李飛飛：AI時代到來教育需要徹底改變

在AI大模型狂飆突進的今天，一個更根本的問題正在浮出水面：我們究竟希望AI理解什么樣的世界？

對此，“AI教母”、斯坦福大學教授李飛飛的答案是：不是僅靠語言，而是通過空間、物理與感知——構建能真正“看見”并理解人類所處三維世界的“世界模型”。

2025年，她創立的World Labs發布了首款商用“世界模型”Marble，將這一理念從理論推向現實。但在她看來，技術突破的背后，始終有一個不變的驅動力——對世界的好奇，以及對“人”的深切關懷。

正如她在去年出版的自傳《我看見的世界》中所寫：“人工智能最偉大的勝利不僅是科學上的，也是人文上的。” 從ImageNet到空間智能，她的每一步，都在追問：技術如何服務于人的感知、創造與尊嚴？

在近期接受鈦媒體的深度訪談中，李飛飛再次分享了她對AI未來的思考。以下是她的自述節選，或許能為你在不確定的時代，點亮一盞“北極星”。

（本文原文首發自鈦媒體，由筆記俠整理）

一、“空間智能”是AGI的一把關鍵鑰匙 1.世界遠不止語言那么簡單

我先說一下我的信念：在技術上，確實有一些相通的概念，所以我也能理解有些人說“語言即世界”。

宏觀地來說，我堅信這個世界遠不止語言那么簡單。

如果我們說的語言概念，指的是那種離散的、本質上更偏向“一維”的信息——即便它能表達多維的內容，語言本身的呈現形式還是比較一維的。但這個世界其實要豐滿得多。

我一直強調，空間智能包含諸多特性，比如物理屬性這些，都是超越語言范疇的。而且不管是人類的行為，還是大自然的運轉，很多東西既沒法用語言完全表述清楚，也不可能單靠語言就實現所有想做的事。

我們每天睜開眼，從生存、工作、創造，到感受、感知，再到人與人之間豐滿的情感，這些日常里的種種，從來都不是只靠語言就能完成的。

當然“語言即世界”這樣的話確實挺好聽，聽起來也沒錯，因為它是非常籠統的一句話。當你一句話很籠統的時候，它可能錯不了。

但從技術層面看，現在數字化是必然趨勢：視覺模型、空間智能、機器人模型，本質上都會走向數字化。可要是把數字和語言完全畫等號、當成一回事，那這個概念就變味了。

如果連數字都能被叫做“語言”，那相當于啥都能往“語言”里套，這就沒什么好爭論的了。

在我看來，信息遠不止語言這一種，還有空間信息，它和語言一樣美妙、一樣重要。

2.“空間智能”到了爆發前夜

現在AI大環境里，大家對AI的期待確實有點太激進了。

但我可以告訴你，我選擇創業的核心原因，就是覺得時間點到了。

畢竟創業和搞科研不一樣，創業得緊密結合市場、尊重市場規律。但就像很多比我優秀的企業家說的，創業最關鍵的是踩準時間點——不能太早，市場和技術都沒成熟；也不能太晚，否則就沒了機會。

空間智能技術在World Labs（中文名：空間智能）剛成立時，確實還早了點，但也沒早到需要等五六年、十年的程度。

我判斷未來一兩年，它會迎來爆發式增長。你看現在視頻生成技術的飛速發展，再到我們做的World Models，我堅信這類技術在一兩年內還會有質的飛躍，市場應用的可能性也越來越清晰。

我沒法簡單定義現在發展的速度是快還是慢，但能肯定的是，現在正是做空間智能的好時機。

我們現在做的“世界生成”（world generation）模型，真的特別令人激動。

它的應用場景太廣泛了——從數字創意、游戲開發、影視制作、設計領域、建筑行業，到VR、XR、AR技術，再到機器人仿真，每一個大領域里又能細分出無數小場景。而這些場景，其實都藏著對三維空間的強烈訴求。

生成式AI有個很特別的價值：它能降低原本高難度事情的門檻，進而打開很多你意想不到的新市場。

生成三維空間就是件超難的事——這個世界上沒多少人能做到，而且用到的Blender、Unity這類工具，操作起來特別繁瑣。我自己試過，頭都大了。

其實很多創作者腦子里裝滿了好想法，只是被工具卡住了，而非缺乏創意。而AI既能給現有創作者賦能，還能讓很多原本覺得“這事跟自己沒關系”的人，發現新可能。

就像我，以前根本不會碰Blender、Unity這類軟件，覺得又麻煩又費時間，但現在AI能賦予我這種能力，我肯定愿意用——它能帶來太多新靈感、新機會了。

所以我覺得三維世界模型特別讓人興奮：它原本是件對普通人來說難度極高的事，而AI能降低這項能力的使用門檻，這本身就是打開市場的絕佳機會。

在我看來，沒有空間智能，沒有三維世界的生成式模型，就談不上AGI（通用人工智能）。

AGI就像一扇門，上面掛著好多把鎖，需要不同的鑰匙去開啟。我始終認為空間智能是其中一把關鍵鑰匙——不過這扇門并非非開即關，而是被一點點推開的。

其實我一直不太糾結AI和AGI的區別。因為兩者的夢想是相近的，都是源于一種“科學”的好奇心：機器能不能思考？能不能自主完成事情？這是AI最初的夢想，AGI的目標似乎也沒偏離太多。不管叫什么，這個夢想都得一步步實現，我們每往前走一步，就離它更近一點。

而空間智能，必然是通往這個夢想的重要一環。不管是賦能人類的創造力（從游戲、設計到工業應用），還是給機器人賦能，亦或是元宇宙、AR/VR的內容生成與落地，都離不開空間智能。

3.算法與數據，都是AI的核心

工程、數學的發展路徑和進化的路徑是不一樣的，這就像蘋果和橘子的比較，它們的進化都是很慢的。

進化的迭代速度遠慢于算法迭代，而且碳基與硅基的運算邏輯也大不相同，所以從時間維度來看，兩者沒法放在一起比。但即便如此，進化依然給了我們很多啟發和靈感。

這就說到數據的重要性了。當初我們實驗室提出“數據”相關概念，其實也借鑒了不少進化的思路：漫長的進化歲月，本質上就是一段大數據訓練的過程；但到了數字時代，我們不用再等幾十億年去收集數據，而是可以大規模、快速地積累數據。

和大自然通過進化完成的“數據積累”比起來，我們現在一次能處理、看到的數據，可能相當于進化幾千萬年才沉淀下來的量。

相信自己深思熟慮后的假設，也不是什么怪事吧？走在科學路上，對于那些經過深度思考的假設，你總得有所堅信。但作為科研人，也得清楚有些假設注定是錯的——我當然也有過很多失敗的假設。

而我現在堅信的這個假設，是琢磨了很久才得出的：它在數學上是歸納推理的邏輯。我整個博士階段都在做模型、搞算法，積累了不少領悟，才慢慢意識到這一點。

說白了，AI到今天在數學層面的核心，就是“泛化”（generalization）——本質上就這一件事。

而泛化怎么實現？核心就兩點：算法和數據，而且兩者息息相關。算法太復雜但數據不足，會過擬合（模型在訓練數據上表現優異，但在面對新數據時性能顯著下降，無法有效泛化的情況）；數據太多但算法不夠好，同樣會過擬合——這里面藏著明確的數學邏輯。

我算是計算機視覺領域早期做機器學習的那批博士生，很幸運的是，我的博士研究剛好趕上計算機視覺的轉折點——我們大量運用機器學習的理念，這讓我對“泛化”的理解更深刻（當然，不一定只有我理解得深）。但我那時候就明確看到了數據的重要性，所以一直堅持了下來。

這又回到了好奇心的話題——那個求證假設的過程其實挺有意思的，全程充滿激情，就像一路打怪升級。只要沒被“妖怪”打敗，就接著往下打唄。

模型和數據的關系，本質是螺旋式上升的。

當年,ImageNet搭建起計算機視覺領域最大的數據庫，直接推動了計算機視覺的蓬勃發展；后來互聯網催生了海量自然語言數據，大語言模型也跟著迎來爆發；再看現在的視頻模型發展得這么快，核心也是有足量視頻數據支撐；自動駕駛能飛速進步，也離不開頭部公司積累的海量路況、行駛數據。

現在看似“又回到了數據和算法”，其實根本算不上“回歸”——它們從來就沒離開過AI的核心。

我有時候覺得挺有意思：就算AI發展到今天，大家還是更看重算法。但真正做AI的人，不管是創業者還是大公司從業者，心里都清楚：數據不是說比算法更重要，至少是同等重要。

算法聽著更“酷炫”，數據的價值反而容易被忽視。但實際上，數據本身就是一門科學。

4.空間智能，賦能于“機器人”的發展 ① 自動駕駛，是簡化版的世界模型

自動駕駛汽車其實就是機器人——它是人類最早量產的機器人，但其實挺局限的。你想啊，它就是個方盒子，基本只在二維路面上活動，只要別碰到別的東西，不管是車、行人還是路邊設施。

但我們未來要做的三維機器人不一樣：它得在三維世界里主動“碰”各種東西，幫我們洗碗、做飯、疊衣服。這么一對比，就知道自動駕駛汽車其實還是挺簡單的機器人。

所以對應的，它的世界模型也更簡單——畢竟要做的事兒就那么點。當然我不是說自動駕駛不厲害，特斯拉、Waymo（全球自動駕駛標桿，前身為 2009 年谷歌自動駕駛項目）這些公司都很了不起。但從科學和宏觀的角度看世界模型與機器人技術，這頂多只是個開始，接下來要做的事情復雜多了。

我無法斷言特斯拉有沒有（世界模型）相關布局。但至少不會是一個強生成性的模型，畢竟業務場景本身不需要這件事。

但機器人不一樣，機器人訓練離不開生成式模型——你不可能收集到足夠多的真實場景數據。而且我們做的事情都和創意、設計相關，這些本身就需要生成能力，“生成”本身就是核心應用場景之一。

② 機器人的三維能力，還在早期階段

現在硅谷的機器人領域大火，我也特別喜歡這個領域，也一直很看好機器人的前景。但同時，我也覺得要保持冷靜：機器人研究其實還處在早期階段。

首先，最核心的問題是缺數據。汽車行業發展了幾十年，還有無數人在開車過程中持續搜集數據；可機器人目前基本沒有商業化應用場景，尤其是日常消費級場景，數據自然難收集。

而生成式AI的出現，給機器人領域帶來了一條有意思又有前景的出路。

像視頻生成這類技術，不僅提供了豐富的訓練想象空間，還能用于擬態——比如我們正在做的機器人仿真，就特別有前景；甚至在推理階段，還能用視頻模型輔助在線做規劃。

可以說，正是機器人周邊領域（比如生成式AI）的快速發展，在反過來帶動機器人技術進步，這一點確實讓人激動。

但機器人要真正實現商業化，還有一段路要走，尤其是日常消費級機器人。不過工業機器人早就落地了，畢竟它的應用場景相對單一，容易約束環境，而且也積累了不少數據。

自動化駕駛和機器人兩者之間，既有可比性，也有不可比之處。

自動駕駛從概念到商業化，走了近20年：谷歌2006年就成立了小型自動駕駛研發團隊，直到2024年Waymo才正式上路。

汽車行業的供應鏈、OEM體系、客戶場景都非常成熟，這一點讓自動駕駛的商業化比機器人快得多；但當年AI技術不成熟，自動駕駛在AI這條路上走了很久，而現在AI的發展速度肯定會更快。

可除了工業機器人（或者說場景單一、易約束的工業機器人），目前并沒有像汽車那樣成熟的機器人應用場景。所以機器人商業化之路會比20年快，還是更慢，真的很難說。

但我相信，AI層面的進展會比當年自動駕駛時期快一些；可反過來，機器人面臨的問題也更復雜——它要應對的是完整的三維世界。

AI已經能做到非常出色，可要說今天的空間智能，能達到人類睜開眼就有的那種對三維世界的深層理解，還差得遠。

比如物體間的物理關系、材料屬性、物理特性，這些我們人類能直觀感知的豐富信息，AI還沒法完全掌握；更別說對社交信息、人與人之間情感的理解，這些都屬于視覺理解的范疇，而我還沒提語言層面的復雜認知。

人類本身就是極其復雜的存在。所以從進化和能力來看，AI在某些方面已經追上甚至超越人類，但在很多核心維度上，還遠遠不及。

而且我作為深耕AI和科技領域多年的人，對空間智能的信仰，絕不是盲目崇拜。它源于對技術的深刻理解，源于這么多年在這個領域的深耕，也源于我和同事們看到的技術機會與發展方向。

創業確實需要情懷，但對科技趨勢的判斷，更需要扎實的邏輯和科學的判斷。

二、AI的未來：人類有責任讓其“向善” 1.機會，并非贏家通吃

綜合來看，數據、算力、人才的整合能力很關鍵——現在能做好這些資源整合的公司，存活概率和勝率會更高。

但我覺得，不能只盯著這些顯性因素。畢竟顯性因素一眼就能看到，也容易被大家熱議追捧，但光靠這些遠遠不夠。

舉個簡單的例子，在AI coding領域，微軟應該是第一個下場的，推出了Copilot（微軟推出的跨平臺生成式 AI 助手）。它可謂占盡了天時地利人和：手握所有資源、坐擁現成場景，連GitHub（微軟旗下的開發者平臺）都是自己的。

可微軟最終沒能成為行業標桿，反倒是硅谷現在火起來的Cursor、Claude Code這些小公司，在巨頭圍剿下實現了突圍。這就說明，光有顯性因素根本不夠。

如果大家都只盯著這些表面資源下判斷，很容易出現偏差。

人類歷史上，從來沒有哪個時代是大公司獨霸天下的——即便每個時代的大公司都手握超強的資源整合能力。所以這里邊還藏著更關鍵的東西：創造力、機遇、執行力，還有對時間點的把握，這些都是決定成敗的核心變量。

再加上，AI本身就是一門橫向技術，能催生出無數應用級機會，大公司根本做不完。這些機會，恰恰給了小公司足夠的空間：把某個應用做到極致，慢慢撕開市場缺口，完全有可能實現彎道超車。

2.AI只是工具

“AI是工具”，這其實是常識。

工具本就是雙刃劍：人類史上所有工具，小到最初的火、石斧，大到核彈、生物技術，再到如今的AI，無一例外。

我當然也認為，工具的使用必須向善，但同時也要防范它被誤用，不管是有意還是無意。

所以我覺得，兩種極端都不理性：只追求發展而無視安全與向善，必然是災難；但天天空談倫理向善而停滯發展，也會錯失技術帶來的諸多福祉。

就像做父母，你會教孩子用火做飯吧？既要告訴他們火能做飯的好處，也得讓他們知道用火的危險，這是再簡單不過的道理。

AI既是權力的工具，也是向善的工具，但它永遠只是工具。在我看來，這工具會越來越強大，但在它真正不可控之前，它始終屬于人類——人類有責任讓它保持可控。

但就像所有工具一樣，我們從來不會指望工具自己明白該做什么：向善與否，本質是人類的責任。所以對AI的控制與引導，是法律、制度、教育和整個社會的共同責任。不同社會、不同個體或許有差異，但這份責任終究在人類身上。

3.教育體系，到了徹底變革的時刻

AI時代迫切需要我們更新教育理念和方式——既要讓孩子們學會用這個工具，借助它賦能創造力、助力學習；也要讓他們清楚工具可能存在的問題與風險。

而且這絕不僅僅是教育孩子的事。我們總覺得該教育孩子，殊不知最需要被教育的其實是成年人自己。所以，自我教育、面向公眾的科普、給政策與法律制定者提供充足信息和學習機會，這些都至關重要。

說到底，對AI的發展與治理，本質上就是我們人類自身的學習、發展與治理——核心還是人的問題。

在這個AI成為具備智力能力的工具的時代，它帶給我們的最大啟發，或許是讓我們更好地了解自己、治理自己——這里的“自己”，既包括每個個體，也包括人類群體。

現在關于AI的討論沸沸揚揚，大家都熱衷于談論這項技術。但說到底，不管是個體人性還是群體人性，欠缺的或許還是那份自省吧。

對個體來說，時代正在劇變，再做“鴕鳥”逃避現實絕非明智之舉。這種變化必然帶來工作形態的重塑。任何重大科技革命都會引發職業變遷，有時是短暫陣痛、軟著陸，有時可能伴隨社會動蕩。

作為個體，還是要保持好奇心——對生命、對世界的好奇。哪怕這份好奇心，在成年人的世界里源于對未知的恐慌也沒關系，至少它能成為驅動你主動學習的動力。這一點，值得每個個體自省。

而從群體層面來看，AI時代最急需革新的，是我們的教育體系。不管是國內的K-12教育，還是美國這邊雖不唯應試但仍包含應試、仍側重“知識填充”的教學模式，都亟待更新。因為AI正在快速的證明，很多事情機器能做得更好。如果還讓人類花十幾年、幾十年時間，去重復大半機器可替代的工作，無疑是對人類潛能的浪費。

所以我特別想呼吁：所有關注教育、能影響教育政策以及踐行教育的人，都要牢牢抓住這個時代機遇。

我們的教育方法論，已經100多年沒有本質變化了。我最大的期待是，100年后歷史學家回望21世紀上半葉時，會看到人類完成了一次真正的教育革命。

借助AI賦能教育者與學生，把節約下來的大量時間和精力，讓學生們在老師的引導以及自我探索中，去積累那些AI永遠做不到的認知與核心能力。

人類的潛力其實無比巨大，每個個體都是如此。我們的大腦遠未被充分開發，不管是作為個體還是群體，都還沒發揮出全部潛能。

你只要看看人與人之間的能力差異，就能感受到這份潛力有多驚人：有些人展現出的能力，簡直像“超人”一樣。這說明，這種極致的潛能本就藏在人性之中，只是大多數人都沒能把它激發出來。

而AI這個工具的出現，甚至它對人類工作帶來的沖擊，恰恰給了我們一個契機——重新審視并重構整個教育體系。

我覺得真正的教育變革，應該打破工科與文科的固有界限：畢竟AI能讓所有人都學會編程，那這些人還能簡單歸為工科生嗎？AI也能幫更多人更好地感知美、讀書、作詩，文科的邊界也被打破了。

所以，以前的分科邏輯完全可以改變——AI給了我們打破這種局限的機會。但說到底，關鍵還是人怎么使用這個工具。我最擔心的，是人類會放棄自我：覺得“AI這么聰明，有沒有我都一樣”，這種想法太可怕了。

“躺平”這個詞很形象，但背后的心態真的危險。人類有太多未被發掘的潛力，有太多創造世界的可能，有太多讓這個世界變得更美好的機會。而AI，終究只是一個工具而已。

如果我們放棄了自身的能動性（agency），就等于放棄了改變自己、改變世界的好奇心與動力。

就像我在《我看見的世界》書名副標題的第一個詞所說的：好奇心，真的是一切的開始。小時候，我們看世界是那么單純，帶著天然的好奇去認識萬物。而我很幸運，無論是在家庭中，還是在求學路上，這份好奇心一直被很多人小心翼翼地呵護著。寫這本書的過程，也是對我自己科學之路的一次梳理——我意識到，正是這份被保護下來的好奇，讓我走到了今天。

所以我也特別想把這份幸運傳遞給年輕的朋友：人生很多時候是從好奇心開始的。在《我看見的世界》中我也寫道：“希望你們能夠永遠銘記這種感受，永遠保持好奇心和勇氣，永遠愿意追問那些看似不可能的問題。”不要丟掉它，因為它真的能在你心里燒起一把火——無論是對世界的探索，還是對夢想的追逐，這團火都能陪你走很遠很遠，帶你做很多很多有意義的事。

回到AI——說實話，我真的不懂什么叫“AI就是世界”。就像有人說“一花一世界”，我能理解那份意境，但“AI就是世界”的說法，我實在摸不透它的核心含義。

其實“AI只是工具”這句話的背后，本質是我們如何看待AI與人的關系——把AI當工具，意味著人類始終把自身放在更重要的位置，意味著我們更該關注自我的成長與價值。

說到底，“AI是工具”這句話里，藏著我對人的信仰——我信仰人性的潛力，信仰人類社會的韌性，我信仰的是人，而不是AI。

尾聲

李飛飛，是對技術趨勢的清醒判斷者。

AI，是我們這一代人此生最大的機會。

她說，AI時代，人類迎來一次教育的革命，從知識性教育到技能型教育，到認知結構，到人本身的教育，都可以改變。

如何擁抱AI時代，需要理解哪些？

要理解技術。人工智能必然重構人類社會的底層邏輯。成為新人類，是決策者的宿命。

要理解商業。當AI成為核心生產要素，企業的價值創作邏輯和增長范式會發生根本性變化。

要理解世界。在波譎云詭的世界中生存發展，決策者需要深刻理解AI時代下國際政治經濟體系運行的規律和趨勢。

要理解中國。中國走向現代化的道路，必然建筑在中國的文化基因上，理解中國才能穿越宏觀周期，活在中國，贏在中國。

要理解自己。活出內心的自由和篤定，不被AI時代外界的震蕩所撼動，決策者才有心力成為定海神針。

這，就需要回到決策的源頭：AI技術與文明、哲學、政治、經濟，重構我們的底層認知邏輯。

我們一起做AI時代保持清醒和篤定的決策者。