從 ImageNet 到 World Labs ，李飛飛的學術與創業之路始終緊跟時代步伐，跨越一個又一個技術瓶頸。而今天，她將目光聚焦在更為復雜的空間智能上，探索如何突破視覺智能的二維限制，走向理解和重建三維世界的未來。

在YC創業學院峰會現場，YC 合伙人 Diana Hu 與李飛飛展開一場爐邊對話，李飛飛深刻剖析了空間智能與語言理解之間的巨大差異，指出為什么三維世界建模對于AI的演進至關重要。這不僅是AI技術的一次飛躍，更是智能體與人類世界更深層次連接的關鍵一步。

訪談內容原汁原味呈現于下：

李飛飛：我的整個職業生涯都在攻克那些極其困難、近乎妄想的問題，對我而言，沒有空間智能的AGI是不完整的，我想解決這個問題，我就是熱愛當企業家，忘掉你過去的成就，忘記別人對你的看法。埋頭苦干，努力建設，那是我的舒適區。

Diana Hu：我特別興奮能請到李飛飛博士，她在 AI 領域有非常長的職業生涯，我相信很多人都認識她，她被稱為 AI 教母。你在2009年，創建的首批項目之一是 ImageNet（圖像數據庫）。也就是16年前，天吶。

李飛飛：別提醒我這事了（笑）。

Diana Hu：現在該項目的論文引用量已超8萬次，并且真正開啟了 AI 的一個關鍵支柱，也就是數據問題。請告訴我們這個項目是如何產生的，那在當時可是極具開創性的工作。

李飛飛：首先，Diana、Gary，還有在場的各位，感謝你們邀請我來。我非常激動能來到這里，因為我感覺自己就像是你們中的一員。我現在也是一名企業家，剛創辦了一家小公司，所以很高興能來這兒。

我們差不多18年前就有了創建 ImageNet 的想法，當時我是普林斯頓大學的一年級助理教授，那時 AI 和機器學習的世界和現在大不相同，數據少之又少，至少在計算機視覺領域，算法根本行不通，也沒有相關產業。就公眾而言，"AI"這個詞都還不存在。

但我們仍然有一群人，從 AI 的先驅開始，比如約翰·麥卡錫，再到像杰弗里·辛頓這樣的人物，一直懷揣著 AI 之夢。我們真的想讓機器會思考、能工作，懷揣著這個夢想，我個人的夢想是讓機器能"看"，因為視覺是智能的基石。視覺智能不只是簡單的感知，而是真正理解世界并能在其中有所作為。

所以我癡迷于讓機器"看"的問題，當我癡迷于開發機器學習算法時，那時我們嘗試過神經網絡，但沒奏效。我們轉而使用貝葉斯網絡、支持向量機等其他方法。

但有個問題一直困擾著我，那就是泛化問題。如果你從事機器學習領域的工作，就必須明白泛化是機器學習的核心數學基礎和目標。為了讓這些算法具有泛化能力，就需要大量數據，當時在計算機視覺領域根本沒人有數據。我是第一代開始涉足數據研究的研究生，因為我是第一代見證龐大的物聯網時代到來的研究生。

時光快進到2007年左右，我和我的學生決定大膽一搏。我們認定機器學習領域需要一場范式轉變，而這場轉變必須由數據驅動的方法引領，但當時沒有數據。于是我們想，那就去互聯網上下載十億張圖片吧，這是我們能從網上獲取的最大數據量了，然后創建一個涵蓋整個世界的視覺分類體系，我們用這些數據來訓練和評估機器學習算法，這就是ImageNet 被構思并實現的緣由。

Diana Hu：過了好一段時間，才出現有前景的算法，直到2012年 AlexNet 問世，那才是邁向 AI 的第二步，也就是要具備足夠的計算能力并投入大量的算力和算法。給我們分享下你是從什么時候開始意識到，你用數據為其奠定了基礎，然后社區開始為AI找出更多東西的那個時刻是什么？李飛飛：在2009年，我們發表了一篇非常小的 CVPR 海報。從2009年到2012年這三年間，AlexNet 出現后，我們堅信數據將推動 AI 發展，但對于這種方法是否可行，我們幾乎沒有得到什么有效的反饋。

所以我們采取了一些措施，其一，從一開始我們就認為要將相關內容開源給整個研究界，讓大家一起來研究。其二，我們發起了一場挑戰賽，因為我們希望全世界最聰明的學生和研究人員都來解決這個問題，這就是我們所說的 ImageNet 挑戰賽。每年我們都會發布一個測試數據集，整個ImageNet數據集可用于訓練，但我們會發布測試集，公開邀請所有人參與，最初幾年主要是在確定基準，當時的識別錯誤率達到了30%，這不是零誤差，也不是完全隨機的結果，但也不算太好。

到了2012年，也就是挑戰賽的第三年，我在自己出版的一本書里寫過這件事，我至今記得，大概在夏末的時候，我們把 ImageNet 挑戰賽的所有結果放到服務器上運行。有天很晚了，我在家收到了研究生發來的消息，他說我們得到了一個非常突出的結果，讓我看看。我們仔細研究后發現，這是一個卷積神經網絡的結果，當時它還不叫AlexNet，杰弗里·辛頓團隊把它叫做"Supervision"，這是一個很巧妙的雙關語，既和"超級"有關，也和"監督學習"有關，我們查看了"Supervision"的成果，卷積神經網絡是一種早在20世紀80年代就已發表的舊算法，只是在算法上做了一些調整，但一開始看到有這么大的進步，我們還是很驚訝。

當然，之后的歷史大家都知道了，那一年我們在意大利佛羅倫薩舉行的國際計算機視覺大會（ICCV）的 ImageNet 挑戰賽研討會上展示了這個成果。亞歷克斯·克里徹夫斯基、楊立昆也來了。現在大家都把這一刻稱為 ImageNet 挑戰賽中 AlexNet 誕生的時刻。我想說的是，這不僅僅是卷積神經網絡的功勞，也是亞歷克斯和他的團隊首次將兩塊GPU結合起來用于深度學習計算。所以這真的是數據、GPU和神經網絡首次結合的時刻。

Diana Hu：隨著計算機視覺領域智能技術的不斷發展，ImageNet 實際上是解決物體識別概念的關鍵開端。接著 AI 發展到了能夠處理場景識別的階段，因為你和你的學生，比如安德里亞·卡帕西做了很多工作，讓計算機能夠描述場景，能跟我們講講從物體識別到場景識別的轉變嗎？

李飛飛：ImageNet 解決的問題是，給你一張圖片，你能識別出里面的物體，比如有一只貓、一把椅子等等，這是視覺識別中的一個基本問題。

其實從讀研究生進入 AI 領域開始，我就有一個夢想。我當時覺得這是一個要花上一百年才能實現的夢想，那就是對世界進行敘事描述。當人類睜開眼睛時，想象下你在這個房間里看到的不只是人和椅子，實際上看到的是一個會議室，里面有屏幕、舞臺、人群、攝像頭等等，你能夠描述整個場景。這是人類視覺智能的基礎能力，在我們的日常生活中非常重要。

所以我真的以為這個問題會投入一輩子的時間。說實話，我研究生畢業的時候就告訴自己，如果此生能創造出一種算法來描述場景，那就算成功了，我當時就是這么規劃自己的職業生涯的。ImageNet 和 AlexNet 誕生，深度學習開始興起。后來安德里亞和賈斯汀·約翰遜加入了我的實驗室，我們開始看到自然語言和視覺開始融合的跡象。安德里亞和我提出了圖像描述或場景敘事的問題，大約在2015年，安德里亞和我發表了一系列論文，這些論文和其他幾篇同期論文一起，首次讓計算機能夠為圖像添加描述。我幾乎都不知道自己接下來該做什么了，這可是我一生的目標！那一刻對我們倆來說都太不可思議了。

去年我做了一個TED演講，我還引用了安德里亞幾年前在完成圖像描述工作時發的一條推文，那差不多是他的博士論文研究內容。我還跟他開玩笑說："安德里亞，我們反過來怎么樣？根據一句話生成一張圖片。"當然，他知道我在開玩笑，他說："我可不干。"當時這個世界還沒準備好。

但現在技術發展，我們都知道了生成式 AI ，現在我們可以根據一句話生成漂亮的圖片，這段經歷告訴我們， AI 取得了驚人的發展。就我個人而言，我覺得自己是世界上最幸運的人，因為我的整個職業生涯始于 AI 寒冬的末期，也就是 AI 開始騰飛的時候，所以我真的非常幸運，也有點自豪。

Diana Hu：我覺得最厲害的是，你不僅實現了描述場景的畢生夢想，甚至還能用擴散模型生成場景。而且你還有更大的企圖心，因為計算機技術的發展軌跡從物體識別到場景識別，現在又到了"世界"這個概念。你還從學術界的教授轉型成為了 World Labs 的創始人兼首席執行官。能告訴我們理解"世界"為什么比理解物體更難嗎？

李飛飛：這確實有點不可思議，很難用幾句話概括過去五六年的事。對我來說，我們正處在這項技術進步的一個重大歷史時刻，作為一名計算機視覺科學家，我們見證了計算機視覺領域的驚人發展，從 ImageNet 到圖像描述，再到使用擴散技術進行圖像生成。與此同時，還有另一個令人興奮的發展方向，就是自然語言處理，也就是LLM。2022年11月，ChatGPT開啟了真正可用的生成式模型的大門，這些模型基本上能夠通過圖靈測試等等。

這對我這樣的"老人"來說也很有啟發，讓我大膽地思考接下來會發生什么。作為一名計算機視覺科學家，我有個習慣，我很多靈感都來自進化生物學和腦科學。在職業生涯的很多時候，我都在尋找下一個亟待解決的關鍵問題，比如進化或大腦發育給了我們什么啟示？有一點很值得注意和思考。從進化的角度來看，人類語言的發展，往多了算，大約用了3億到5億年，不到100萬年。在這么長的進化時間里，人類發展出了語言，可以說，人類是唯一擁有復雜語言的動物。雖然我們可以討論動物的交流方式，但從作為一種交流、推理和抽象工具的整體語言概念來看，只有人類擁有這一過程甚至不到50萬年。

回到視覺能力，想想理解三維世界、在三維世界中做決策、在三維世界中導航、與三維世界交互、理解三維世界、描述三維世界的能力，進化用了5.4億年才發展出這種能力。5.4億年前，第一只三葉蟲在水下進化出了視覺。從那以后，視覺引發了一場進化軍備競賽，在有視覺之前的5億年里，動物都很簡單，但在有了視覺之后的5.4億年里，動物的智力開始不斷提升。

所以對我來說，解決空間智能問題，即理解、生成、推理和在三維世界中行動的能力，是 AI 的一個基本問題。在我看來，沒有空間智能，AGI 就不完整。想解決這個問題，需要創建超越平面像素、超越語言的世界模型，能夠真正捕捉世界的三維結構和空間智能的世界模型。

我這輩子最幸運的是，不管我年紀多大，總能和最優秀的年輕人一起工作。所以我和三位非常出色的年輕技術專家——賈斯汀·約翰遜、本·米爾登霍爾和克里斯托弗·萊斯特一起創立了一家公司，我們要嘗試解決當前 AI 領域最具挑戰性的問題。

Diana Hu：這團隊太厲害了，克里斯是 Pulsar 的創造者，Pulsar 是 Cautious Flats 之前的一個早期項目，涉及很多可微渲染的工作。還有賈斯汀·約翰遜，他之前是你的學生，有很強的系統工程思維，實現了實時神經風格遷移。本·米爾登霍爾是 NeRF 論文的作者，這真是一支超級精英團隊，而且確實需要這樣的團隊。

我們剛才聊過，在某種程度上，視覺問題比語言問題更難，這么說可能有點爭議，因為LLM本質上處理的是一維的數據，但你要處理的是理解大量的三維結構，為什么會這么難？而且在研究進度上，視覺也落后于語言研究。

李飛飛：謝謝你理解我們這個問題有多難！語言本質上是一維的，音節是按順序排列的，這就是為什么序列到序列模型如此經典。

還有一點人們可能沒有意識到，語言是純粹生成式的。自然界中并沒有語言，你摸不到、看不到語言，語言完全是從人的大腦中產生的，這是一種純粹的生成式信號，你把它寫在紙上，它才會有形。

但語言的生成、構建和應用都是非常具有生成性的，而現實世界要復雜得多。首先，真實世界是三維的，如果加上時間維度就是四維。但我們先只考慮空間維度，它本質上是三維的，所以從組合復雜度來說，這就是一個難度大得多的問題。

其次，對視覺世界的感知和接收是一種投影過程，不管是通過眼睛、視網膜還是相機，都是把三維的世界投影到二維上。要知道這有多難，這在數學上是一個病態問題。 所以這就是為什么人類和動物有多種傳感器，需要去解決這個問題。

第三，現實世界并非完全可生成的。我們可以生成虛擬的3D世界，但它仍需遵循物理規律等等。不過，外面還有一個真實的世界。現在突然要在生成和重建之間流暢切換，而且用戶行為、實用性和應用場景都大不相同。如果完全偏向生成，我們可以聊聊游戲和元宇宙之類的，如果完全偏向現實世界，那就是在聊機器人技術之類的，但所有這些都處于作為空間智能的世界建模的連續譜上。當然，大家都避而不談的問題是，互聯網上有大量的語言數據，那空間智能的數據在哪里？

這些數據當然都在我們的腦子里，但不像語言數據那樣容易獲取，這就是事情如此困難的原因。但坦率地說，這讓我很興奮，因為如果事情容易，別人早就解決了。我的整個職業生涯都在攻克那些難到近乎妄想的問題，這就是那個近乎妄想的問題，感謝你支持我。

Diana Hu：從第一性原理來思考，人類大腦的視覺皮層中有比處理語言更多的神經元來處理視覺數據。這在模型中是如何體現的？從你目前的發現來看，它的架構和LLM有很大不同。

李飛飛：這是個非常好的問題。外面有不同的觀點，有LLM，我們在LLM中看到的很多成果，實際上是把規模定律運用到極致，幾乎可以通過強力的自監督一路構建世界模型，這可能更微妙一些。世界結構更復雜，可能需要一些信號來引導，可以稱之為先驗知識，也可以說是數據中的監督信息。我認為這些都是我們必須解決的開放性問題。

首先，我們對人類感知也并非完全了解，人類視覺中的3D原理都還沒有解決。從機械原理上說，雙眼要對信息進行三角測量。即便如此，數學模型在哪里？人類作為3D動物沒那么厲害，有很多問題有待解答。我真的只指望一件事，就是擁有像素領域最聰明的人來解決這個問題。

Diana Hu：可以說你們在 World Labs 構建的是全新的基礎模型，其輸出是3D世界，你預想的一些應用有哪些？我記得你提到了從感知到生成的各種應用，生成模型和判別模型之間一直存在張力，那么這些3D世界能有什么作用？

李飛飛：關于 World Labs 本身的細節我不能透露太多，但就空間智能而言，它的用途非常廣泛，就像語言一樣，從創作角度，可以想到設計師、建筑師、工業設計師，還有藝術家、3D藝術家、游戲開發者，從創作到機器人技術、機器人學習，空間智能模型或世界模型的實用性非常大，而且與之相關的行業眾多，從營銷到娛樂，甚至到元宇宙。

我真的對元宇宙很興奮，我知道很多人覺得它還不行，但這就是我興奮的原因，我認為硬件和軟件的融合即將到來，這也是未來的一個很棒的應用場景。

Diana Hu：你正在攻克元宇宙問題，我個人對此非常興奮，我之前的公司也嘗試過，所以我很高興你現在在做這件事。

李飛飛：我認為有更多積極信號。硬件確實是個障礙，但你需要內容創作，而元宇宙的內容創作需要世界模型。

Diana Hu：對一些聽眾來說，你從學術界轉型成為創始人兼CEO可能有些突然。但實際上你一生經歷非凡，這不是你第一次從0到1創業。你和我提到過，你十幾歲移民到美國時不會說英語，后來還經營了多年洗衣店，能講講這些經歷如何塑造了現在的你嗎？

李飛飛：我相信你們是來聽如何開洗衣店的。

Diana Hu：那是你19歲的時候對吧？

李飛飛：是的，那是出于無奈。我沒有辦法養家、供養父母，而我想上大學，去普林斯頓學物理，后來我就開了一家不錯的干洗店，用硅谷的話說，我籌集資金，我是創始人、CEO，我也是收銀員，什么都得干，七年后我把店轉手了。我從未因為我的自助洗衣店獲得過歡呼，謝謝你們的掌聲（笑）。

我看著臺下，特別為你們興奮，因為你們年齡只有我的一半，甚至可能只有我年齡的30%，你們這么有才華，放手去做吧，別害怕。

我整個職業生涯，即使作為一名教授，我也選擇過幾次，去那些我是第一個計算機視覺教授的院系。這違背了很多人的建議，作為年輕教授，你應該去有學術社群和資深導師的地方。我也想有資深導師，但如果沒有，我得開拓自己的道路，所以我不害怕。

后來我去了谷歌，在谷歌云學習了很多商業知識，包括企業對企業業務等。2018年左右，我在斯坦福大學創辦了一家初創公司，因為當時 AI 不僅席卷了整個行業， AI 還成了人類面臨的問題。人類總會引導科技發展，但我們不能失去人性，我真的很在乎在 AI 發展進程中造積極的影響。

我在想如何讓 AI 以人類為中心，如何創造能幫助人類的 AI 。所以我回到斯坦福，創辦了以人為本的 AI 研究所，并像經營初創公司一樣管理了5年。可能有些人不太高興我在大學把它當初創公司來經營，但我為此感到非常自豪，在某種程度上，我就是喜歡當創業者。

我喜歡從零開始的感覺，就像站在起點。忘掉你過去的成就，忘掉別人對你的看法，埋頭苦干，這就是我的舒適區，我就喜歡這樣。

Diana Hu：除了你所取得的所有了不起的成就之外，另一件很酷的事是，你指導了很多傳奇的研究人員，比如安德烈亞·卡帕西、英偉達的范丞、在 Image Net 項目上的合著者賈丹，他們后來都有了令人矚目的職業生涯。在他們還是學生的時候，有什么特別之處？你能給聽眾一些建議，怎樣看出一個人會改變 AI 領域嗎？

李飛飛：首先，我才是幸運的那個。我覺得我從學生身上學到的比他們從我這里學到的更多，他們真的讓我成為一個更好的人、更好的老師、更好的研究員。能和這么多傳奇學生一起工作，是我一生的榮幸。他們各不相同，有些是純粹的科學家，埋頭解決科學問題，有些是行業領袖，有些是 AI 知識的杰出傳播者。

我認為有一點是他們共有的，我鼓勵每個人都思考這一點。對于那些招聘的創始人來說，這也是我的招聘標準，我看重的是智識上的無畏。你來自哪里不重要，我們要解決的問題是什么也不重要，那種勇于接受困難、全身心投入并以自己的方式努力解決問題的勇氣和無畏精神，才是成功人士的核心特質。我從他們身上學到了這一點，我也真的在尋找有這種特質的年輕人，作為 World Labs 的 CEO，我招聘時就看重這種品質。Diana Hu：你們在 World Labs 也在大量招人，所以你們也在尋找具備同樣能力的人才，對吧？

李飛飛：太好了，我得到了 Diana 的許可！沒錯，我們正在大量招聘工程人才、產品人才、3D人才和生成式模型人才。如果你覺得自己無所畏懼，并且熱衷于解決空間智能問題，歡迎和我聊聊或者訪問我們的網站。

Diana Hu：很酷，接下來10分鐘是開放提問環節。

觀眾A ：教授，感謝您精彩的演講，我是您的超級粉絲。我的問題是，二十多年前，您從事視覺識別研究，我想開始攻讀博士學位，我應該研究什么才能像您一樣成為傳奇人物？

李飛飛：我想給你一個深思熟慮的答案，因為我也可以簡單地說，做任何讓你興奮的事情。首先，我認為 AI 研究已經發生了變化，因為如果你要攻讀博士學位，意味著你要進入學術界，而如今學術界已不再掌握大部分的 AI 資源。這和我那個時候大不相同，在學術界，芯片、計算資源和數據都非常有限，而且有些問題，工業界能夠解決得更快。

所以作為一名博士生，我建議你去尋找那些不會與工業界形成競爭的研究方向，工業界可以利用更好的計算資源、數據和團隊協作來更有效地解決問題。但在學術界，我們仍然可以發現一些真正根本性的問題，而這些問題的解決與你擁有多少芯片無關，你可以取得很大進展。

首先，對我來說，跨學科 AI 在學術界是一個非常令人興奮的領域，尤其是在科學發現方面，有很多學科都可以與 AI 交叉，我認為這是一個大有可為的領域。

從理論層面來看，我發現 AI 的能力已經遠遠超越了理論，這令人著迷。我們沒有可解釋性，我們也不知道如何找出因果關系，模型中有太多我們不理解的地方，值得去深入研究。另外，在計算機視覺領域，仍然存在一些表征問題有待解決。此外，小數據也是另一個非常有趣的領域。這些都是可行的研究方向。

觀眾B ：感謝李教授，再次祝賀您獲得耶魯大學的榮譽博士學位，一個月前我很榮幸見證了那個時刻。我的問題是，在您看來，AGI 更有可能以單一統一模型的形式出現，還是以多智能體系統的形式出現？

李飛飛：你提出這個問題的方式實際上包含了兩種定義。其中一種是定義更偏理論性，也就是將 AGI 定義為通過某種智商測試來判定 AGI 。問題的另一部分則更偏實用主義，如果是基于智能體的，它是否具有功能性？它能完成哪些任務？

說實話，我對 AGI 的定義感到很困惑。原因如下：1956年在達特茅斯相聚的 AI 先驅們，比如約翰·麥卡錫和馬文·明斯基，他們想要解決機器思考的問題，而艾倫·圖靈在幾年前，比他們早10年左右也提出過類似的問題，當時提出的這個問題并非狹義的 AI ，而是關于智能的一個更廣泛的概念。所以我不太清楚如何區分 AI 和 AGI 這兩個詞的含義，對我來說，它們是一回事。但我明白，如今這個行業喜歡稱AGI，好像它超越了AI，我對此很困惑，因為我不清楚 AGI 和 AI 有什么不同。如果說如今類似 AGI 的系統比起八十年代、九十年代那些狹義 AI 系統表現更好，我認為這沒錯，這只是這個領域的發展進程。

但從根本上說，我認為 AI 的科學就是智能的科學，就是能創造出能像人類一樣，甚至比人類更智能地思考和做事的機器，所以我不知道如何定義AGI，在沒有定義它的情況下，我也不知道它是否是單一的。如果你把大腦看作一個整體，你可以說它是單一的，但它確實有不同的功能，甚至還有負責語言的布洛卡區、視覺皮層和運動皮層，我確實不知道該如何回答這個問題。

觀眾C ：嗨教授，我只想說聲謝謝。看到一位女性在這個領域發揮主導作用，這真的很鼓舞人心。作為一名研究員、教育者和企業家，我想問，您認為在 AI 迅速崛起的當下，什么樣的人適合攻讀研究生學位？

李飛飛：這是個很棒的問題，甚至連家長們都會問我這個問題。我真的覺得研究生階段的四五年是你充滿強烈好奇心的時期，你被好奇心驅使，這種好奇心如此強烈，以至于沒有比這里更好的地方能讓你去探索了。這和創業不同，因為創業你必須稍微謹慎一些，創業不能僅僅由好奇心驅動，你的投資者會對你不滿的。

創業公司擁有更明確的商業目標，其中一部分是好奇心，但又不完全是。而對于研究生階段來說，解決問題或提出恰當問題的好奇心非常重要，我認為那些帶著強烈好奇心入學的人會真正享受這四五年，即使外面的世界飛速發展，你依然會很開心，因為你在跟隨自己的好奇心前行。

觀眾D ：感謝您抽出時間來和我們分享。您提到開放源代碼是 ImageNet 發展的重要因素。如今隨著LLM的發布和發展，我們看到不同組織在開源方面采取了不同的方式，有些組織完全閉源，有些組織完全公開其整個研究代碼庫，有些則處于兩者之間，比如開源模型權重或采用有一定限制的許可證等。所以我想問，您如何看待這些不同的開源方式，您認為 AI 公司進行開源的正確方式是什么？

李飛飛：我認為當存在不同的方式時，整個生態系統才是健康的。我并不偏執地認為必須開源或者必須閉源，這取決于公司的商業戰略。例如，很明顯為什么Facebook 或是 Meta 想開源，他們目前的商業模式還不是售賣模型，他們是用它來發展生態系統，從而促使人們使用他們的平臺，所以開源很有意義。

而另一家靠這個盈利的公司，甚至在盈利方面，你可以考慮設置開源版本和閉源版本，所以我對此都持開放態度。從更宏觀的層面來說，我認為開源應該得到保護，我覺得無論是公共部門，比如學術界還是私營部門的開源努力都非常重要，這對創業生態系統很重要，對公共部門也很重要，我認為應該在技術上給予保護，而不應該受到懲罰。

觀眾E ：我想問個關于數據的問題，您詳細地闡述了機器學習向以數據驅動方法的轉變，就像 ImageNet 那樣。現在您在研究世界模型，您提到互聯網上沒有這種空間數據，它只存在于我們的大腦中，您是如何解決這個問題的？您押注在哪方面？是從現實世界收集這些數據，還是在生成合成數據？您是否相信合成數據，還是相信傳統的先驗知識？李飛飛：你應該加入 World Labs，我會告訴你的 。作為一家公司，我不能透露太多，但我認為重要的是承認我們正在采取一種混合方法。擁有大量數據固然重要，但擁有大量高質量的數據也同樣重要。歸根結底，如果你不注意數據質量，那還是會"輸入垃圾，輸出垃圾"。

觀眾F ：在您的書《我眼中的世界》里，您談到了作為一名移民女性在理工科領域所面臨的挑戰。我很好奇，您是否有過在工作場所感覺自己是少數群體的時刻，如果有的話，您是如何克服這種情況或說服他人的？

李飛飛：感謝你的問題。我想非常謹慎和周到地回答你的問題，因為我們都來自不同的背景，每個人的感受都很獨特。你知道，其實大的類別是什么幾乎都不重要。我們每個人都有感覺自己是少數群體或者是房間里唯一異類的時刻，當然我也有過這樣的感受。有時候是因為我自身的身份，有時候是因為我的想法，有時候是因為襯衫顏色之類的。

但在這里我想鼓舞大家，可能是因為我從小就來到了這個國家，我已經接受了現實，我就是一個移民女性，我幾乎培養出了一種不過分在意這一點的能力，我和你們每個人一樣，來到這里就是為了學習、做事、創造。

真的，你們所有人，即將開啟或者正在開啟某件事的過程中，你們會有脆弱或奇怪的時刻，我每天都在感受這點，尤其是在創業的時候。有時候我就想，天哪我不知道自己在做什么。專注去做就好，用梯度下降法讓自己找到最優解。

Diana Hu：謝謝飛飛，這是個很棒的結尾。