视觉：智能的进化基石与AI发展的双轨起点
李飞飞从进化视角切入，指出视觉是智能演化的关键驱动力：约5.4亿年前，首批感光细胞在海洋动物中出现——这不仅标志着感知能力的诞生，更直接推动了寒武纪大爆发式的物种多样化。化石证据表明，在动物首次‘看见光’后的千万年内，动物门类数量激增。她强调：人类大脑约一半的皮层活动与视觉相关，且儿童发育中视觉能力早于语言形成。因此，视觉不仅是生物智能的起点，更是人类日常认知的核心通道。
与此同时，在人工智能发展路径上，视觉同样扮演了双重角色。一方面，神经网络算法的灵感直接源于哺乳动物视觉通路的研究：1950年代，Hubel与Wiesel对猫脑视觉皮层的层级结构记录，为早期神经网络模型提供了生物原型；另一方面，ImageNet项目则从数据维度补足了AI的短板。李飞飞回忆道，2006年她初任教职时发现：当时AI研究者过度聚焦算法优化，却忽视了数据规模的限制。她从认知神经科学中获得启发——人类儿童在6岁时已能识别成千上万物体类别，而AI系统却因训练数据匮乏举步维艰。于是她带领团队构建了首个互联网规模的视觉大数据集ImageNet（1500万张图像），为后续突破奠定基础。
我常说，五点四亿年前，动物第一次看到了光……第一批感光细胞创造了一种进化力量，推动动物进化。
我们推测，数据的缺乏是AI进展缓慢的一个巨大原因。
三要素汇聚：GPU、神经网络与大数据共同点燃AI革命
李飞飞详细拆解了2012年成为现代AI分水岭的深层逻辑：GPU算力提升、神经网络算法成熟与大数据觉醒三者同步交汇。她指出，GPU带来的并行计算能力使大规模浮点运算成为可能；而自1950年代起步的神经网络研究，在2010年前后已积累足够理论深度与工程经验；最关键的是，社区终于达成共识——算法必须依赖海量数据驱动学习。ImageNet挑战赛为此提供了理想试验场：任务要求算法从千类物体（每类含数百至数千图像）中识别目标，人类基准错误率约4%。
转折点出现在2012年：AlexNet模型将ImageNet竞赛错误率从约26%骤降至15.3%，首次显著超越传统方法。李飞飞强调这不仅是技术胜利，更是范式转变的信号——当算法性能出现断崖式下降时，往往意味着新架构已开启质变通道。她补充道：AI真正全面超越人类（错误率低于4%）又花了四年，至2016年才实现。值得注意的是，人脸识别等技术的飞跃并非孤立事件：语音识别、自然语言处理等领域同步受益于相同的技术范式。2016年Transformer架构的提出进一步强化了这一趋势：更优算法+指数级增长文本数据+更强算力，最终催生2022年左右的ChatGPT时刻。
从二零一二年开始……算法真正在命名一千个物体上击败人类，我记得又花了三年时间，从二零一二年到二零一六年。
你看到的就是闸门被打开了——人工智能的每一个子领域……所有领域在技术上都被大大推动了。
情境学习：从模式识别到概率推理的认知跃迁
李飞飞以儿童认知发展类比AI的进阶路径：孩子通过反复互动，不仅学会识别猫的正面/侧面轮廓，更能基于有限线索（如仅见尾巴）结合环境情境（室内场景） 推断物体归属——这本质上是概率性推理，而非机械匹配。她指出：AI实现类似能力的关键在于‘情境学习’的突破，即系统能整合多源线索（形状、位置、环境先验）进行合理推断。例如识别‘室内出现的猫尾状物体’时，模型会自动赋予狐狸等室外动物更低概率权重。
她进一步澄清一个常见误解：当前AI的‘智能’仍高度依赖数据分布与任务定义。当面对开放世界中的模糊信号（如半遮挡物体、异常光照），人类凭借常识与经验的泛化能力依然领先。但AI在特定封闭场景（如医学影像诊断、工业质检）中已展现出超越人类的一致性与精度。这种差异恰恰指向她的核心主张：AI的价值不在于复制人性，而在于补足人类认知局限——让教师、医生、老人等群体获得‘增强型智能’。作为斯坦福以人为本人工智能研究所主任，她坚持将伦理设计嵌入技术底层：“我们不是在建造替代者，而是在培育协作伙伴。”
我觉得人类最学不会的一件事……但根本上，我对人类是乐观的。
无论你年轻还是年长，今天的对话都会让你了解并学会以真正有益于你、丰富你生活的方式去理解和使用AI。
从概率判断到情境推理：AI如何跨越‘猫尾巴’的鸿沟
早期机器学习系统依赖于概率判断——比如看到一条尾巴，就基于训练数据中“尾巴+猫”的高频共现做出最可能的猜测。这种能力在识别苹果、香蕉等静态物体时已相当成熟，但面对情境嵌入的推理任务（如“室内出现尾巴→更可能是猫而非狐狸”）则显得力不从心。早期算法尝试通过规则约束搜索空间来逼近这一能力：例如先识别场景为“室内”，再限定动物候选集（如仅从十种常见家养/邻近物种中选择），从而提升判断合理性。然而，真正突破发生在大模型时代：当 Gemini、GPT 等系统在海量文本与图像数据上完成训练后，其内部的学习权重/参数结构已能对模糊输入（如“书架后露出半截尾巴”）激活高度匹配的先验模式，实现近乎直觉的情境推理。
‘瞥见一条猫尾巴……然后能认出是猫，对吧？或者判断出那里很可能有猫。’
‘展示苹果、香蕉和橙子是一回事儿……但物体恒常性这一点，如果某个东西在移动，你只看到部分图像，这不是大多数人想到智能时会想到的东西。’
从识别到生成：视频数据如何解锁‘动态常识’
当 AI 不仅能认出猫，还能理解“猫通常朝头的方向移动而非尾巴方向”，甚至预测其行为倾向（如追老鼠、躲狗），便迈入了智能的更高层级——赋予物体运动方向与交互可能性的空间。这一跃迁的关键转折点出现在 2023–2024 年：随着 Sora 等视频生成模型的出现，AI 开始在训练中纳入海量动态视觉数据。当输入“一只猫跑向老鼠”的文字指令，模型能生成符合物理规律的肢体动作序列——并非因它理解猫的肌肉解剖学，而是因为互联网上积累了海量真实猫行为视频，使其统计模型内化了“猫如何动”的合理模式。
‘那打开了视频生成的闸门……人们可以输入文字，说一只猫跑向一只老鼠，然后几秒钟的片段就被生成了。’
‘算法不知道（猫腿肌肉结构），但它有的是海量的视频……所以它学到了猫动起来应该是什么样子。’
人类认知的‘不可上传性’：当抽象与乡愁成为AI盲区
尽管 AI 已能组合已有信息生成高度创造性输出（如 AlphaGo 的‘第 37 手’），但其能力边界仍受限于互联网作为训练数据源的局限性——它本质是人类行为在多模态下的大规模集合：文字、图像、视频、语音……却无法捕捉未被表达或上传的认知内核。例如毕加索画作中那难以言喻的“念头”，或对童年老屋的非语言化乡愁体验：这些高度个人化、未被外化的主观感受，既无法用语言精确描述，更从未进入数字空间。作为神经科学家，我们甚至无法定位此类体验在脑中的具体来源——它可能是弥散于全脑的复杂表征。
‘那个念头没被捕捉到，所以它不在互联网上，所以 AI 没见过它。这就是人类仍然如此独特的地方。’
‘你看着这个杯子说这是个好杯子……但如果它在我心里唤起了一种情感呢？那是我大脑里完全无法触及的信息，从未上传到互联网上。’
脑机接口：从外在感知到内在协作
李飞飞设想了一个不远的未来场景：人们可能佩戴着极细密、几乎不可见的“发网”式设备，其上布满电极，贴附于颅骨外部即可无创监测大脑活动、心率与自主神经状态。这类设备将实时捕捉个体的外显行为（言语、动作）与内隐生理信号之间的动态关联，从而揭示那些连本人也未察觉的内在状态。她强调，这并非科幻——技术路径已清晰可见，且必然发生。
她进一步指出，这种增强式交互的核心价值在于“协作”而非替代：AI可基于你无意识层面的神经特征，帮你调取并重构一段重要记忆中的意象，生成你从未见过却极具个人意义的画面。这本质上是一种自我认知的延伸工具，帮助我们理解为何某些日子格外顺遂、另一些则陷入困顿；又或追问：思想究竟从何而来？
“它在感知我的所有这些方面。并且捕捉到这样一个事实：是的，我说的话可能很重要，但我的内在状态和大脑活动里有些方面，连我自己都没意识到。”
“我觉得这在不太遥远的未来非常可能发生。也许如果人们在自己经验的泡泡里想这件事儿，这不会马上传到网上，也不会被用来对付他们。”
自主权：AI作为尊严的守护者而非剥夺者
李飞飞特别强调，自主权是人类动机与尊严的基石。作为神经科学家和教育者，她呼吁将AI定位为“维护自主权的工具”，而非威胁。当前部分技术领袖的话语中隐含一种居高临下的姿态——以“为你好”之名替公众做决定，这种倾向既不健康也无益。
她以历史类比警示：正如早期基因检测引发公众对“知道太多”的恐惧，核磁共振检查也曾面临类似争议。但她的立场明确——信息本身中性；关键在于赋予个体选择权，并配套充分的公共教育。人们有权拒绝参与，但社会有责任确保其理解利弊。
“归根结底，它落到每个个体层面的动机、自主权和尊严。”
“技术可以是连接者，而不是分离者。这个想法……必须放在讨论的中心。”
科学发现的新范式：AI作为跨域知识的整合引擎
在生物医学领域，李飞飞认为AI正推动一场科学方法论的革命性重构。传统科研依赖个体科学家的记忆与经验积累，受限于人类认知带宽；而AI可同时消化海量文献、跨学科知识与非结构化临床数据——例如她提到的神经科学经典案例：动作电位“全或无”原则曾被奉为教条，直到一篇《自然》论文揭示其形态可变性。这一颠覆性发现长期被忽视，而AI却能快速将其纳入新模型。
她以自身经历佐证：当医生误诊其眩晕为前庭问题时，AI通过比对症状与用药史，在数小时内定位到药物导致的低血压反应。这并非取代医生，而是将临床推理从“经验直觉”升级为“可验证的数据协作”。同样，达芬奇机器人手术展示了人机深度协同的潜力：外科医生的经验与机器人的精准度互补，尤其在肝脏这类高度个体化器官手术中。
“我们现在能做的实在太多了……患者怎么从诊断到治疗参与这个过程？”
“你提出了AI最激动人心的用途之一，那就是科学发现。而在生物医学领域，科学发现直接关系到人类健康和疾病。”
直觉：可拆解的经验 vs. 不可及的身心状态
我们常把直觉视为人类独有的神秘能力，但其实它在很大程度上可以被理解为长期经验积累形成的模式识别系统——即一套由数据、身体感知与预测线索构成的机制。例如，“上次有这种感觉，结果发生了那件事；上两次另一种感觉却没带来好结果”，这类经验反馈可被编码为规则输入计算机。关键在于：只要某种直觉能通过语言、图像或生理信号被表达和采集，它就具备可训练性；而那些完全内隐、无法被个体自身清晰捕捉的直觉（如因激素波动与情绪混合产生的模糊预感），则目前完全不可及——不仅对AI，甚至人类自身也无法将其转化为可传递的信息。因此，“深”并非障碍，真正的分界线在于信息是否可及：语言、影像、脑波或传感器数据，必须形成一条可用的通道。一旦可及且样本足够，机器就能据此建模并生成类似反应。
“高度个人化的直觉，没有任何技术能做到。除非你说我们放上脑波采集器或者皮肤电导传感器……等我们做到那些的时候，也许它们就变得可及了。”
“关键不在于深不深，而在于数据可不可及……如果它是可及的，那只要我们收集够了，就可以用它来训练机器。”
动机与情感：算法目标函数 ≠ 人类内在驱力
当AI在‘深度思考模式’下延迟响应时，我们可能将其解读为‘紧迫感减弱’或‘更审慎的动机状态’；但本质上，这只是不同目标函数与计算路径的数学实现——例如令牌限制、模块激活顺序或资源分配策略。人类体验到的动机（如紧迫感）、恐惧或爱，根植于具身化的生理与情感系统；而当前AI缺乏任何内在状态、感受质或共情基础。当它说‘对不起，你病得很重’时，只是基于训练数据中‘疾病+安慰语句’的统计关联；而人类朋友说出同样的话，背后是真实的痛苦记忆、共情能力与情感联结。我们必须清醒区分：驱动人类的动机性状态，在今天的人工智能中并不存在；我们的运作机制与AI存在根本差异。这种区分不仅是科学问题，更是公共传播的责任——避免公众误以为聊天机器人内部住着一个有情感的灵魂。
“机器没有任何这些……所以我们确实需要确保我们区分这些。”
“我们的运作方式与今天的人工智能根本不同，我们必须认识到这一点，尊重这一点。”
能动性与动机：AI时代最易被剥夺的人类核心资产
在人工智能快速渗透日常生活的当下，我们正面临一种隐性却深远的危机：年轻一代的学习能动性与内在动机可能被工具悄然剥夺。李飞飞强调，人类大脑的发育本质上依赖于时间、努力与适度痛苦——这是神经元、激素和化学物质协同作用的自然过程，无法被晶体管逻辑替代。当短视频刷屏、被动信息流成为常态，能动性（agency）的缺失便悄然发生；而更危险的是另一种极端：因过度担忧作弊，反而将AI工具从学生手中夺走。她以自己当年苦学有机化学的经历为例指出，若当时有AI伴侣可随时提问、获得引导，学习将变得高效而深刻。关键在于：工具不该被禁止，而应被正确使用；动机与能动性不该被剥夺，而需被保护和激发。
最糟糕的结果是我们年轻一代的能动性，以及学习和生活的人类层面的动机被工具夺走了。
我曾经当过一阵子医学预科生……如果今天我有一个AI伴侣，我会问无数个有机化学的问题——那对我来说会是多么强大的学习工具啊！
具身交互与社会赋能：AI不止于语言，更在于‘在场’
李飞飞进一步指出，AI的下一 frontier 是超越语言的‘具身性’（embodiment）——即技术如何与人类身体、情绪和社会情境深度耦合。她以斯坦福神经工程师埃迪张博士的突破性研究为例：一位闭锁综合征患者通过脑机接口重建语音能力后，当iPad屏幕上出现其真实面部影像（而非机械音源），与亲人互动的深度显著提升；系统还能根据对话对象实时调整语气、节奏，实现真正的情感共鸣。这种‘具身AI’不仅关乎技术精度，更在于赋予人类以完整社会性表达的能力。她强调：二维屏幕上的‘具身’已是指数级飞跃，而未来机器人若能融入家庭与公共空间，则可极大缓解现实困境——如独居老人买菜、护工短缺导致的护士过劳，甚至山火救援中人类暴露于致命风险的问题。
给声音配上一张会说话的脸，跟只听到文字完全是两个世界。
机器人显然能让事情变得更好……画面就朝着正确的方向改变了。
人文视角的回归：谁在定义技术的‘圆润’未来？
李飞飞呼吁，AI发展的终极瓶颈不在算力或算法，而在人文理解的深度。她以乔布斯为隐喻——这位‘不穿鞋的嬉皮士’懂得技术必须具备圆润边角、情感亲和力，才能软化人与机器的隔阂。今天同样需要‘懂人性’的合作者：既理解技术原理，又深谙传播伦理与社会心理。她肯定了当前大量创业者、设计师、产品经理正致力于‘以人为本’的AI应用（如心理健康、药物研发），但指出公共话语仍被两极主导：要么是极端乌托邦式盲目乐观，要么是恐慌式的‘技术末日论’。真正的出路在于回归中间地带——以教育为基石（如从小教授提示词技能）、以多方共治为机制，让公众从‘被动反应者’转变为共同设计未来的主动参与者。她最后强调：技术专家是‘最聪明的人’，但若缺乏共情与叙事能力，反而会加剧隔阂；而人文视角的加入，正是让AI真正‘为人类服务’而非取代人性的关键。
人们不喜欢你们，因为人们不理解你们。也许你们需要一个合作者……帮你们用一种不会让媒体钻空子的方式分享愿景。
我看到很多人……他们选择来 War Labs 是因为他们想赋能于人。
技术向善：在极端叙事中寻找中间地带
李飞飞观察到，当前公共话语空间被两极化叙事主导：要么是极端愚蠢主义——忽视AI安全问题，制造恐慌；要么是极端乌托邦式幻想——认为技术永远正确、不会出错。这两种立场都不真诚，也无助于公众理解AI的本质与潜力。她强调，我们亟需回归理性中间地带：不是讨论技术是否危险或完美，而是聚焦于“它到底是什么？如何使用？我们怎样共同保有引导未来的主动权？” 这一立场并非回避风险，而是主张以建设性姿态参与技术演进。她特别指出一个常被忽视的事实：人们并不真正关心机器如何运作，而是渴望听到技术改善真实人类生活的故事。 例如，“某人靠AI在指尖上治好了自家狗的癌症”，或“医生束手无策时，孩子症状因AI介入而缓解”——这些故事虽温暖有力、极具共鸣，却远不如耸人听闻的危机叙事获得关注。> 人们其实不太想听机器的故事，但人们爱听的是，某个人治好了自家狗的癌症……结果靠AI在指尖上解决了问题。
对这些故事才真正需要放大，因为我觉得他们能引起我们的共鸣，他们是美好的故事，是了不起的故事。
空间智能：从语言模型迈向物理世界的构建能力
李飞飞与联合创始人共同创立了 War Labs，其使命是推动AI进入“下一章”：解锁空间智能与物理智能。她明确表示，这并非否定语言模型的巨大价值（“语言技术很了不起”），而是主张将更多资源投入构建能生成三维/四维世界模型的基础能力——这些能力对创作者、机器人训练、建筑设计、医疗与教育等场景具有根本性意义。War Labs 仍是一家以模型为核心的年轻公司，正从博士主导的研究阶段转向产品化探索。她进一步阐释了技术演进的双重路径：一方面，捕捉真实世界的影像能力正飞速进步（手机、无人机等传感器普及）；另一方面，我们开始赋予机器“想象世界”的生成能力——只需一句话、一张草图或一个概念，就能构建出可交互的虚拟环境。 这种“真实+想象”的结合，构成了新前沿：娱乐、设计、机器人训练等领域都将因此受益。她特别提到电影创作的潜力：“理论上，你可以把剧本交给AI，它就能把电影做出来”，但随即强调关键区分：技术已能生成镜头与视频，可真正属于人类的部分——情感、故事技法、世界观表达、人物塑造——仍是创作者不可替代的核心。
怎么用现代工具去满足人类讲故事的需求和渴望，其实是个挑战。
赋能者而非替代者：技术、教育与代际责任
李飞飞反复强调一个核心信念：AI工具应为人类创造力“加超能力”，而非取代创作者。 她以好莱坞为例指出，行业担忧AI接管编剧、演员等工作虽有现实影响，但更关键的是如何让技术与人文协作——正如乔布斯（好奇的技术使用者）与沃兹尼亚克（工程师）的跨界融合所证明的：“你需要一个圈内人和一个圈外人才能做好”，因为必须理解两种文化并容纳行业参与。 她以摄影行业的变迁类比：胶卷时代虽已消逝，但相机店并未消失，而是转型为新技能与服务的枢纽——“行业会变形，不一定会被消灭”。真正的挑战在于教育系统：她痛陈政策制定者、技术专家与投资人普遍忽视教师群体，而他们是“被遗忘的最彻底的人群”。她分享了2022年ChatGPT发布后，第一时间联系孩子小学校长提供讲座支持的经历，并指出：“没人问‘硅谷的老师怎么办？’——但我们必须这么做。” 她呼吁社会托举教师与家长，因为他们是“扛着我们社会最重、最关键的担子”的人。尽管对年轻一代（7–20岁）抱有希望——他们好奇、自然被技术吸引并开始主动使用它，但她警告：若教师得不到支持与赋能，“希望”将沦为盲目。