美國華人科學家、斯坦福大學計算機科學教授李飛飛，因其對人工智能領(lǐng)域的卓越貢獻，被譽為“AI教母”。近日，由她擔任聯(lián)合創(chuàng)始人兼CEO的World Labs公司，正式發(fā)布了一款名為RTFM（Real-Time frame Model，實時幀模型）的全新實時生成式世界模型，再次引發(fā)科技界廣泛關(guān)注。
RTFM基于大規(guī)模視頻數(shù)據(jù)進行端到端訓練，是一款自回歸擴散Transformer模型。其最大亮點在于無需依賴顯式3D表征，僅通過輸入一張或多張2D圖像，即可生成不同視角下的全新2D圖像。業(yè)內(nèi)人士稱其為“學會渲染的AI”，因其能夠精準建模3D幾何、反射、陰影等復(fù)雜物理現(xiàn)象，甚至可以利用稀疏照片重建真實場景。
據(jù)介紹，該模型具備高效性、可擴展性和持久性三大核心優(yōu)勢。在硬件配置上，僅需一塊英偉達H100 GPU芯片，即可實現(xiàn)實時渲染持久且3D一致的場景，無論是真實空間還是虛擬想象場景，均能提供交互式體驗。李飛飛團隊在技術(shù)文章中指出，隨著算力成本持續(xù)下降，生成式世界模型將從中受益，并逐步占據(jù)主導(dǎo)地位。
前谷歌高級工程師Rui Diao對RTFM給予高度評價，認為其解決了長期困擾世界模型可擴展性的問題。他指出，傳統(tǒng)視頻架構(gòu)在生成交互視頻流時面臨巨大挑戰(zhàn)，例如生成60幀的4K視頻每秒需處理超過10萬個token，而維持一小時以上的持續(xù)交互，上下文token將突破1億大關(guān)。基于當前計算基礎(chǔ)設(shè)施，這種方案既不可行也不經(jīng)濟。
空間智能的概念最早由美國心理學家霍華德·加德納提出，指人類或機器在三維空間中的感知、理解和交互能力。對于人類而言，它包括以三維方式思考、重現(xiàn)和修飾影像的能力；對于機器而言，則是指其在三維空間中處理視覺數(shù)據(jù)、精準預(yù)測并采取行動的能力。李飛飛曾表示，視覺能力引發(fā)了寒武紀大爆發(fā)，而“我們想要的不僅僅是能看會說的AI，我們想要的是能做的AI”。
隨著生成式AI技術(shù)的興起，“空間智能+世界模型”成為實現(xiàn)通用人工智能（AGI）的重要路徑之一。強大的世界模型能夠?qū)崟r重建、生成并模擬具有持久性、可交互且物理精確的世界，這將徹底改變軟件、機器人等多個領(lǐng)域。李飛飛認為，空間智能與世界模型是解決AI技術(shù)難題的關(guān)鍵。
今年3月，李飛飛聯(lián)合Ben Mildenhall、Justin Johnson、Christoph Lassner三位學者創(chuàng)立World Labs，致力于研發(fā)高效、可擴展的生成式世界模型。RTFM的通用端到端架構(gòu)能夠隨數(shù)據(jù)與算力增長不斷優(yōu)化，而“帶位姿幀空間記憶”與“上下文調(diào)度”技術(shù)則確保了場景的持久性，即使長時間交互也能保持一致性。
在融資方面，World Labs于今年9月宣布獲得2.3億美元（約合人民幣16億元）投資，由a16z、NEA恩頤投資和Radical Ventures領(lǐng)投，AMD、Adobe、Databricks的風投部門以及Shinrai Investments LLC參與，英偉達創(chuàng)投部門也加入其中。公司目前擁有約24名員工，其中華人約占三分之一，成立僅三個月估值便達到10億美元（約合70億元）。
投資人透露，World Labs的未來規(guī)劃分為三個階段：第一階段構(gòu)建對三維、物理以及空間和時間概念有深入理解的空間智能大模型LWM；第二階段支持增強現(xiàn)實（AR）應(yīng)用；第三階段將模型應(yīng)用于機器人技術(shù)，改進自動駕駛汽車、自動化工廠和人形機器人等領(lǐng)域。李飛飛表示，團隊最早將于2025年推出產(chǎn)品，并承認在盈利模式等方面仍需突破。
除了World Labs，李飛飛還在推動Behavior視覺挑戰(zhàn)比賽的發(fā)展。該比賽旨在解決機器人學習中的三大痛點：任務(wù)缺乏標準化、任務(wù)體系不統(tǒng)一以及訓練數(shù)據(jù)不足。今年10月，她正式發(fā)布了Behavior 1K挑戰(zhàn)，這是一個包含1000個任務(wù)的綜合仿真基準與訓練環(huán)境，聚焦于日常家庭環(huán)境中的“長時序任務(wù)”。Behavior為全球研究者提供了開放源碼的訓練與評測平臺，促進不同機構(gòu)在相同標準下進行比較和評估。
李飛飛近期表示，人類正處在一個文明性的轉(zhuǎn)折時刻，語言、空間、視覺、具身智能等多種AI技術(shù)正在融合，并開始真正改變?nèi)祟惿鐣Ｋ龔娬{(diào)，只要始終將“以人為本”放在心中，這些技術(shù)就能成為造福人類的力量。
