前沿在线

李飞飞时隔近两年再上 a16z 播客，信息量拉满。
这次聊的是 World Labs 收购 SceniX 之后，机器人赛道的全盘布局。有句话特别值得琢磨：人也不全靠现实数据学习啊。什么意思？人在行动前会在脑子里做大量模拟，推演那些没发生过、没法发生、或者没有足够真实数据的事件，然后从推演中学习怎么行动。足球比赛的战术推演、下棋时的算路，本质都是反事实推理。机器人也一样。你不可能为所有可能遇到的情况都采集到足够的真实数据，仿真承担的就是真实数据承担不了的角色。这也是 World Labs 收购 SceniX 的核心逻辑。先说背景，挺有意思的。SceniX 最初其实是 World Labs 的客户，去年冬天 Marble 生成模型发布后，SceniX 第一时间就注册用了。后来李飞飞发现是自己以前的博士后李昀烛的公司，一聊才发现两边能力高度互补。 SceniX 做的是 real-to-sim-to-real 管线，把真实环境映射到高度对齐的数字世界里。对齐的意思是，数字世界里发生的事，在真实环境里也应该能发生。这样原本必须在真实环境里做的数据采集和评估，就能部分由可规模化生成的数字数据替代。为什么要这么做？因为机器人领域最头疼的问题就是数据太少了。语言模型可以从互联网捞海量文本，但机器人不行，真实环境采集又慢又贵又危险。要让机器人真正工作，必须释放 scaling law 的力量，但数据从哪来？整个行业都在追问这个问题。有人说纯视频模型路线也能做，为什么非要强调三维和仿真？李昀烛的回答很实在：机器人工作的世界必须有一致性，空间一致、时间一致、不同视角一致、不同交互方式一致。视频模型进步很快，但经常出现你推一个物体它却离奇失踪的情况，这种结果给不了机器人正确的行动信号。当然不是二元对立。模型不必只靠物理，也不必只靠学习，可以在两者之间，既抓住问题的本质结构，又能随数据积累不断改进。更值得关注的是 World Labs 的定位。他们不做机器人大脑，不做硬件，做的是基础设施 —— 数字世界。平台不挑机器人，单臂双臂、固定移动基座、各种夹爪末端执行器，都能放进数字世界里跑。也不挑模型，从头训练新模型也行，微调现在流行的 VLA 模型或世界动作模型也行。李飞飞那句话很到位：具体用哪个模型其实不重要，因为模型总会换代，但基础设施不会。这个判断挺清醒的。现在大家都在卷模型卷硬件，但机器人要真正规模化落地，中间缺一层可靠的数字训练场和评估场。真实环境评估有多慢？验证一个 2% 的提升可能要跑很久，迭代速度比语言模型慢好几个数量级。仿真的价值不止效率，还有可靠性。在数字世界里可以系统地随机化光照、几何、物理参数，确保覆盖足够的状态空间，这在真实环境里几乎做不到。落地路线也很务实。从完全结构化的工厂，到半结构化的仓库、餐厅、酒店，再到非结构化的家庭，一步步来。先攻克半结构化场景，走一条更可持续的路，而不是一上来就冲家庭通用人形机器人。两年后的目标也很具体：在几个重要垂直用例里拿到经过验证的灯塔客户，证明这套基础设施确实能帮客户解决自动化需求。做科技媒体观察下来，机器人行业现在有点像早期的 AI—— 大家都在卷模型卷算法，但底层的数据基础设施还没搭起来。World Labs 选的这条路，就是想把机器人的 scaling law 给真正释放出来。模型会换代，硬件会迭代，但数字世界这套基础设施，会是长期的地基。 #李飞飞# #World Labs# #空间智能# #机器人仿真# #具身智能# #前沿在线#

科技研究所

谷歌深夜炸了个大雷。
Demis Hassabis 卸任 DeepMind CEO，转任主席兼 Alphabet 首席科学家，交出日常运营大权。同一时间，首席科学家 Jeff Dean 正式离职，带着三位谷歌顶级大佬集体创业。消息一出，Alphabet 股价盘中跳水 5.4%。 Jeff Dean 明天就是在谷歌工作 27 年后的最后一天。这位谷歌内部 "封神" 的人物，留下的传说太多了：从早期搜索底层基础设施，到奠定现代 AI 的神经网络，再到 TensorFlow 和 TPU 芯片，几乎凭一己之力推动了谷歌乃至全球 AI 的几次重大转型。这次他拉的队伍堪称神仙阵容。 Sanjay Ghemawat，Jeff Dean 长达 30 年的 "代码灵魂伴侣"，两人联手搞出的 MapReduce、BigTable，定义了现代大数据的基石。 Quoc Le，AutoML 之父，Seq2Seq 突破的关键人物。 Oriol Vinyals，Gemini 的核心负责人，星际争霸 AI AlphaStar 的缔造者。四位功勋大佬集体清零重新出发，创办的公司叫 Discovery Loop，定位是公共利益公司。核心使命一句话：实现机器学习、科学和工程的自动化，加速人类发现与进步。翻译一下就是，打造一个能自动跑完 "提出假设→设计实验→实施验证→评估结果→得出结论" 全闭环的 AI 科学家。这个目标有多野心？人类的大脑和精力，现在成了 AI 进化最大的瓶颈。Discovery Loop 想消灭这段等待时间 ——AI 同时在云端并行跑一千个实验，自己提假设、自己调算力验证、自己评估结果、再根据失败教训自动设计下一代更强的 AI。当 AI 开始参与改进制造 AI 的方法，就是传说中的递归自我改进 RSI。一旦这条闭环打通，规则就彻底变了。劈柴其实多次想挽留，但没留住。Vinyals 的解释很体面：大型组织总会积累强大的惯性，而他们需要极端聚焦，去造一些完全不同的东西。体面的是，谷歌反手就给新公司投了钱，还提供云服务和算力支持。风投圈直接疯了，种子轮基本关闭，Radical Ventures 和 Khosla 领投，Lightspeed、Kleiner Perkins 等硅谷顶级资本悉数入局。 Khosla 的创始人直接说：这个团队能重新定义工程和科研的运作方式，如果成功，影响力不会以软件功能或基准测试来衡量，而是以改善数十亿人生活的新科学来衡量 —— 就像 2018 年投资 Sam Altman 的 OpenAI 一样。 Hassabis 那边的逻辑其实是一致的。他在信里说的那句话很关键：我一生都在致力于实现 AGI，而现在，我觉得它已触手可及。所以他选择从日常管理里抽身，不再管模型怎么训、资源怎么分，而是去做两件事：聚焦长远战略和 AGI 安全，以及把大量精力投入 Isomorphic Labs，用 AI 攻克疾病。产品团队按周和月计时，他的视野按十年甚至人类历史计时。DeepMind 的日常交给了 13 年老将 Koray Kavukcuoglu，首席 AI 架构师接棒，也算众望所归。信里还埋了个彩蛋：Gemini 4 已取得重大进展。做科技媒体观察下来，这两桩人事变动看似无关，内核其实完全一致：最顶尖的那批人，已经不满足于做 AIGC 了，目标直指 ASI。当 AGI 触手可及，天才们的下一站是用 AI 重写科学发现本身。风向真的变了。 #谷歌# #DeepMind# #JeffDean# #ASI# #AI# #科学发现# #AGI# #前沿在线# #探索AI未来#