李飞飞：空间智能如何突破机器人学习的数据瓶颈

一句话结论

这场访谈的核心不是“马上造出通用人形机器人”，而是先把真实环境变成空间、时间、视角和交互都尽量一致的数字世界，用 真实 → 仿真 → 真实 的数据与评估闭环，解决机器人数据昂贵、缓慢、危险、难覆盖的瓶颈。

视频与证据范围

• 来源：哔哩哔哩原视频（短链：b23.tv/LVavJ1r）
• 时长：约 35 分 46 秒；ASR 分为 8 个约 5 分钟分段。
• ASR：DashScope qwen3-asr-flash，语言设为中文；原始全文见 transcript.txt，带分段、时间和哈希的版本见 transcript.segments.jsonl。
• 这是中英双语/中文配音视频。ASR 可能把英文专名识别成 CICS、CX、Cine X、Scenicx 等不同写法；以下内容按语义理解，不把这些专名当作已核验事实。
• 关键帧是稀疏采样，视觉上主要是室内访谈，没有看到 Marble 界面、三维重建结果或机器人运行演示。因此产品能力和客户需求主要是口播证据，不是视觉演示证据。

主要内容

1. 空间智能的定义

空间智能不只是“看懂空间”，还包括在物理或虚拟空间中生成、理解、推理并采取行动。World Labs 的方向是构建大型世界模型，Marble 被描述为可以从图片、图片组或文字生成几何上一致的三维世界。

2. 为什么机器人最缺的是数据

语言模型可以利用互联网的大规模数据；机器人数据则必须在物理世界中采集，速度慢、成本高、有安全风险，而且很难系统覆盖光照、摩擦、物体几何、物体类型和各种动作后果。训练数据不足，评估数据同样不足。

3. 解决方案：真实—仿真—真实

先捕捉真实环境的外观、几何和动态特性，再映射到数字世界；在数字世界里批量生成数据、做反事实测试、训练和比较机器人策略；最后把策略迁移回真实硬件，并用真实部署和客户数据回流改进系统。

4. 一致性比“看起来像”更重要

访谈反复强调，机器人需要的是空间、时间、视角和互动的一致性，而不只是视频画面逼真。比如机器人推物体后，物体不能在预测中凭空消失；动作的结果必须有足够可靠的结构信号。

5. 仿真不是物理与学习的二选一

早期可以更强调物理建模，以获得正确的结构和一致性；随着真实数据和客户数据积累，再逐步增加学习驱动的环境建模。两者共同构成数据飞轮，而不是坚持纯物理或纯学习。

6. 平台定位与商业落地

团队强调自己不是制造一种机器人，而是提供让客户把不同机器人形态、不同模型放进去训练和评估的基础设施。部署顺序应从结构化环境（工厂）到半结构化环境（仓库、餐厅、酒店），再到家庭等非结构化环境。短期成功标准是少数垂直场景中的验证客户和“灯塔案例”，不是立即实现通用人形机器人。

7. 对进度的判断

嘉宾对机器人达到人类水平的能效和可靠性保持谨慎：系统需要硬件、软件、模型、末端执行器和环境共同迭代，仍需较长时间。访谈提倡“适度且理性的乐观”，既不否认进展，也不接受未经系统验证的激进时间表。

可复用的方法论

1. 先解决数据闭环，再追求模型规模。 当真实数据采集成为瓶颈，优先建设可控、可验证的环境和评估基础设施。
2. 把一致性当作世界模型的第一性约束。 至少检查空间、时间、视角和动作后果是否一致，而不是只看生成结果是否逼真。
3. 评估与训练同等重要。 如果无法快速区分 95% 和 99.2% 的检查点，就无法高效迭代机器人系统；仿真评估必须经过真实世界校准。
4. 用受控随机化覆盖状态空间。 把光照、摩擦、几何、物体类型和物理参数显式化，记录覆盖了什么，不把有限样本误当作鲁棒性证明。
5. 让基础设施解耦模型和硬件。 模型无关、形态无关的接口能减少单一机器人形态或单一模型带来的锁定。
6. 按环境难度分阶段部署。 先在边界清晰、能产生客户结果的垂直场景验证，再逐步进入更开放的环境。
7. 组织整合也要分阶段。 有协同不等于立即合并全部代码库、团队和产品；先验证客户、接口和共同工作流，再逐步整合。

值得记忆的句子

“我的目标是让机器人工作。”

“模拟所起到的作用其实就是反事实推理。”

“我们并不是在制造机器人，我们构建环境让其他公司放入机器人大脑来导航和学习。”

“我们不会急着把从代码库到团队的所有东西都整合到一起。”

这些句子分别对应四个判断：以真实任务为北极星、把仿真视为反事实实验器、做基础设施而非押注单一硬件、用渐进式整合控制组织和产品风险。

边界与待核验项

• ASR 是转写/翻译结果，不是经过人工校对的英文原文；专名、数字和人名需要回听原视频确认。
• 访谈没有给出可独立复核的客户名单、迁移成功率、评估加速倍数或商业合同，因此这些说法应标为访谈观点/待核验主张。
• 这是多位嘉宾的对话，不能把每个技术或战略判断都归因于李飞飞个人。
• 本报告用于内容理解与方法论整理，不构成投资建议，也不替代对 World Labs、相关团队或机器人公司的独立尽调。

归档文件

• manifest.json：来源、时长、ASR 参数、哈希和文件清单。
• transcript.txt：连续的 ASR 原始文本，优先用于全文检索、二次摘要和后续复用。
• transcript.segments.jsonl：8 个时间分段，每段保留原文、起始秒数和 SHA-256。
• transcript.md：保留 ASR 全文的阅读视图。
• semantic-analysis.md：视频语义分析与方法候选。
• visual-notes.md：关键帧视觉观察与证据边界。
• ai-practice-signals.json：机器可复用的 AI/机器人实践信号，已标注其为团队/平台层面的描述而非个人操作记录。