AGI最新判断。 作者 | 闻乐 不圆 来源 | 量子位 （ID：QbitAI） 在我看来，没有空间智能，通用人工智能就不完整。 这是"AI教母"李飞飞在最新访谈中对AGI的判断——是的，李飞飞也开始谈论AGI了。 不过她有自己的表述，从进入人工智能领域开始，她就确定了她终身奋斗的梦想： 让智能体能够讲述世界的故事 。 而这，离不开 空间智能 。 正如她本人所说： 我整个职业生涯都在追逐那些极其困难、近乎疯狂的问题。 李飞飞如今聚焦于空间智能领域——这个人工智能最艰难的领域之一。 她认为 3D世界建模 对于实现AGI至关重要，并表示： 理解三维世界、生成三维世界、推理三维世界、在三维世界中做事，是人工智能的基本问题。 她的目标是创建一个超越平面像素、跨越语言障碍、能够真正捕捉三维世界结构和空间智能的 世界模型 。 在这次对话中，她从ImageNet的起源和影响说起，讲述了AI范式转变与关键突破，并提到了3D建模面临的挑战以及空间智能的数据 缺失问题。 量子位翻译并总结了全文，让我们一起来学习李飞飞的最新认知和分享。 ImageNet为现代计算机视觉搭建数据骨架 Q：你最早创建的项目之一是2009年的Image ...

编辑 | 褚杏娟 你说得对，我们大约在 18 年前就开始构想 ImageNet 这个项目。时间过得真快！那时我还是普林斯 顿大学一年级的助理教授。那时的人工智能和机器学习领域与现在完全不同，数据非常稀缺，在计算 机视觉领域，算法几乎是行不通的。那时也没有相关产业发展，公众根本不知道"人工智能"这个概 念。 但我们当时的那群人，从 AI 的奠基人 John McCarthy，到后来像 Geoffrey Hinton 这样的研究者， 都怀着一个共同的 AI 梦想：我们真的想让机器学会思考和工作。而对我个人而言，我的梦想是让机 器能够"看见"，因为视觉是智能的重要基石。视觉智能不仅仅是感知，它更在于理解世界并在世界中 采取行动。 主持人 ：后来很久才出现了一些有前景的算法。直到 2012 年，AlexNet 出现了。那才是实现 AI 的 第二个关键因素：投入足够的计算资源。当你看到你播下的数据种子开始发挥作用，开始取得更多科 研突破时，那一刻是什么感觉？ 李飞飞 ：没错，2009 年我们在 CVPR 会议上发表了一篇很简短的论文。2009 年至 2012 年这三年 里，我们坚信数据将驱动人工智能的发展，但当时几乎看 ...

来源丨Web3天空之城（ Web3SkyCity ） 著名AI科学家李飞飞 这一次在YC创业学院峰会的最新访谈深入探讨了她的职业生涯与前瞻思考。她 分享了创办ImageNet，这一引爆深度学习革命的关键项目的幕后故事，并阐述了计算机视觉从物体 识别到场景叙事，再到她当前所专注的"空间智能"的演进路径。 李飞飞认为，理解和交互于三维世界是实现通用人工智能不可或缺的一环，并为此创立了World Labs。访谈还触及了她的个人经历，从移民少年到创办洗衣店，再到成为顶尖学者和企业家的历程， 强调了"智识上的无畏"是推动创新和个人成长的核心动力。 核心观点 ImageNet的诞生与深度学习的黎明 李飞飞 : 我整个职业生涯都在追逐那些极其困难，近乎妄想的问题。对我来说，没有空间智能的AGI 是不完整的。我想解决这个问题。我就是喜欢当企业家。忘记你过去所做的一切。忘记别人对你的看 法。埋头苦干，努力建设。那是我的舒适区。 主持人 : 所以，我非常兴奋能邀请到李飞飞博士。她在人工智能领域有着非常长的职业生涯。 我相信你们很多人都认识她，对吧？请举手。我也认识。她被称为人工智能教母。飞飞你创建的第一 个项目之一是2009年的 ...

闻乐 不圆 发自 凹非寺 量子位 | 公众号 QbitAI 我整个职业生涯都在追逐那些极其困难、近乎疯狂的问题。 李飞飞如今聚焦于空间智能领域——这个人工智能最艰难的领域之一。 她认为 3D世界建模 对于实现AGI至关重要，并表示： 理解三维世界、生成三维世界、推理三维世界、在三维世界中做事，是人工智能的基本问题。 她的目标是创建一个超越平面像素、跨越语言障碍、能够真正捕捉三维世界结构和空间智能的 世界模型 。 在我看来，没有空间智能，通用人工智能就不完整。 这是"AI教母"李飞飞在最新访谈中对AGI的判断——是的，李飞飞也开始谈论AGI了。 不过她有自己的表述，从进入人工智能领域开始，她就确定了她终身奋斗的梦想： 让智能体能 够讲 述世界的故事 。 而这，离不开 空间智能 。 正如她本人所说： 在这次对话中，她从ImageNet的起源和影响说起，讲述了AI范式转变与关键突破，并提到了3D建模面临的挑战以及空间智能的数据缺失问 题。 量子位翻译并总结了全文，让我们一起来学习李飞飞的最新认知和分享。 ImageNet为现代计算机视觉搭建数据骨架 Q： 你最早创建的项目之一是2009年的ImageNet，距今已有 ...

具身智能发展现状 - 具身智能成为AI领域热点方向，人形机器人作为载体受到重点关注 [1] - 2025年可能成为具身智能"元年"，行业竞争集中在多模态和具身智能领域 [3] - 英伟达提出AI发展四阶段论：感知AI→生成式AI→自主智能体AI→物理AI [3] - 具身智能发展仍处于早期爬坡阶段，离通用机器人还有较大距离 [31][32][33] 技术演进路径 - 大模型带动具身智能研究从精密控制向智能化、通用化方向迈进 [4] - 计算机视觉研究人员转向具身智能领域，因大模型提升了对物理世界的理解能力 [5] - 自动驾驶技术积累为具身智能提供重要基础，两者在感知、规划、控制模块高度相似 [15][16] - 具身智能系统需要具备世界模型和自我模型两大核心内部模型 [21][22] 商业化落地挑战 - 硬件成本和开发门槛居高不下是制约普及的关键因素 [10] - 垂直场景优先落地，工业、检修、家庭陪护是最具潜力的三大应用方向 [41][42][44] - 实验室精度与工业需求存在两个数量级差距，需持续提升系统精度 [40] - 早期商业化需配套大客户提供真实反馈和场景打磨 [39] 关键技术瓶颈 - 数据瓶颈是最大痛点，真实数据采集速度跟不上模型训练需求 [47][48] - 计算资源限制和模型架构挑战制约系统性能提升 [46] - 仿真环境难以完全还原真实世界物理特性，影响数据质量 [52] - 需突破自监督探索、生成式合成数据、少样本学习等数据解决方案 [53] 未来发展趋势 - 从性能优化转向适应性设计，强化环境适应能力 [55] - 从确定性控制转向概率性思维，应对现实世界不确定性 [55] - 从工具属性转向伙伴属性，实现更自然的交互协作 [55] - 模仿学习与强化学习融合、多智能体协作将成为重要突破方向 [59][60]

在为期六周的会议中，与会者进行了深入的讨论、辩论与合作，奠定了人工智能作为一个正式学科的基础。他们 尝试定义人工智能的概念、明确其研究目标，并规划可能的研究方向。会议成员探讨了一系列深刻问题，包括问 题求解、机器学习和符号推理等。 这次关键性的会议不仅开启了之后数十年人工智能研究与创新的大门，也凝聚了一个充满信念的学术群体——他 们相信机器有能力复制人类的认知能力。达特茅斯会议的深远影响在于，它确立了人工智能作为一门学科和实践 领域的地位，推动人类迈向一个智能机器与人类协作的未来。 #2 感知机（1957年） 2025年，人工智能已经不再只是前沿科技圈的热词，而是真真正正地走进了我们的日常：生成图像、写代码、自 动驾驶、医疗诊断……几乎每个行业都在讨论 AI，拥抱 AI。 但今天的大模型奇点不是一夜之间到来的，它背后是一条充满突破、争议、冷寂与复兴交织的进化之路。从1956 年达特茅斯会议开始，到如今数千亿参数模型引发的全球技术竞赛，AI的发展史是一部关于人类如何模拟、拓 展，乃至重新定义智能的故事。 本文将带你一起回顾这条历程中的10个关键的历史性时刻，帮你理清人工智能是如何一步步从纸上设想，走向今 天这场 ...

AI发展阶段划分 - 当前处于AI发展的中场阶段 上半场以模型创新和基准测试为核心 下半场将从"解决问题"转向"定义问题"[2][3] - 上半场的标志性成果包括DeepBlue AlphaGo GPT-4等 这些突破基于搜索 深度强化学习 模型规模化和推理等根本性创新[2] - 下半场的关键转变在于评估比训练更重要 需要重新思考如何定义问题和衡量进展 思维方式需向产品经理靠拢[3] AI上半场特征 - 上半场的赢家主要是训练方法和模型创新 如Transformer AlexNet GPT-3等 而非基准测试本身[4] - 方法比任务更具通用性 例如Transformer架构推动了计算机视觉 自然语言处理 强化学习等多个领域发展[7] - 上半场游戏规则是开发新方法提升基准测试 再创建更难的基准测试继续循环 这种方法持续几十年并催生重大突破[8] 强化学习突破 - 强化学习取得重大进展的关键在于获得泛化能力 通过语言预训练与强化学习融合形成通用解决方案[3][9] - 强化学习三要素中 先验知识的重要性超过算法和环境 语言预训练提供了关键的先验知识[14][15] - 将推理作为特殊"行动"加入强化学习环境 使模型能利用语言预训练的先验进行泛化[20] AI下半场趋势 - 下半场需要从根本上重新思考评估框架 创造新的评估方式以突破现有解决方案的限制[23][26] - 当前评估框架与现实世界存在差异 例如评估应自动进行和i.i.d.假设等问题需要被质疑和突破[27][29] - 下半场的重点是将智能转化为有用产品 可能创造价值数十亿或数万亿美元的公司[29][32] 技术突破路径 - 有效解决方案的关键成分包括：大规模语言预训练 规模化（数据和算力） 以及推理与行动的概念[9] - OpenAI早期尝试将数字世界变为强化学习环境 但未能解决跨领域迁移问题 直到GPT系列引入语言预训练先验[14][15] - 强化学习算法重要性下降 正确的先验知识和合适的环境配置成为关键突破点[21]

如果您希望可以时常见面，欢迎标星收藏哦~ 来源：内容来自计算机历史博物馆（CHM），谢谢。 计算机历史博物馆（CHM）与Google合作，发布了AlexNet 的源代码。AlexNet 是一个神经网 络，于 2012 年开启了当今流行的 AI 方法。该源代码可在CHM 的 GitHub 页面上以开源形式获 取。 什么是 AlexNet？ AlexNet 是 一 个 人 工 神 经 网 络 ， 用 于 识 别 照 片 内 容 。 它 由 当 时 的 多 伦 多 大 学 研 究 生 Alex Krizhevsky 和 Ilya Sutskever 以及他们的导师 Geoffrey Hinton 于 2012 年开发。 深度学习的起源 杰弗里·辛顿被认为是"深度学习"之父之一。深度学习是一种使用神经网络的人工智能，也是当今 主流人工智能的基础。上世纪 50 年代末，康奈尔大学研究员弗兰克·罗森布拉特首次构建了简单 的三层神经网络，其中只有一层自适应权重，但人们发现这种网络存在局限性。人们需要具有多层 自适应权重的网络，但没有很好的方法来训练它们。到 20 世纪 70 年代初，神经网络已被人工智 能研究人员普遍拒绝。 ...

杰弗里·辛顿（Geoffrey Hinton）[上图] 和他的研究生亚历克斯·克里热夫斯基（Alex Krizhevsky）和伊利亚·苏茨克弗（Ilya Sutskever）于 2012 年发布了具有开创性的 AlexNet，一 种用于图像识别的神经网络。 计算机历史博物馆与Google合作，发布了AlexNet 的源代码。AlexNet 是一个神经网络，于 2012 年开启了当今流行的 AI 方法。该源代码可在CHM 的 GitHub 页面上以开源形式获取。 什么是 AlexNet？ AlexNet 是一个人工神经网络，用于识别照片内容。它由当时的多伦多大学研究生Alex Krizhevsky和Ilya Sutskever以及他们的导师Geoffrey Hinton于 2012 年开发。 深度学习的起源 如果您希望可以时常见面，欢迎标星收藏哦~ 来源：内容来 自spectrum，谢谢 。 AlexNet 于 2012 年首次发布，引发了人工智能和计算机视觉领域的一场革命。 辛顿被认为是深度学习 之父之一，深度学习是一种使用神经网络的人工智能，也是当今主流人工 智能的基础。20 世纪 50 年代末，康奈尔大学 ...

以下文章来源于衣公子的剑 ，作者衣公子 衣公子的剑 . 以文会友，做爱读的商业科普。前在国际知名咨询公司，后在国内头部金融机构，现在做战略咨询&精 品投行。 本文来自微信公众号： 衣公子的剑 ，作者：衣公子，题图来自：视觉中国 一、悔创英伟达 身处硅谷的英伟达，一直奉行不输中国同行的996。黄仁勋很少解雇员工 （和马斯克比） ，但是对员工的 言语辱骂、公开羞辱，是出名的恶毒。在英伟达，项目失败，就有"公开处决"。上百高管靠墙站，负责人站 出来，解释每个出错的环节，接受黄仁勋严厉刻薄的分析。一连几小时，所有人不许走。气氛浓烈，黄仁 勋放声怒吼，"你工资领了多少？"、"全部退回来！" 员工评价，和黄仁勋相处，就像"把手放进插座"。 对内如此，对外就更狠了。 英伟达擅长挖角，大量投奔而来的工程师，"带来"创意。S3、硅图、3dfx、Matrox纷纷提起诉讼，指控英伟 达诱导员工违反保密协议，侵犯专利。后来，三家接受和解，而英伟达最大的竞争对手3dfx拒绝和解，要诉 讼到底。关键时刻，3dfx的财报亏损，电话会透露本季亏损1亿美元。 仅仅一个小时后，英伟达宣布对3dfx反诉，指控3dfx侵犯多项英伟达专利。 英伟达这 ...