李飛飛最新訪談：人也不全靠現實數據學習啊

李飛飛近日再度接受知名創投機構 a16z 的專訪，相隔近兩年後，這位在電腦視覺與人工智慧領域深具影響力的學者，暢談她對空間智能的最新思考，以及其創辦的 World Labs 在機器人領域的完整布局。她明確指出，將空間智能打造為 AI 的下一個前沿，是當前最重要的目標，而機器人正是這項技術落地的第一塊試金石。李飛飛解釋，在物理空間中行動的能力，仍然是未來 AI 世界裡最令人興奮、也最具深遠意義的能力之一。機器人不僅是空間智能的具體應用場景，更是世界建模的重要實踐場域。然而，要讓機器人真正在現實環境中可靠工作，首先必須克服一個根本性的挑戰：訓練數據與評估數據的極度匱乏。

這個問題長期困擾著機器人學界與產業，也是許多演算法在實驗室表現優異，卻難以在真實世界部署的主因。為了解決這個數據瓶頸，李飛飛團隊推出了 SceniX 平台。她說明，SceniX 所處理的正是機器人領域最困難的問題——無論是訓練用的資料，還是用來驗證成效的評估資料，都非常不足。傳統上，機器人學習需要大量真實世界的互動數據，但收集這些數據的成本高昂、耗時漫長，且難以涵蓋所有可能情境。這使得機器人學習的 scaling law（縮放定律）遲遲無法像語言模型那樣順利發揮作用。李飛飛強調，要讓機器人真正具備實用價值，必須釋放 scaling law 的力量。

這意味著要讓機器人模型能夠在大量、多樣、且可控的環境中進行訓練與測試。而仿真環境正好提供了這樣的解決方案。她指出，與真實世界數據相比，仿真環境具備完全的可控性與可解析性，在可靠性和效率兩方面都能提供獨特價值。真實世界數據雖然「真實」，但充滿雜訊、難以標註、也無法重複精確控制；仿真環境則可以讓研究者自由設計場景、調整參數、大量生成數據，並且每次都能重現相同的條件進行評估。這番觀點呼應了近年來機器人學界的一個重要趨勢：許多頂尖實驗室與企業開始大量使用模擬器來訓練機器人模型，再透過遷移學習或領域隨機化等技術，將模型部署到真實機器人上。

李飛飛認為，這種策略不僅能有效解決數據匱乏的問題，還能加速模型迭代的週期。她特別提到，具體選用哪一種模型架構其實並不重要，因為模型總會隨著技術演進而換代，但基礎設施——例如高品質的仿真環境、標準化的數據生成工具、以及穩定的評估流程——才是真正能長期支撐研發的關鍵。在訪談中，李飛飛也進一步描繪了 World Labs 的願景。她認為空間智能不僅僅是讓機器人能「看見」或「感知」環境，更重要的是讓它們能「理解」並「在空間中行動」。這需要將視覺、語言、推理與動作控制緊密整合。World Labs 正致力於打造這樣一套完整的技術棧，從底層的感知模型到高層的決策規劃，再到與物理世界的互動介面。

值得注意的是，李飛飛對於「人也不全靠現實數據學習」的觀點，也為她對仿真環境的推崇提供了另一個角度的佐證。人類在成長過程中，並非所有的知識與技能都來自真實世界的直接體驗；我們透過閱讀、想像、遊戲、模擬情境來學習，這些過程本質上就是一種「虛擬」的訓練。機器人同樣可以透過高品質的模擬環境來獲得大量經驗，而不必事事依賴昂貴且難以取得的真實數據。整體而言，李飛飛此次訪談傳遞的核心訊息是：空間智能將是 AI 發展的下一個重要突破口，而機器人正是這個突破口最直接的應用。要讓機器人從實驗室走向真實世界，除了演算法創新之外，更需要建立一套完善的數據基礎設施，其中仿真環境扮演著不可或缺的角色。

她認為，隨著這套基礎設施逐漸成熟，機器人學習的 scaling law 終將被釋放，進而推動整個產業邁向新的里程碑。