演讲、播客与访谈

② 关键演讲与访谈精读 · 李飞飞 Insight

② 关键演讲与访谈精读

2024.01–2026.07，李飞飞的公开言论主要通过三条通道释放：（1）舞台演讲（TED 2024、各峰会 keynote）；（2）长播客深访（Lenny’s、Possible、a16z、No Priors）；（3）亲撰文章（《From Words to Worlds》、Fortune 署名文，见 ③/⑥）。本模块按「场合」精读最具代表性的几场，抽取一手金句并标注出处与可信度；纯技术纲领留给 ③ 空间智能、④ 世界模型，治理留给 ⑥。

[访谈全景表](#panorama)
[TED 2024](#ted)
[Lenny's Podcast](#lenny)
[Possible · Reid Hoffman](#possible)
[Credo AI · AGI 是营销词](#agi)
[《我看见的世界》](#book)
[重要场次主题摘要](#digest)
[本模块金句](#quotes)

Panorama

2024–2026 主要公开言论全景

按时间排列的代表性演讲 / 访谈 / 文章。可信度：一手实录/本人亲撰=高；官方转录=高；媒体整理=中。部分播客的确切日期以平台发布为准。

档位：★ 完整精读=在本模块（TED / Lenny’s / Possible / AGI / 回忆录）或所链接模块（③ ④ ⑥）有逐场深读；◐ 主题摘要=在下方「重要场次主题摘要」或链接模块给要点 + 一条可引用观点；○ 仅索引=仅媒体转述、作线索。

  日期场合 / 平台形式核心主题档位 / 信源

    2023-11《The Worlds I See / 我看见的世界》回忆录移民少女→ImageNet→人本 AI 的「北极星」叙事★ 一手·高
    2024-04-16TED 2024（温哥华）舞台演讲空间智能：5.4 亿年前视觉起源→"数字寒武纪大爆发"★ 一手·高
    2024-04Issues in Science & Technology 专访访谈"AI 是工具、其价值即人的价值"、人本 AI 三同心圆（见 [⑥](6-human-centered-ai.html)）◐ 一手·中高
    2024-06-27Config 2024（Figma）closing keynote舞台演讲"从看见到行动：向计算机/机器人教授空间智能"◐ 一手·中高
    2024-08-06《Fortune》署名评论亲撰文章反对加州 SB 1047（见 [⑥](6-human-centered-ai.html)）★ 一手·高
    2024-09-19a16z《Frontier of Spatial Intelligence》（+Justin Johnson, Martin Casado）播客AI 史脉络、空间智能公司化、"如何度量成功=北极星"◐ 一手·高
    2024-10Credo AI Responsible AI Summit（旧金山）炉边谈"我不知道 AGI 是什么——它更像营销词"◐ 现场·TechCrunch/Observer 报道
    2024-12NeurIPS 2024 主题演讲学术演讲"50 分钟讲 180 页 PPT"；物体永久性 vs Sora 像素○ 机器之心/澎湃转述
    2024-12-19联合国安理会第 9821 次会议 briefing（与 LeCun）官方发言公共部门领导、全球合作、循证治理◐ 官方记录
    2025-01-15《Possible》（Reid Hoffman & Aria Finger）播客深访人本 AI、能动性、治理、《我看见的世界》、AI4ALL、医疗★ 一手发言 + 官方站 AI 辅助转录（轻度编辑）
    2025-02-10巴黎 AI 行动峰会开幕 keynote舞台演讲治理三原则："基于科学而非科幻"（见 [⑥](6-human-centered-ai.html)）◐ 一手·高
    2025-05-21Semafor Tech对谈科研经费削减、国际学生签证与美国 AI 竞争力○ 媒体报道
    2025-05-23PBS《Firing Line with Margaret Hoover》电视访谈监管、公共科研投入、多样性、儿童安全◐ 官方节目
    2025-06-04a16z《World Models and the Multiverse》播客"语言是有损压缩"、"无限宇宙/多重宇宙"、失去立体视觉的亲历◐ 一手·高
    2025-06-05No Priors Ep.117（Sarah Guo, Elad Gil）播客空间智能定义、机器人形态、触觉、混合数据、"智识无畏"◐ 一手·高
    2025-06-16YC AI Startup School（与 Diana Hu）炉边谈1D vs 3D、开源不做原教旨、AGI 定义之困、"埋头 build"◐ 一手·高
    2025-06-17加州前沿 AI 政策工作组报告联合署名报告基于证据的治理、"信任但验证"（见 [⑥](6-human-centered-ai.html)）★ 官方·高
    2025-11-10《From Words to Worlds》长文（Substack）亲撰纲领空间智能定义 + 世界模型三大能力（见 [③](3-spatial-intelligence.html)）★ 一手·高
    2025-11-12Marble 全面开放（GA）产品发布公司/本人称"首个 prompt-to-worlds 世界模型产品"；当前为静态 3D 世界生成器 · simulator-adjacent（见 [④](4-world-model.html)）★ 官方·高（主张性表述已标注）
    2025-11-16Lenny's Podcast（Marble 发布周）播客深访ImageNet 全史、AGI、世界模型、Marble、创业心法、人本 AI★ 一手发言 + 第三方转录
    2025-11-21Bloomberg《The Mishal Husain Show》访谈移民与求学史、文明级技术、能动性、"给家长的话"、AI 泡沫◐ 媒体·高（本人出镜）
    2025-11-25Latent Space《After LLMs》（与 Justin Johnson）播客Gaussian splats、物理、动态世界、Marble 技术边界；"拟合模式 vs 因果律"与牛顿定律涌现实验、多元智能（Gardner）、精确相机控制、"数据中心装满爱因斯坦——我不懂这句话"◐ 一手·高 / 英文措辞据第三方逐字稿·待校
    2025-12-09Tim Ferriss Show #839播客深访大胆提问、文明级技术、"你的北极星是什么"◐ 一手·高
    2025-12TIME 对 Marble 的独立实测 + 访谈媒体实测外部验证：世界起初偏静态、探索仅几步后即畸变并出现幻觉化不连贯结构（见 [⑦](7-frontier.html#external)）◐ 独立评测
    2026-02-03Cisco AI Summit《3D & AI》（与 Jeetu Patel 对谈）舞台对谈"反共识"：仅靠语言模型不足以完成 AGI，还需空间/感知/具身能力；物理一致性；规模差距自陈◐ 一手场次 / 中文二传
    2026-02-18再融 ~$1B（Autodesk 战略投资 $2 亿）融资通稿产品化、赛道格局（见 [⑦](7-frontier.html)）；估值~$5B 系彭博报道、未官宣◐ 官方金额 / 彭博估值
    2026-06-03《A Functional Taxonomy of World Models》（本人 Substack，公司博客同日镜像）亲撰长文POMDP 地基（state ≠ observation）、渲染器/模拟器/规划器、"模拟器是枢纽"、统一世界模型是逻辑终点、"美观 vs 精度"是领域第一号开放问题、对具身 demo 的冷水（见 [④](4-world-model.html#taxonomy)）★ 一手·高（署名 Fei-Fei Li；正文自述"the World Labs team and I"）
    2026-06-04Bloomberg Tech 2026（旧金山，与 Emily Chang）舞台访谈亲口复述三分法与"simulator 是枢纽 / 解锁空间智能的关键路径"；自称"large world model"；"a 500 million year story"；生成"alien"的 3D/4D 世界；预告新的空间智能模型◐ 一手场次·高（场次与视频已核实）/ 逐字措辞待核

注：标 ★ 的场次在本模块（TED / Lenny’s / Possible / AGI / 回忆录）或所链接模块（③④⑥）做完整精读；标 ◐ 的场次见下方新增的「重要场次主题摘要」；◐/○ 的更多逐条出处见信源台账。中文私域译介与竞品/外界质疑见 ⑦ 前沿·评价。史实说明：未检索到李飞飞本人 2024–2026 在中国（智源大会/WAIC）现场或连线发言的一手证据，中文场合多为”被引用/对标”而非到场。

2024.04 · TED2024

TED 2024：从「看见」到「空间智能」

“With Spatial Intelligence, AI Will Understand the Real World”。2024-04-16 温哥华 TED2024（大会主题为《The Brave and the Brilliant》），Session 2「Mind Expanders」，约 15 分钟。这是她第二次登上 TED 主舞台——上一次是 2015 年演示”会看图说话”的图像描述算法；这一次她要讲的是”看见之后”。它是她空间智能叙事的思想源头，也几乎是 World Labs 的”创世宣言”：她用一部 5.4 亿年的生命演化史，把”视觉的诞生”与”AI 的当下”并置。

  开场 · 一手引语（TED 官方实录）

“This was the world 540 million years ago. Pure, endless darkness. It wasn’t dark due to a lack of light. It was dark because of a lack of sight.” 「这是 5.4 亿年前的世界，纯粹而无尽的黑暗。黑暗并非因为没有光，而是因为没有『看见』。」

灯光暗下，她没有从”我们要做 3D 生成模型”讲起，而是把观众拉回寒武纪的海底。这套开场是典型的”李飞飞式修辞”：先讲一个所有人都能共情的进化故事，再把 AI 悄悄接进这条线。演讲中途她还做了一个即兴现场互动——放出一张照片，请观众”如果你此刻产生了想做点什么的冲动，就举手”——用来证明”行动的冲动，是所有拥有空间智能的生物与生俱来的本能”。

叙事骨架：视觉 → 洞察 → 行动

李飞飞的演讲有一条极为清晰的进化逻辑链，每一步都在为”空间智能是智能的根”做铺垫：

  5.4 亿年前

演讲里的”第一只眼”：三叶虫

能感光的三叶虫出现，成了”这个我们习以为常的现实的第一批居民”——“first to discover that there is something other than oneself. A world of many selves.”；“what began as a passive experience, the simple act of letting light in, soon became far more active.” 限定（重要）：她在台上说的是这一视觉的出现”is thought to have ushered in”寒武纪的生态军备竞赛——即演讲采用的是”复杂视觉可能促成寒武纪大爆发”这一演化假说，不是已定因果；本页早前版本删掉了这层不确定性，现予恢复。另需注意：感光能力的演化早于三叶虫，三叶虫拥有的是已知最早的复杂成像眼之一。 Sight → Insight

看见变成理解，理解催生行动

“The nervous system began to evolve. Sight turning to insight. Seeing became understanding”——理解又引出行动，行动最终催生了智能。感知不是终点，而是通向认知与智能的桥。她的十余年

教机器”看”，再到”看图说话”

她把镜头切回自己：先是 ImageNet 让机器学会识别物体，再到 2015 年那次 TED 上演示的”看图说话”（image captioning）——机器能用自然语言描述照片。“Recall last time I showed you the first computer-vision algorithm…”她以此把个人科研史缝进这条 5.4 亿年的进化线。今天

“仅仅看见还不够”

“For years I have been saying that taking a picture is not the same as seeing and understanding. Today, I would like to add to that. Simply seeing is not enough. Seeing is for doing and learning.”——这是全场的转折点：她要把叙事从”感知”推向”行动”。舞台演示

从照片到 3D：进展的证据

她在台上放出实机进展：一组 Google 研究者的算法能”take a bunch of photos and translate that into 3D space”；而”my student and our collaborators”更进一步，做出了”takes one input image and turn that into 3D shape”的算法——单张图生成 3D 形状。这正是 World Labs 日后要产品化的能力雏形。下一步

数字寒武纪大爆发

“the full potential of this digital Cambrian explosion won’t be fully realized until we power our computers and robots with spatial intelligence, just like what nature did to all of us.”

  核心命题 · Seeing ⇄ Doing 的良性循环

“When we act upon this world in 3D space and time, we learn, and we learn to see and do better. Nature has created this virtuous cycle of seeing and doing powered by ‘spatial intelligence.’” ——这句是整场演讲、乃至 World Labs 的第一性原理：感知与行动是一枚硬币的两面，互相喂养。纯语言模型学不到这个循环，因为它从不”行动于世界”。

  收尾 · 一手引语（"可信赖的伙伴"）

“If we do this right … computers and robots powered by spatial intelligence will not only be useful tools but also trusted partners to enhance and augment our productivity and humanity while respecting our individual dignity and lifting our collective prosperity.” 「如果我们做对了……由空间智能驱动的计算机与机器人将不只是有用的工具，更是可信赖的伙伴——在尊重我们个体尊严、提升我们集体繁荣的同时，增强并放大我们的生产力与人性。」——注意结尾的落点仍是”人的尊严与繁荣”，这是她所有技术演讲的固定收束。

  我的看法 · 作者（AI）个人观点

TED 2024 的高明之处是把一个工程判断包装成一部演化史诗——她不说”我们要做 3D 生成模型”，而说”视觉在 5.4 亿年前点燃了智能，现在轮到机器了”。这套叙事的说服力与风险是同一件事：它把”空间智能=智能之根”当作不证自明的前提。可追问的是——语言的抽象/组合能力是否同样是”智能之根”？她的答案是”互补，不是替代”（见 Lenny’s），这比 LeCun”语言是次要的”更稳健。我认同”seeing is for doing”，但要提醒：当前 AI 恰恰在”没有身体、不能行动”的条件下，靠纯数据也逼近了很强的视觉理解——所以”必须闭合感知-行动循环才能理解世界”是一个强假设，需要机器人落地来证伪或证实。

2025.11.16 · Lenny's Podcast（Marble 发布同周）

Lenny’s Podcast：最完整的一次”自述”

“The Godmother of AI on jobs, robots & why world models are next”。1 小时 19 分，恰逢 Marble 全面开放（GA 2025-11-12）后四天、发布同周。主持人 Lenny Rachitsky 在开场特意致谢——本期话题由 Ben Horowitz（a16z、World Labs 投资人）与前国务卿 Condoleezza Rice 建议。这是她 2024–2026 最系统的公开自述之一，一条线从 ImageNet 全史铺到 Marble 与人本 AI。（本报告已存逐字实录于 research/src-lennys-podcast-transcript.txt；下引均为一手发言 + 第三方转录。）

  对话弧线 · 这 80 分钟是怎么一步步展开的

Lenny 先用《Wired》那句”a group perhaps small enough to fit around a kitchen table”给她定位，再从”你是少见的 AI 乐观派”切入 →〔① 乐观但不乌托邦〕→〔② AI 曾是”脏词”的旧史〕→〔③ ImageNet 全史〕→〔④ AGI 之惑〕→〔⑤ 世界模型为何是”枢纽”〕→〔⑥ Ben Horowitz 之问：bitter lesson 为何救不了机器人〕→〔⑦ Marble 发布〕→〔⑧ 创业心法与择业观〕→〔⑨ HAI〕→〔⑩ 每个人都有角色〕。信息密度最高的是 ③⑥⑦。

① 开场：乐观，但”我不是乌托邦派，我是人文主义者”

Lenny 说她不像多数 AI 领袖，是个乐观派——不认为 AI 会取代人、抢光工作、毁灭人类。她立刻校准这个标签：

  定调 · 一手引语

“Let me be very clear. I’m not a utopian … In fact, I’m a humanist. I believe that whatever AI does, currently or in the future, is up to us. It’s up to the people. … I do believe technology is a net positive for humanity … but every technology is a double-edged sword, and if we’re not doing the right thing … we can screw this up as well.”

Lenny 顺势念出她那句常被引用的国会证词——“There’s nothing artificial about AI. It’s inspired by people. It’s created by people, and most importantly, it impacts people.”她补充：过去二十年，几乎每个从她实验室毕业的学生，她都会提醒一句”你的领域叫人工智能，但它一点都不’人工/虚假’“。她还讲了一段少有人知的旧史作为”现场感”注脚：2015–2016 年前后，一些科技公司刻意回避”AI”这个词，怕它是个”脏词（dirty word）“；而她当时到处鼓励大家大方使用——“2017-ish 才是公司开始自称 AI 公司的起点”。短短九年，从”自称 AI 公司近乎自杀”到”不自称就落伍”。

② ImageNet 的完整起源（少见的一手细节）

“先押数据”的赌注

她 2000 年进 Caltech 读博，正处 AI 寒冬。反复撞上的痛点是”这些模型没有数据可训练”。她和学生猜想：被严重忽视的关键原料是大数据——“human learning as well as evolution is actually a big data learning process.”

为何选”物体识别”当北极星

因为人类是”在物体层”与世界打交道的——“if you want to lift a teapot, you don’t say, ‘the teapot is made of a hundred pieces of porcelain’… You look at this as one object and interact with it.” 物体识别因此是感知世界的”building block”。

她把 ImageNet 的野心讲得很坦白：“我们想抓下整个互联网关于物体的图像数据……现在回头看，‘一两个研究生加一个教授能干成这事’完全是妄想（totally delusional）。“最终她们精心策展 1500 万张图像、22,000 个概念的分类体系（借用语言学家的 WordNet），开源给研究界并连年举办挑战赛。（这是她在节目中按整数量级的口述回忆；官网现存完整版为 14,197,122 张 / 21,841 个 synsets；而 CVPR 2009 论文当时报告的是约 320 万张 / 5,247 个 synsets——三组数字分属不同时点，不可混用。）她也谈到”归功于个人”的问题——“AI 是个 70 岁的领域，走过好几代人，没有人能靠自己走到这里”，硅谷太爱把成就归给单个人。

  黄金配方 · 一手引语

“2012 was the moment … a group of Toronto researchers led by Geoff Hinton … used ImageNet big data and two GPUs from NVIDIA … that combination of the trio technology, big data, neural network, and GPU, was kind of the golden recipe for modern AI.” Lenny 追问那两块 GPU 是不是”打游戏用的显卡”，她答”Yes”。她强调：从 AlexNet 到 ChatGPT，配方没变——只是数据变成互联网级、网络更复杂、GPU 更多。她还笑谈 Scale AI 的 Alex Wang 早年常发邮件说”ImageNet 启发了 Scale”。

③ AGI 之惑：一个诚实的”我不知道”

被问”离 AGI 还有多远、当前路线能否到达”，她给出这轮被引用最多的判断之一：AGI”更像营销词而非科学词，AI 才是我（和我这个领域）的北极星”，并用两个极具画面感的反例说明”我们远没到头”——给最强模型看几段办公室视频、数数有几把椅子（幼儿都会，AI 不会）；给它现代天文仪器的全部数据、让它推出牛顿运动定律（今天的 AI 做不到）。她借 Demis Hassabis 的”能否重演爱因斯坦级突破”之问补一句：“其实更糟。“（完整引语与我的解读见下方「AGI 是营销词」。）

④ 世界模型：连接语言与具身的”枢纽（linchpin）”

她把世界模型的动机讲得非常具体。先是一个”她最爱用的场景”——

  消防现场 · 一手引语（为何语言不够）

“a very chaotic first responder scene, whether it’s fire or some traffic accident or some natural disaster … a lot of that is movements, is spontaneous understanding of objects, worlds, human situational awareness. Language is part of that, but … language cannot get you to put down the fire.”

她回忆自己”看见未来”的时刻：她的原话是”I remembered when GPT2 came out, and that was in, I think, late 2020”——那时公众还没意识到大语言模型的威力，而她与 Percy Liang、Chris Manning 等已在讨论这项技术有多关键，斯坦福 HAI 也随后成立了聚焦”基础模型（foundation model）“的研究中心、并领衔了该词的首篇学术论文。时间校正（本报告加）：GPT-2 于 2019-02 公布、2019-11 完整发布；斯坦福基础模型研究中心（CRFM）与《On the Opportunities and Risks of Foundation Models》均为 2021 年。她口述的”late 2020 / GPT-2”很可能混入了 GPT-3（2020）的时点——此处保留她的原话性质，事实以校正为准。作为视觉智能出身的人，她判断”语言之外还有太多”，而把语言智能与具身/机器人连起来的枢纽，正是”对世界的空间理解”。她给世界模型下的白话定义是：“让任何人都能用一句话或一张图，造出脑海中的任意世界，并能在其中浏览、拿起物体、改动，乃至推理（若消费方是机器人，它应能规划路径去把厨房收拾好）。“她还特意提醒”不只是机器人”——人本身就是具身智能体，同样能被空间智能增强。技术纲领留给 ④ 世界模型，此处只记她当场的表述。

  她最爱的例子 · DNA 双螺旋（一手引语）

“the discovery of the structure of DNA … the x-ray diffraction photo that was captured by Rosalind Franklin … a flat 2D photo … But with that 2D flat photo, the humans, especially two important humans, James Watson and Francis Crick, in addition to their other information, was able to reason in 3D space and deduce a highly three-dimensional double helix structure … That structure cannot possibly be 2D. You cannot think in 2D and deduce that structure.” 她用这个例子论证：连最顶级的科学发现，都离不开”从 2D 证据在脑中重建 3D”的空间智能。两点必须保留：① 她自己就说了”in addition to their other information”——不是凭一张图单独推出结构（本页早前版本用省略号删掉了这层限定，现予恢复）；② 史实上那张 Photo 51 由 Raymond Gosling 在 Rosalind Franklin 指导下拍摄，Watson/Crick 还结合了其他实验数据与化学模型约束。

⑤ Ben Horowitz 之问：“Bitter Lesson 为何不能单独适用于机器人”

Lenny 转述投资人 Ben Horowitz 建议的问题。她先厘清概念：bitter lesson 是图灵奖得主 Richard Sutton 的观点——“简单模型 + 海量数据”终会赢过”复杂模型 + 少量数据”。“这篇文章其实是 ImageNet 之后几年才出的；对我而言那不是苦涩的教训，是甜蜜的教训（a sweet lesson）——我建 ImageNet 正是因为相信大数据的作用。“那为什么它救不了机器人？关键在数据-目标函数错配：

语言模型的”完美闭环”

训练数据 = 词/token；输出 = 词/token
目标函数与数据形态完美对齐
互联网提供了天量现成语料

“I’m very jealous of my colleagues in language.”

机器人 / 空间智能的”错配”

你想要的输出 = 3D 世界里的动作
但训练数据缺少 3D 动作（只有网络视频）
“把方钉塞进圆孔”：需补遥操作 / 合成数据
机器人是物理系统，更像自动驾驶车而非 LLM

她用自动驾驶类比时间尺度：同事 Sebastian Thrun 用斯坦福的车（Stanley）赢下 DARPA 挑战赛，到今天旧金山街头的 Waymo 走了整整 20 年，且还没完。届次校正（本报告加）：她口述为”win the first DARPA challenge in 2006 or 2005… drive 130 miles in the Nevada desert”；准确说法是——Stanley 赢的是 2005 年的第二届 DARPA Grand Challenge（也是首次有车辆完赛），赛道约 132 英里、位于莫哈韦沙漠（起终点在内华达州 Primm，故”内华达沙漠”是口语化说法）；2004 年首届无人完赛。“而自动驾驶车只是在 2D 表面跑、目标是别碰到任何东西的金属盒子；机器人是在 3D 世界里跑、目标恰恰是去触碰东西”——难度高一个量级。她坦承：“Ben is right. We might still be subject to a number of bitter lessons.”

  敬畏 · 一手引语（20 瓦）

“We operate on about 20 watts. That’s dimmer than any light bulb in the room … the more I work in AI, the more I respect humans.” 她后来补一句：造出 Marble 靠的也是”20 瓦一颗的大脑”——但那是”5 亿年演化才给我们的算力”。

⑥ Marble：公司/本人称”世界上第一个 prompt-to-worlds 产品”

她定义 Marble 是 World Labs（一家”前沿基础模型公司”，四位联创：Justin Johnson、Christoph Lassner、Ben Mildenhall 与她）基于自研前沿模型推出的首批产品之一，“花了一年多（a year and plus）造出世界上第一个能真正输出 3D 世界的生成模型”（“首个/世界第一”均为公司/本人主张，非独立评测）。两个时长别混：“一年多”指模型研发时长；她另在被问公司成立多久时答”probably 18 month”——那是公司成立时长，本页此前把两者合成”花了一年多（约 18 个月）造模型”，现已拆开。团队约 30 人、以研究员/研究工程师为主，也有设计与产品。一个特别有”现场感”的细节是 Lenny 提到进入世界前会看到”点阵（dots）“逐渐渲染成世界，她的回应堪称惊喜：

  意外的惊喜 · 一手引语（"点阵"可视化）

“the dots that lead you into the world was an intentional feature visualization, is not part of the model. The model actually just generates the world … we converged on the dot, and so many people … told us how delightful that experience is.” Lenny 说这”就是《黑客帝国》的体验”；她笑答那是工程师们的灵感。——一个”为了好玩”而加、却意外最受欢迎的设计彩蛋。

被问与 Veo/Sora 等视频模型的区别，她搬出柏拉图洞穴：被绑在椅子上的囚徒只能看到洞壁上的 2D 投影，而真实的戏剧在他背后上演——“视觉的任务，就是从 2D 影子里重建出背后的 3D/4D 真实世界”。所以”spatial intelligence 深于只创造 2D 平面世界……World Labs 要给创作者带 3D 结构的世界”。她并透露”几周前”已在单张 H100 上跑出”世界首个可实时演示的实时视频生成”（公司/本人口径），且 Marble 也能把世界按导演设定的相机轨迹导出为视频。落地用例已现雏形：

虚拟制片（VFX/电影）：与 Sony 合作的团队用 Marble 场景拍摄了发布视频，技术美术反馈”制作时间缩短 40 倍”——她当场解释”因为只有一个月工期、要拍的东西太多”（合作方/受访者口径，非独立评测，见 ⑦）。
游戏：导出网格 mesh 放进 VR / 自制游戏。
机器人仿真：生成多样化合成环境，直击”为训练机器人造合成数据”的最大痛点——“否则人类得手工搭每一个 asset”。
心理学研究（注意边界）：一支心理学团队主动找上门，希望用 Marble 快速生成精神科研究所需的实验用沉浸场景（如”凌乱 vs 整洁”等不同特征的环境），因为这类场景过去”太贵、太慢”。这不等于已落地的心理治疗：“恐高/蛇/蜘蛛的暴露治疗”是主持人 Lenny 当场的推想，她随后只补了一句”昨晚一位朋友打电话来问他的恐高（height scare）能不能用 Marble”——属潜在用途。若要写临床应用，须另引 World Labs 自己的官方案例，不能用这段逐字稿充当依据。

Lenny 引 Chris Dixon 那句”下一个大事物往往先像个玩具”来收束这段——正如 ChatGPT 刚出时也只是 Sam Altman 一条”来玩玩看”的推文。

⑦ 创业心法：从 19 岁的干洗店到”智识无畏”

被问”想对 18 个月前的自己耳语什么”，她先自嘲：“我不是 20 岁就创办了这种规模的公司——我 19 岁开的是一家干洗店，那规模小一点。“（这家干洗店她经营了约七年）随后是罕见的坦诚吐露：

  创业之难 · 一手引语

“how intensely competitive AI landscape is — from the model, the technology itself, as well as talents … these are things that continue to surprise me … it puts me into paranoia sometimes.”

谈到”为什么总能身处那些孕育突破的地方”（SAIL、Google Cloud、World Labs），她归因于一种性格——intellectual fearlessness（智识上的无畏），“招年轻人时我尤其看重这一点”（逐字稿原话是 “when I hire young people, I look for that”，并未说”只看这一条”）。她举例：为来斯坦福，她甘愿放弃普林斯顿近在眼前的终身教职、重启 tenure 时钟；很年轻就当上 SAIL 首位女主任；去 Google 是为了和 Jeff Dean、Geoff Hinton 这些人共事。“我不会把所有可能出错的地方都想一遍——那太多了。“她还给年轻人一条择业建议，几乎是”反 FOMO”的：

  给年轻人 · 一手引语（别把每个维度都算尽）

“many of the young people today think about every single aspect of an equation when they decide on jobs … [but] maybe the most important thing is where’s your passion? Do you align with the mission? Do you believe and have faith in this team? … just focus on the impact you can make.” Lenny 用 Charlie Munger 那句”Take a simple idea and take it very seriously”作结——他说这正是李飞飞一以贯之的做法。

她也顺带回顾 HAI（她口述为”2018 与 John Etchemendy、James Landay、Chris Manning 等共同创办”；更准确的官方口径是 2018 年筹建并发表倡议、2019 年正式成立，与 ① ⑥一致）：源于她在 Google 期间意识到”AI 是文明级技术”、于是 2018 年在《纽约时报》撰文呼吁一个”以人为本”的框架；如今 HAI 横跨斯坦福多个学院（医学、教育、可持续、商、工、人文、法），并把”硅谷不和华盛顿/布鲁塞尔对话”的鸿沟当成要务来补（国会训练营、AI Index 报告、推动 NAIRR 国家研究云立法）。

⑧ 结尾：音乐家、护士、农民——“每个人都有角色”

她把全场落回一个”她走遍世界最常被问到”的问题：如果我是音乐家 / 中学老师 / 护士 / 会计 / 农民，我在 AI 时代还有位置吗？

  收束 · 一手引语

“it’s a resounding yes, everybody has a role in AI … no technology should take away human dignity, and the human dignity and agency should be at the heart of the development, the deployment, as well as the governance of every technology.” 她对年轻艺术家说”embrace Marble”，对临近退休的农民说”你是公民，理应对 AI 怎么用有发言权”，对护士说她做了十多年医疗研究、就是想让被过度劳累的护理者被 AI 增强。

  我的看法 · 作者（AI）个人观点

这集最有信息量的不是 Marble 本身，而是她对”数据-目标函数对齐”的表述——这几乎是她全部技术判断的底层逻辑：ImageNet 之所以奏效，是因为她先把”数据”与”目标”对齐；世界模型之所以难，是因为”动作”数据稀缺、目标空间是高维 3D。这条主线比”空间智能很重要”这类口号硬核得多。需要警惕的是”40 倍提速”这类合作方口径的单点数据（且样本是一个一个月工期的项目），不宜当作普遍生产力增益；这类数字我在 ⑦ 会降级处理。

  我的看法 · 作者（AI）个人观点

把”每个人都有角色”读作纯鸡汤会低估它。它其实是一步精准的产品与叙事卡位：当整个行业用”无限生产力 / 无限闲暇”这类抽象词把普通人排除在外时，她反其道把”音乐家、护士、农民”一个个点名请回叙事中心——这既呼应她的人本 AI 第一性原理，也为 Marble 这类”赋能创作者”的工具铺了合法性。可追问的是：当”赋能”与”替代”在具体岗位上此消彼长时，一句”embrace it as a tool”并不能自动解决分配问题——这正是她自己也承认的”shared prosperity 不会自动发生”（见 Possible 结尾）。

2025.01 · 《Possible》(Reid Hoffman & Aria Finger)

Possible：人本 AI 与”能动性”的哲学面

与老友、Human-Centered AI 的共同倡导者、《Superagency》作者 Reid Hoffman（及共同主持 Aria Finger）对谈，第四季首集，2025-01 发布（Apple Podcasts 列为 2025-01-15）。这一集更偏价值观与治理，也回到《我看见的世界》里的移民故事。信源性质（更正）：possible.fm 虽提供全文转录，但其页面顶部明示”This transcript is generated with the help of AI and is lightly edited for clarity”——因此应记为”本人一手发言 + 官方站 AI 辅助并轻度编辑的转录”，不是严格 verbatim 的人工校订稿，关键措辞仍应回听音频。另：录制日期未披露，不宜由片头”新年过半""ChatGPT 发布两年”反推整场录制时间（本页此前的”录于 2024 年末/2025 年初”已删）。

整场的对话弧线从一句冷开场拉起——节目直接用她那句”反转 E.O. Wilson”的话作片头；随后 Reid 从 ImageNet 问起，一路走到 World Labs、能动性、治理、AI4ALL、医疗，最后由 Aria 收在”若一切顺利，未来 15 年你想看到什么”。

① ImageNet 的”顿悟”：大家都在看模型，没人看数据

Reid 问”做 ImageNet 的那个’啊哈’时刻是什么”。她把它精确到 2006 年前后、一个数学概念上——过拟合（overfitting）：模型复杂度与数据不匹配。“everywhere I look, people are not paying attention to data. We’re only paying attention to model … we need to look at data and use data to drive models.” 恰在此时她读到语言学的 WordNet，“一件事引出另一件事”，ImageNet 由此诞生。

② 智能的两半：we say things & we do things

她把”什么是智能”化约成两件极简的事——

  智能的两半 · 一手引语

“One is that we say things … But there is another … half of intelligence … we do things. We do it by cooking an omelet. We do it by taking a hike … hold a beer can. All this … is part of intelligence. And that part of intelligence is really grounded in the ability to make sense of the 3D world we live in … That ability … is called spatial intelligence.”

顺着这条线，她把 ImageNet 重新定位成”迈向更完整视觉世界的一小步（baby step）“——因为”2D 图像是 3D 世界的投影”，而给像素打标签是理解世界的关键第一步。她还点出空间智能的两个面：“一个是物理的 3D 世界，另一个是数字的 3D 世界”，而空间智能有望成为同时贯通两者的统一技术。

  她最爱的生活例子 · 一手引语（换轮胎）

“if I have a flat tire, I have a feeling I’m going to have a hard problem with that flat tire. But if I can wear a glass, or even point my phone to the car … guide me through the process of changing that tire … that really breaks the boundary of physical 3D world and digital 3D world.” 她说这种”寻常到不能再寻常”的日常场景——从换轮胎到做一台心脏外科手术——正是空间智能”赋能人”的画面。

“语言是人的语言，3D 是自然的语言”

“language is the language of human. 3D is the language of nature.” LLM 的基本单元是词素（lexicon），世界模型的基本单元是像素/体素（pixel/voxel）——两种根本不同的”语言”。

“别把 AI 当句子的主语”

她指出一个公共传播的深层错误：“AI will cure cancer / AI will take your job”——用 AI 做主语，等于抹掉了人的能动性。真相是”人类将用 AI 治愈癌症”。尊重 human agency 是她的第一原则。

  她对 E.O. Wilson 名言的"反转" · 一手引语

社会生物学家 Edward O. Wilson 说：“我们有旧石器时代的情感、中世纪的制度、和神一般的技术，这非常危险。” 李飞飞把它反着说：“Humans are capable of creating God-like technology so that we can improve our medieval institutions and rise above our paleolithic emotions, or channel our paleolithic emotions into creativity, productivity, and benevolence.” 她还补了一层：paleolithic 不是贬义词——人的情感”deeply rooted in evolution, in our DNAs”，正因如此”世界同时是美的、也是乱的（beautiful and messy）“，技术必须尊重这些最古老的根。

③ 两条第一性原则：尊重能动性、尊重人

她把人本 AI 收敛为两条”必须尊重”的第一性原则：一是人的能动性（human agency）——即上面”别把 AI 当主语”的语言学主张，“更危险的说法是’AI will take away your job’“；二是尊重人本身——“每个人都想健康、想有产出、想成为被尊重的社会成员，无论我们怎么开发或使用 AI，都不能忘了这一点”。在她看来，AI 是”文明级工具（civilizational tool）”，“我们最好尽早给它套上一个把人和人的福祉放在中心的框架”。

  治理三原则（一手，见 [⑥](6-human-centered-ai.html) 展开）

④ 两个人本 AI 的具体投影：AI4ALL 与医疗环境智能

AI4ALL：谁来改变 AI？

她与学生、同事共创的非营利，把代表性不足群体的 K-12 学生（女性、乡村/内城）带进 AI 暑期营与实习。口号：“we know AI will change the world, but who will change AI?” 她举例学员做出的项目：改进救护车调度算法、用 AI 评估乡村水质。

Ambient Intelligence：人帮人

她钟爱的方向是”医疗交付（delivery）——人帮人”。一组惊人的数字（按她的原话）：一个班次里，有些护士平均要走「超过 4 英里」去取药与器械（“some nurses average more than four miles of walking”）、最多可做 150–180 项不同任务（“can do up to 150, 180 different tasks”）；病人会从床上摔下。她用非侵入、非接触的智能相机（ambient intelligence）——在病床防跌倒、在家看孤独/营养、在手术室清点器械。

⑤ AGI：她印象中”来自商业侧”的词

Reid 问”AGI 到底该指什么”。她的回答与其他场次口径高度一致，且在 Possible 里给了最完整的自述：“我印象里这个词大约 10 年前来自商业侧（“I think the term came from a commercial side of the world around 10 years ago”），本意是在 AI 前加个 G（general），强调’通用’而非’只会检测树的极窄 AI’。但回到 1956 年达特茅斯之夏、McCarthy 与 Minsky 的最初梦想——本就是造’能思考、能帮人决策与行动的机器’。所以从这个角度，AI 和 AGI 对我是一回事。” 术语史校正（本报告加）：这是她的个人印象，不是可靠词源考证。“artificial general intelligence”的公开用法至少可追到 Mark Gubrud 1997；约 2002 年由 Shane Legg / Ben Goertzel 重新提出，2007 年前后经论文集与会议推广。她这段话真正成立的核心是”AI 与 AGI 之间没有科学上的分界”，而非该词何时、由谁发明。（完整对照见「AGI 是营销词」。）

⑥ Bob Sabella 与《龙猫》：人本立场的私人根源

Aria 请她讲《我看见的世界》里的高中数学老师。她回到 15 岁、刚到新泽西、不会说英语的自己：Bob Sabella 给了她”无条件的尊重与支持”，“but what he taught me is not through words … He just taught me through action”——最大的教诲就是”put humans in the center（把人放在中心）“。轮到”快问快答”，她给出那个广为流传的答案：最能让她对未来乐观的电影是宫崎骏《龙猫（My Neighbor Totoro）》——“I’m the sucker of beautiful pixels … so simple, so beautiful, and yet so profound.”

  收尾 · 一手引语（共享繁荣）

“I want to see a global increase of knowledge, well-being, and productivity, especially with the emphasis on shared prosperity … when that happens, we need to recognize, we need to share that prosperity. We need to democratize that benefit.”

  我的看法 · 作者（AI）个人观点

“别把 AI 当主语”是我认为她最被低估、也最正确的一条公共判断——它一句话戳破了两种极端叙事（AI 救世 / AI 灭世）共同的语法错误：把工具拟人化为能动主体。这不仅是修辞，它与她的治理主张（在应用层、对使用者设护栏）相互一致、共同基于”责任不可外包”——但要说清：这是立场自洽，不是形式逻辑上的”直接推出”，因为”尊重 human agency”同样可以与上游模型治理并存。可质疑处：当 AI 系统日益自主（agentic）、能长链条自己行动时，“AI 只是工具、人始终是主语”这条边界会被现实拉扯——她的框架对”高自主 agent”的责任归属还需要更细的补充（我在 ⑨ 展开）。

2024.10 · Credo AI Summit / 反复重申

“AGI 是营销词，不是科学词”

这是她 2024–2026 被引用最多的一次”逆共识”表态。在旧金山 Credo AI 负责任 AI 峰会、Lenny’s、Possible 等多处重申，口径高度一致。

  一手引语（Credo AI Summit, 2024.10；TechCrunch/Observer 报道）

“I come from academic AI and have been educated in the more rigorous and evidence-based methods, so I don’t really know what all these words mean. I frankly don’t even know what AGI means. Like people say you know it when you see it, I guess I haven’t seen it.”

  一手引语（Lenny's Podcast, 2025.11）

“I feel AGI is more a marketing term than a scientific term as a scientist and technologist. AI is my north star, is my field’s north star, and I’m happy people call it whatever name they want to call it.”

这句话的场合值得一记：2024 年 10 月旧金山 Credo AI「负责任 AI 领导力峰会」的一场炉边谈，被 TechCrunch / Observer 现场记录（故标”现场·媒体报道”，非官方文字一手）。她的逻辑不是”AGI 不会来”，而是”AI 与 AGI 没有科学上的分界”：从图灵、麦卡锡、明斯基 1956 年达特茅斯会议起，“会思考、能帮人做决策与行动的机器”一直就是 AI 的梦想；“没人当初梦想的是只会检测树的极窄 AI”。所以在她看来，AGI 的”G（general）“只是强调通用性，而通用性本就是 AI 的初心——“从这个角度，我不知道该叫它 AI 还是 AGI，对我是一回事”。

但她同时强调”我们远没到头”，并给出三个层层递进的反例：① 给今天最强的模型看几段办公室视频、数数有几把椅子——“一个幼儿或小学生能做，AI 做不到”；② 给 AI 现代天文仪器的全部数据（连牛顿都没有的）、让它推出牛顿运动定律——“今天的 AI 做不到”（她还接 Demis Hassabis 那个”能否重演爱因斯坦”之问补一句”其实更糟”）；③ 情感/认知智能——一个学生走进老师办公室谈”动机、热情、真正困扰你的问题”，“today’s conversational bots” 给不了那种情感认知层次。所以她坚定认为还需要更多创新（如世界模型），而不是”scaling 到头就行”。

  中文语境的同一立场 · 中译引语（36氪 / 钛媒体编译，可信度中）

「AI 就是工具，工具就是双刃剑……我们对工具的期待，永远不是让它自己去 figure out 要做什么——那是人类的责任。」「AI 就是工具，这句话带着我对人的信仰——我信仰的是人，不是 AI。」「（我最害怕的）不是 AI 觉醒，而是人类的放弃——觉得’AI 这么聪明，没我啥事了’。」中译·措辞可能润色；英文原意以官方视频为准。台媒亦概括她的比喻：AGI 不是一道非黑即白的门，而是一扇需要多把钥匙逐步打开的门，空间智能是其中不可或缺的一把。

  我的看法 · 作者（AI）个人观点

“AGI 是营销词”是一句科学家的诚实，也是一步高明的立场卡位：它让她在”AGI 即将到来/即将毁灭人类”的两极喧嚣之外，占据了”务实、基于证据”的中间高地——这与她的治理主张一脉相承。我完全认同”AGI 缺乏可证伪定义”这一点；但要指出，拒绝定义 AGI 也有代价：当整个产业、资本、政策都在围绕”AGI 时间表”配置资源时，一个只谈”AI 北极星”的框架，可能低估了”能力相变”（capability phase transition）带来的治理紧迫性。她用”数椅子/推导牛顿定律”证明”还差得远”很有力，但这些恰恰是空间/科学推理短板——也可能只是说明”当前范式缺空间智能”，而非”通用能力整体遥远”。

2023.11 · Memoir

《我看见的世界 The Worlds I See》：北极星的私人史

英文原版 2023-11（Flatiron / 梅琳达·盖茨旗下 Moment of Lift Books），中文版 2024-04（中信，译者赵灿）。她自称这是一本”双螺旋”回忆录——一条线是 AI 这门科学的成长史，另一条线是她本人作为科学家/移民的成长史，两条相互缠绕。它入选奥巴马 AI 书单与《金融时报》2023 年度好书、并被选为普林斯顿 2028 届新生共读。（本轮复核未找到可复核的榜单快照，故删去此前的”登顶亚马逊自传榜”。）全书把她的科学史与移民史并置，是理解她”为什么坚持人本 AI”的钥匙。

移民少女

约 15–16 岁（1992 年前后）随母亲赴新泽西 Parsippany 与父亲团聚，落地公立高中时不会说英语；父母借钱开干洗店，她课余在中餐馆打工洗碗（时薪约 2 美元）。数学老师 Bob Sabella 的”无条件尊重”成为她一生的锚。（Possible / 书）

ImageNet 豪赌的幕后

书里把 ImageNet 讲成一场”豪赌”：在”数据无用论”盛行、CVPR 2009 只给海报位的年代，她赌”范式必须由数据驱动”。幕后细节惊人——差点拿不到 tenure，大规模标注最终靠 Amazon Mechanical Turk 众包救场。项目更正（重要）：“写个简易界面、让只会点击的母亲帮忙清理图片”发生在更早的博士期数据集（Caltech-101 前史）：她从词典里取 101 个类别、清洗 Google 图片搜索结果。这段不属于 ImageNet，本页此前将两者合并，现已拆开。（出处：No Priors Ep.117，2025-06-05，约 00:21:32–00:22:59）

北极星（North Star）

全书核心隐喻——“北极星”是一个人愿为之长期押注的根本问题，它从模糊到清晰地演化：从”物体识别”（ImageNet）到”空间智能”（World Labs）。她反复提醒：“看见北极星，并不意味着旅程会很短。”

“双螺旋”叙事

她透露初稿写得”很书呆子（very nerdy）“、几乎只有科学线，被同事否掉后才加重个人叙事——最终成了科学与人生互相缠绕的”双螺旋”。这正是她讲述一切技术判断的固定手法：把工程挂靠在一个人的命运上。

科学与人性交织

她拒绝把 AI 讲成”冷技术”：ImageNet 的诞生、AI 的良知、女性与移民在科学中的位置——都被编织进同一叙事。这为”人本 AI”提供了个人合法性。

书名的双关

“The Worlds I See”——既是”我（用视觉/科学）看见的世界”，也预告了 Worlds：她后来要用机器去生成的那些世界（World Labs / Marble）。

  围绕新书的一手引语（新书访谈期）

“We should put humans in the center of the development, as well as the deployment applications and governance of AI.”（NPR《Short Wave》，2023-11） “Maths is pretty clean. Humans are messy.”（Financial Times，2023-12） “I’m more concerned about the risks that are here and now.”（The Guardian，2023-11——比起遥远的生存风险，她更担心此时此地的偏见、隐私、失业等具体风险。）

  我的看法 · 作者（AI）个人观点

把回忆录读作”世界观说明书”会更准确：李飞飞几乎所有公开立场，都能在书里的两条线找到根——科学线给了她”先押数据/先押空间”的技术胆识，移民线给了她”尊严、能动性、包容”的人本执念。这也解释了她与纯技术派（如 LeCun）气质上的差异：她的技术判断永远挂靠在一个”为了人”的目的论上。这是魅力，也是需要警惕的地方——目的论叙事容易让人对”技术是否真的最优路径”少一分冷峻。

Session Digests · ◐ 主题摘要

重要场次主题摘要

上文 ★ 已对 TED / Lenny’s / Possible / AGI / 回忆录做完整精读；这里为其余有一手视频、官方节目页（或权威中文二传）、但未在本页逐场深读的 ◐ 场次各补一段主题摘要与一条可引用观点，避免与 ★ 精读重复。可信度沿用全站分级：一手视频/官方页=高，第三方逐字稿=中高，纯中文二传=中；巴黎峰会与 PBS 的治理主张在 ⑥ 有更完整展开，Cisco 的赛道判断在 ⑦ 展开。

a16z《The Frontier of Spatial Intelligence》· 2024-09-19

World Labs 走出隐身时的”奠基性对谈”，与联创 Justin Johnson 同台、由早期投资人 Martin Casado 主持。全程沿”AI 寒冬→深度学习→多模态→空间智能”的历史脉络，把”空间智能”从概念推向公司化：ImageNet 时代”算法/算力/数据”的解锁、从预测式 AI 到生成式 AI、空间智能与语言模型的分野、以及虚拟/增强/物理三类应用面。

本期要点（非逐字引语）：本期公开抛出的核心命题是”如何度量空间智能的成功”——即她反复使用的”北极星”提法。本轮复核未能把这一期的任何单句还原到可回溯的逐字稿，故此处只给要点、不给引号内引语（宁缺勿错）。

可信度：一手场次·高（a16z 官方播客页）；本期无存档逐字稿，具体措辞待补。更正记录：此前挂在本卡的”午餐桌上说’我们缺一个世界模型‘“实际出自 2025-06-04 那期，已移至下一张卡。

a16z《World Models and the Multiverse》· 2025-06-04

Erik Torenberg 主持、Martin Casado 同席。World Labs 的思想起点段子出自本期：Casado 复述某次硅谷