當時谷歌大腦的 Quoc V. Le 和吳恩達等人的論文。那是我首次接觸到深度學習這個概念，然後它就決定了我未來十幾年的生活：使用強大的演算法，輔以大量算力和海量資料，就能得到一些神奇的結果。那是在 2011 或 2012 年，當時我就決定這是我以後要做的事情。而當時在史丹佛的李飛飛是少數正在研究 AI 的人。那是深度學習和計算機視覺發展的一個特殊時期 —— 那時候，新興的技術才剛剛開始有效果並獲得應用，比如判別式計算機視覺開始可以分辨影像中的內容，早期的生成式 AI 也開始出現了。
實際上，在我博士階段那段時間，學術界搞清楚了很多現在常用的核心演算法。每天早上起床看新論文就好像在聖誕節開啟禮物一樣。每天都會有一些驚人的新發現、驚人的新應用或演算法。而過去一兩年世界上的所有人都有了這種感覺，但對於我們這些有很長經驗的人來說，這種感覺已經持續了很長時間了。
李飛飛：很明顯，我比 Justin 大很多。我是從另一個角度進入 AI 的，即物理學，因為我的本科背景是物理學。物理學是一門教你大膽思考問題，探求世界上剩餘未知的學科。當然，物理學關注的是原子世界、宇宙之類的，但這卻以某種方式讓我進入了一個真正抓住了我的想象力的領域：智慧。我在加州理工大學完成了人工智慧和計算神經科學的博士學位。所以 Justin 和我實際上並沒有重疊，但我們的母校都是加州理工大學並且有同一位導師。是的，同一位導師，你的本科導師和我的博士導師都是 Pietro Perona。
我在讀博士時，是 AI 在公眾眼中還處於冬天的時候，但在我的眼中不是冬天，是春季前的冬眠。實際上生機勃勃。機器學習和統計建模的能力切實地越來越強大。我認為我們是機器學習和 AI 世代，而現在是深度學習世代。機器學習是深度學習的先驅。
在我博士結束開始助理教授生涯的那段時間，有一個之前常被人忽視的因素開始生效了，那就是資料。我實驗室的學生可能比大多數人更早意識到了這個基本點：如果讓資料驅動模型，就可以釋放出前所未見的力量。這就是基於 ImageNet 的研究瘋狂發展的原因。
那時候，計算機視覺和 NLP 社群都有各自的資料集，都很小。但只要能獲得網際網路規模的資料集，就必定大有作為。幸運的是，那時候，網際網路時代也正在到來。在那股浪潮中，我來到了史丹佛。
主持人：這就是時代的轉變！影像處理是一個時代。Transformer 和 Stable Diffusion 都是不同的時代。這些技術解鎖了我們的發展潛力，可以這樣說嗎？還是說有其它東西解鎖了我們的發展潛力？
Johnson：我認為真正解鎖發展潛力的最大因素是計算。儘管人們也常提及這一點，但我認為人們還是低估了它。過去十年中，計算能力的增長令人震驚。第一篇真正被認為是深度學習計算機視覺突破時刻的論文是 AlexNet，這是 2012 年的一篇論文。
其中一個深度神經網路在 ImageNet 挑戰中表現非常出色，並且超越了飛飛研究的所有其他演算法。AlexNet 神經網路有 6000 萬引數，在 2 臺 GTX580 上訓練了 6 天，那是當時的頂級消費級顯示卡，於 2010 年推出。而現在最強大的應該是英偉達 GB200。猜猜看 GTX580 和 GB200 的計算能力差多少倍？數千倍。也就是說，如果在單臺 GB200 上訓練 AlexNet，所需時間不超過 5 分鐘。
李飛飛：2012 年 AlexNet 在 ImageNet 上取得的突破彰顯了一個非常經典的模式。要知道，卷積神經網路發表於 1980 年代。我記得我在讀研究生時還學習過它，大概有 6、7 層。AlexNet 和早期卷積神經網路的唯一區別就是有更強大的 GPU 和更多資料。
主持人：是的，我相信大家都知道那個著名的「苦澀的教訓」。也就是對於一個演算法，不要吝惜計算，要儘可能地使用所有可用的計算。另一個方面是資料，你們怎麼看
Johnson：是的，資料很重要。在我看來，資料方面也分為兩個時代。第一個時代是 ImageNet 為代表的監督學習世代。這時候，我們空有大量資料，卻不知道如何使用它們 —— 我們能獲得大量影像資料，但需要人們去標註它們。而在新的時代，我們不再需要人類標註就能進行訓練。
主持人：我沒有 AI 背景，但聽起來你似乎還是要使用人類標註的資料進行訓練，只是這些標註是隱式的。
李飛飛：從哲學角度看，這是一個非常重要的問題。但實際上這個說法更適用於語言，而不是畫素。
主持人：是的，所以說影片片段還是有人類標註的。注意力就是人類已經搞清楚了事物之間的關係，然後讓 AI 學習它們。只是這些標註是隱式的。
Johnson：可以這麼說。但區別在於，在監督學習時代，學習任務會受到更多限制。因為當時對資料的標註必須非常準確，飛飛當時就要和她的學生們花很多時間去想該把哪些分類放入 ImageNet 挑戰之中。
主持人：過去都是預測建模，大概四年前，我們開始進入生成式 AI 時代。在我看來，它們非常不一樣。但你們認為這些是連續發展的過程嗎？
李飛飛：這個問題很有趣。實際上在我讀研究生時，生成式模型就已經存在了。我們當時嘗試過做生成式模型，生成字母和數字之類的，但沒人記得了。但我們確實嘗試過，Geoffrey Hinton 寫過這方面的論文。實際上，如果你從機率分佈的角度來思考，那麼就可以從數學上進行生成。只是這樣的生成結果不會給人留下深刻印象。所以生成的概念在數學和理論上早已存在，但沒有任何作用。這裡就要說到 Justin 的博士生涯了。他的博士生涯就反映了這個領域的故事。他的第一個專案是一個資料專案，我強迫他做的，他不喜歡。
Johnson：回想起來，我學到了很多非常有用的東西。
李飛飛：我很高興你現在這麼說。所以我讓 Justin 轉向了深度學習，他研究的是基於影像生成文字。
Johnson：實際上這個故事分為三個階段。第一個階段是影像 - 文字匹配。實際上我博士階段的第一篇論文和第一份學術出版物就是關於使用 Scene Graph 進行影像檢索。
李飛飛：之後我們開始研究基於畫素生成文字，但這仍然是一種非常有損的方式，無法將畫素世界的資訊有效地轉移到文字世界。而 Justin 在此做了一項非常著名的研究，成功地讓這個過程做到了實時實現。
Johnson：2015 年時有一篇論文，是 Leon Gatys 等人提出的一種實現藝術風格的神經演算法。該演算法可以將真實照片轉換成梵高風格。現在我們已經習慣了這樣的應用，但在 2015 年，這很有開創性。那天這篇論文出現在 arXiv 裡面，讓我腦洞大開。我當時想，我一定要理解這個演算法。我想玩這個演算法，我想把我自己的形象製作成梵高風格。然後我仔細研讀了這篇論文，並在一個週末裡重新實現了它，理解了它的工作方式。
這實際上是一個非常簡單的演算法，大概就 300 行 Lua 程式碼。雖然簡單，但速度很慢。這就是一個最佳化過程。如果想要生成一張影像，就需要執行這個最佳化迴圈。生成的影像很漂亮，但我想讓這個過程更快一點。當時我和其他一些人想出了多種不同的方法來加速這一過程。但我想出的那個吸引了很多關注。
李飛飛：我為 Justin 感到自豪。我也為他在博士階段做的最後一個工作感到自豪。那就是生成式 AI 領域方面的研究：基於輸入的語言生成畫面。這是最早期的生成式 AI 研究之一。那時候用的模型是生成對抗網路（GAN）。這很難用，並且使用的語言也不是自然語言，而是必須輸入一個 scene graph 語言結構。所以可以看到，從匹配到風格遷移再到生成，這是一個連續演進的過程；但在外部世界看來，這些就像是突然發生的一樣。
主持人：現在你們創立的 World Labs 研究的是空間智慧。你們為什麼決定這麼做？
李飛飛：我在我的書也寫到了，我的整個學術之旅實際上就是尋找北極星的激情，我也相信這些北極星對我們領域的發展至關重要。在我研究生畢業後，我的北極星是講述影像故事，這是非常重要的視覺智慧。而視覺智慧是 AI 和 AGI 的重要組成部分。所以當 Andrej 和 Justin 做到這一點時，我想的是：天啦，那是我的人生夢想！我接下來做什麼？它來得比我預想的快，我以為還要再過 100 年呢。
視覺智慧是我的熱情所在。因為我相信對於每個智慧體，比如人、機器人或其他形式）而言，知道如何看世界、推理世界、在其中互動是非常重要的 —— 無論是導航、操縱還是製造東西，甚至建立文明。視覺空間智慧非常根本，與語言一樣根本。所以很自然，我們 World Labs 要做的就是解鎖空間智慧，這就是我們的北極星。現在就是做這件事的時候。就像 Justin 說的，我們現在已經有了計算，對資料有了更深度的理解，在演算法方面也有一些進步。我們還有 Christoph Lassner 和 Ben Mildenhall 這兩位站在研究前沿的聯合創始人。因此，我們正處於正確的時刻。
主持人：可以更清晰地描述一下什麼是空間智慧嗎？
Johnson：空間智慧是機器在三維空間和時間中以三維方式感知、推理和行動的能力，這能幫助它理解事物在三維空間和時間（4D）中的位置，事物的互動方式。這是將 AI 從大型資料中心帶出來，放入 3D/4D 世界中，使其理解這個世界的豐富性。
主持人：你們四位現在出來創立公司，為什麼說現在是正確的時刻？
Johnson：過去十年的重點是理解已經存在的資料，但接下來的十年將是關於理解新的資料。我們已經有足夠的硬體裝置和感測器來幫助我們理解這個世界。
在 2014 年，我和 Andrej Karpathy 做過一些早期的語言建模工作，比如 LSTM（長短期記憶網路）、RNN（迴圈神經網路）和 GRU（門控迴圈單元），那是在 Transformer 之前的時代。但大約在 GPT-2 出現時，這類模型已經無法在學術界繼續進行研究了，因為它們需要的算力太多了。
不過，Ben 提出的 Nerf 方法非常有趣，因為你可以在一兩個小時內在單個 GPU 上訓練這些模型。那時許多研究者開始關注這些問題，因為核心的演算法問題還沒有解決，並且你實際上可以在不需要大量計算資源的情況下取得成果。因為只需要一個 GPU 就能達到 SOTA，所以很多學術界的研究者開始轉向思考如何在 Nerf 推動核心演算法的進步。
實際上，我在博士期間與飛飛交流時，發現我們不約而同地達成了相似的結論。
主持人：她非常有說服力。
Johnson：是的（笑）。當時我們都在思考如何從導師那裡找到自己的獨立研究方向，結果我們最後找到的是相似的研究路徑。
李飛飛：對我來說，能與最聰明的人討論問題，我首先想到的就是 Justin。這毫無疑問（笑）。
主持人：語言模型的方法現在很流行。這兩者是互補的嗎？還是完全獨立的？比如大家都知道 OpenAI、GPT 以及多模態模型，那麼它們是不是已經達到了我們想要的空間推理能力呢？
Johnson：要回答這個問題，我們得稍微解開一下這些系統背後的「黑箱」。對於語言模型和如今的多模態語言模型，它們的底層表示形式是以一維的方式存在的。
我們談論上下文長度、談論 Transformer 和序列以及注意力機制。它們的基礎是對世界的一維表示。這在處理語言時是非常自然的，因為書寫的文字本質上是一維的、由離散字元組成的序列。這種底層表示形式是促成大型語言模型發展的原因。現在的多模態語言模型則把其他模態的資料硬塞進這個一維的序列表示中。
而當我們談到空間智慧時，方向就完全不同了。我們認為本質上，三維應該成為表示的核心。從演算法的角度來看，這為我們提供了以不同方式處理資料的機會，並從中獲得不同型別的輸出，解決不同的問題。從一個粗略的層面上看，多模態的大型語言模型（LLMs）也能處理影像。沒錯，它們確實能做到。但我認為，這些方法並沒有將三維表示作為其核心方法的基礎。
李飛飛：我完全認同 Justin 的觀點。1D 和 3D 表徵是最核心的區別之一。另一件事有點哲學意味，但至少對我來說，語言從根本上來說是一種純粹生成的訊號。世界上本沒有語言 —— 天上沒有文字。對於語言，無論你輸入什麼資料，都是在同樣的資料上進行泛化，輸出同樣的資料。這就是語言到語言。
但在 3D 世界不一樣，3D 世界遵循著物理定律。由於材料和許多其他原因，它自己的結構。並且從根本上支援這些資訊並能夠表示和生成它，這從根本上來說是一個完全不同的問題。
主持人：所以語言是一維的，可能不是物理世界的最佳表示形式，它可能損失了很多資訊含量。
另一類生成式 AI 模型是基於畫素的，它們處理的是 2D 影像和 2D 影片。你可以說，當你看一個影片時，它看起來像是三維的，因為你可以平移相機或進行其他操作。那麼，空間智慧與 2D 影片有什麼不同呢？
Johnson：思考這個問題時，需要拆解兩件事。第一是底層的表示形式，第二是面向使用者的可操作性。這裡比較容易讓人感到困惑，因為從根本上講，我們看到的世界是二維的，對吧？
就像我們有兩隻眼睛，我們的視網膜是二維結構。因此，我們的視覺系統實際上是在感知二維影像。但問題在於，根據你使用的表示形式，不同的模型會提供更自然或不那麼自然的操作方式。即便最終你看到的可能是一個二維影像或影片，背後的表示方式決定了它的可操作性。
你的大腦將其感知為三維世界的投影。比如你想移動物體，移動相機，理論上，你可以使用純 2D 表示和模型來實現，但它並不適合你要求模型解決的問題。可以對動態三維世界進行二維投影的建模，但如果將三維表示放在模型的核心位置，問題與表示方式之間會更加匹配。所以我們把賭注押在在底層結構中引入更多的三維表示，這將能夠為使用者提供更好的可操作性。
李飛飛：完全同意。這也回到了我所追尋的北極星 —— 為什麼選擇「空間智慧」，而不是「平面畫素智慧」？我認為智慧的進化路徑必然像 Justin 所說的那樣，轉向「可操作性」。
回顧生物進化的歷程，動物和人類，這些獲得了智慧的智慧生物擁有了在世界中互動、創造文明、甚至隨心所欲地完成各種任務的能力。將這些能力轉化為原生的三維技術，是釋放潛在 AI 應用洪流的關鍵。即便有些應用場景看似是二維的，其核心依然是三維的。
主持人：這確實是一個極其關鍵的觀點。可以透過一些實際用例，具體談談你們正在建立這個具備空間智慧的模型有什麼應用場景嗎？
Johnson：這要分幾類講。隨著時間推移，模型將逐步具備更多的功能。其中最讓我興奮的一項是「世界生成」。我們已經習慣了使用文生圖工具，最近也看到了不少文生影片的應用。但是，試想一下，如果將其提升到生成完整的三維世界，你得到的不再僅僅是一張圖片或一個短片，而是一個充滿活力且可互動的三維世界。無論是用於遊戲，還是 VR 等應用場景。
李飛飛：也可以用於教育。
Johnson：是啊，這項技術一旦實現，其應用前景將無窮無盡。這將開啟一種全新的媒體形式。我們現在已經能夠建立虛擬的互動世界，但這需要數億美元和大量開發時間。這種技術在經濟上唯一可行的模式就是以每件 70 美元的價格賣給數百萬玩家，以收回投資。
如果我們能降低建立這些成本，更多的應用場景將會不斷湧現。試想，你可以擁有一個個性化的 3D 體驗，其豐富性和細節程度絲毫不遜色於一款頂級的 3A 大作，但卻是為一個非常小眾的需求量身定製的。雖然這可能不是我們當前產品路線圖上的內容，但這正是空間智慧所能帶來的一種全新媒體形式的願景。
主持人：在生成一個世界時，不僅包括場景生成，還需要生成運動和物理現象。那麼在技術發展到極致時，這些功能是否也包括在內？
其次，如果我與之互動，會包含語義嗎？比如，我開啟一本書，裡面的文字是否有意義？這將是一個完整的、可以深度體驗的世界，還是一個靜態場景？
Johnson：這項技術將逐步發展，想要實現你所描述的這些功能非常困難。因此，我們會先從靜態問題入手，因為它相對更容易解決。但最終，我們的目標是實現完全動態、完全可互動的體驗，涵蓋你提到的所有內容。
李飛飛：這就是空間智慧的定義。雖然我們會從更靜態的東西開始，但你提到的所有功能，都是我們空間智慧發展路線圖中的內容。
Johnson：這也是我們的公司名「World Labs」的來源。我們的目標是構建並理解世界。這有點像內部人才懂的梗，我發現給別人說這個名字時，他們總是沒 get 到。
因為在計算機視覺和生成領域，我們通常會對事物進行劃分。第一級通常是物體，對吧？比如一個麥克風、一杯水或者一把椅子。這些是世界中的離散物體。很多 ImageNet 專案都是識別這些物體。
接下來是場景，場景是多個物體的組合。比如，現在這個錄音室裡有桌子、麥克風、幾個人、椅子，這些都是物體的組合。
但是我們的目標是超越場景的世界。場景可能是單個的，但我們想打破邊界，走出房間，穿過門，走上街頭，看到汽車駛過，樹葉隨風搖擺，能夠與萬事萬物互動。
李飛飛：另一個令人興奮的點是 Justin 提到的「新媒體」。這項技術將使得現實世界、虛擬世界、想象中的世界和擴增實境之間的界限變得模糊。
由於現實世界是三維的，因此在數字世界中，必須使用三維表示才能與現實世界無縫融合。你無法透過二維或一維的方式有效地與三維現實世界互動，解鎖這種能力將帶來無限的應用場景。
主持人：剛才 Justin 提到的第一個例子可能更像 AR，對吧？
李飛飛：是的。就在 World Labs 成立的同時，蘋果釋出了 Vision Pro，並提出了「空間計算」的概念，好像是偷走了我們的想法（笑）。
但我們做的是「空間智慧」。空間計算必然需要空間智慧。我們還不確定最終的硬體形態會是什麼，可能是護目鏡、眼鏡甚至隱形眼鏡。但在真實世界和擴增實境之間的那個介面，比如你不是專業技工，但它可以指引如何修車，或者它只是為了玩 Pokémon Go，這最終將成為 AR 和 VR 領域的作業系統。
Johnson：在技術發展到極致時，AR 裝置將有什麼用途？它需要一直執行，陪伴在你身邊，觀察你所看到的世界。因此，它需要理解你所看到的事物，可能還要幫助你完成日常任務。
但我也對虛擬和物理世界的融合感到非常興奮。如果你能夠實時、完美地理解周圍的三維環境，那麼這實際上也會淘汰我們現在很多對物理世界的依賴。比如說，現在我們有手機、iPad、電腦顯示器、電視，甚至還有手錶。這些螢幕是為了在不同的環境和位置下向你展示資訊。
但如果你能無縫地將虛擬內容與物理世界融合，那麼實際上這些不同尺寸的螢幕可能就不再必要了。理想情況下，「空間智慧」技術將以最適合當下情境的方式，將你所需要的資訊呈現給你。
李飛飛：還有一個巨大的應用場景，就是幫助 AI 智慧體在現實世界中執行任務。比如你不是專業技工，但能通 AR 裝置完成修理汽車這樣的任務，那麼 AI 智慧體同樣也能夠做到。比如機器人，它們的互動介面天然就是三維世界。它們的大腦是數字化的，要將它們學習到的資料轉化到現實世界中的執行，必將依賴於空間智慧。
主持人：對於任何公司來說，這些都是非常廣泛的業務領域，尤其是要同時涉足每一個領域。那麼，你如何看待前沿、深度點技術和這些具體應用領域之間的關係呢？
李飛飛：我們把自己定位為一家深度技術公司，專注於提供可以服務不同應用場景的模型平臺。
主持人：在你們提到的這三類應用中，有沒有哪一類是更適合早期發展的，你們的公司會優先傾向哪個領域？
李飛飛：現在硬體裝置還沒完全成熟。
Johnson：我在讀研的時候就買了我的第一臺 VR 頭顯，那是一次改變生活的技術體驗。戴上它的那一刻，我的反應是「天啊，這太棒了」。我想。很多人在第一次使用 VR 時都會有類似的感受。
所以，我對這個領域已經期待了很久，我也非常喜歡 Vision Pro。Vision Pro 釋出時，我熬夜訂購了第一批。但是現實情況是，作為一個面向大眾市場的平臺，它還沒有準備好。
李飛飛：因此，作為一家公司，我們很可能會先進入一個更為成熟的市場。
Johnson：不過有時候，簡單也能體現出廣泛的適用性。我們相信，有些根本性的問題如果能夠很好地解決，便可以應用於許多不同的領域。我們將公司的長期願景定位為構建並實現「空間智慧」的夢想。
主持人：聽起來你們有很多技術要開發。
Johnson：是的，我認為這是一個非常難的問題。對於那些不直接從事 AI 領域的人來說，他們可能會覺得 AI 是一項不分領域的大型技術。然而，對於那些在這個領域耕耘已久的人來說，我們深知要構建任何 AI 專案，需要多種不同型別的專業人才。
而針對空間智慧方面的研究，我們需要高質量、大規模的工程能力，還需要對三維世界有深刻的理解，另外還要與計算機圖形學領域緊密聯絡。因此，在組建團隊時，我們將考慮如何找到每個領域中世界頂尖的專家，匯聚他們的力量，來共同攻克這一艱難的課題。
李飛飛：當我思考如何為 World Labs 組建最好的創始團隊時，我意識到必須從一群非凡的多學科創始人開始。
當然，這對我來說是很自然的。Justin Johnson 是我最優秀的學生、最聰明的技術專家之一。其他人一直名聲很大，其中一人是曾與 Justin 一通合作過的人，Ben Mildenhall，我們談論了他在 Nerf 方面的開創性工作。另一個人是 Christopher Lassner，他在計算機圖形學領域很有名。
此人很有先見之明，在 Gaussian splat 出現前五年就開始研究這種方法並用於 3D 建模了。當我們聽說有與 Christopher Lassner 合作的潛在可能性時，Justin 直接跳了起來。
主持人：Ben 與 Christopher 是我們的傳奇。當然這只是我們團隊的一小部分。必須再次強調一下，這裡有很多要構建和工作的地方，不僅僅是在 AI 或圖形方面，還有系統等等。
李飛飛：到目前為止，我個人最自豪的是這支強大的團隊。在我的整個職業生涯中，我有幸與最聰明的年輕人一起工作。從史丹佛大學當教授開始。不過我們在 World Labs 聚集的人才更真是驚人，我從未見過這種專注度。
我認為這裡最重要的區別在於 —— 我們相信空間智慧。所有的多學科人才，無論是系統工程、機器學習、基礎設施、生成式模型、資料、圖形，我們所有人，無論是在探求研究之旅、技術之旅，甚至個人愛好，我們相信空間智慧即將發生，並共同努力。這就是我們構建創始團隊的方式。這種專注、動力與才華讓我感到謙卑。我太喜歡這種感覺了。
主持人：你說過你就像在被北極星指引著。這可能就像，你實際上無法觸及它們，但它指引了方向。那麼，你如何知道什麼時候目標完成了？還是說這是一件終身的事，會無限地持續下去？
李飛飛：這個世界上存在真正的北極星和概念上的北極星。有些目標是可以達到的。
主持人：比如世界模型裡的北極星？
李飛飛：是的。你知道在我看來，解決了這個問題我們就可以找到方向。但我認為對我來說，當很多人、企業使用我們的模型來釋放他們對空間智慧的需求時，那一刻，我們就算達到了一個重要的里程碑。
Johnson：這就是你們工作的影響所在。我認為這是一件非常具有奠基意義的事情，就像宇宙是一個巨大的四維結構，空間智慧的主要作用就是理解它的所有深度，並找出其中的所有應用。雖然我們今天心中已有一組特定的想法，但我認為這次旅程會將我們帶到現在無法想象的地方。
李飛飛：技術的魔力在於不斷開啟更多的可能性。所以我們會持續推進，這些可能性將會不斷擴大。
參考連結：https://x.com/a16z/status/1837234492630569198