李飛飛教授針對人形機器人（及更廣泛的具身 AI，Embodied AI）的發展有著深邃且系統性的論述。她認為，要讓人形機器人真正走入人類生活，必須從「空間智能」與「世界模型」出發，彌合感知與行動之間的鴻溝。
以下是根據來源文件整理的詳細說明：
1. 主要論點：具身智能與空間智能
李飛飛的核心觀點是：「空間智能」是通往真正 AI 的基石，而智能的本質是「感知與行動」的循環。
- 具身智能 (Embodied AI)： 她強調 AI 必須走出文字的限制，透過視覺和行動去體驗物理世界。人類的學習本質上是具身的，是在沒有語言的情況下透過與世界的互動（感觸重力、空間關係等）獲得的。
- 看是為了做 (Seeing is for doing)： 視覺不只是被動地接收光線，而是為了學習與行動。空間智能將感知與行動連結起來，形成了「看見、理解、行動、再學習」的良性循環。
- 以人為本： 機器人的開發應以**「增強 (augment)」而非「取代 (replace)」**人類能力為目標，將人類尊嚴與福祉置於核心。
2. 目前的痛點與瓶頸
李飛飛指出，當前的機器人技術仍處於早期階段，面臨以下挑戰：
- 「黑暗中的文字匠」： 現有大語言模型（LLMs）雖博學，但對物理規律和空間關係幾乎一無所知，缺乏物理常識。
- 任務侷限性： 目前大多數機器人仍掙扎於**「技能級任務」（單一動作）、「短期目標」及「封閉世界指令」**（只能理解預設好的指令）。
- 數據稀缺與缺乏標準化： 相比於視覺和語言領域，機器人學習缺乏大規模、標準化的數據集，實驗設置往往是實驗室特有的，難以推廣。
- 感知與行動的斷裂： 機器人往往能「看見」物體，但無法準確預測動作後的後果，難以在三維空間中進行長程規劃。
3. 建議的解方
針對上述瓶頸，李飛飛提出了幾個關鍵技術路徑：
- 構建「世界模型」(World Models)： 打造具備生成性、多模態、交互性的模型。世界模型應能根據動作指令預測世界的下一個狀態，並協助機器人規劃路徑。
- 大型數據基準測試 (BEHAVIOR)： 她的團隊開發了 BEHAVIOR 專案，針對 1,000 種人類真實需要的日常家庭任務（如洗碗、摺衣服）建立標準化基準，讓機器人在虛擬環境中進行大規模訓練。
- VoxPoser 框架： 利用大語言模型 (LLM) 分解任務指令，並結合視覺語言模型 (VLM) 識別目標與障礙物，生成 3D 價值圖來指導機器人的運動規劃。
- 虛擬模擬與合成數據： 利用 3D 空間模型產生的模擬環境，提供機器人無限的訓練可能性，解決現實世界採集數據成本過高的問題。
4. 未來的發展趨勢及前瞻機會
李飛飛看好空間智能與具身 AI 在未來 5 到 10 年內將迎來巨大突破：
- 醫療與照顧： 解決護理勞動力短缺問題。未來將有自主機器人運送醫療物資，或環境智能監控患者風險（如防止跌倒），甚至出現輔助手術的增強現實技術。
- 腦機介面 (BMI)： 李飛飛實驗室已展示透過 EEG 腦電波訊號控制機器人手臂完成煮壽喜燒等複雜任務，這為重度癱瘓患者重獲行動能力帶來希望。
- 協作夥伴： 機器人將從工廠走入家庭，成為能理解人類意圖、與人類自然協作的夥伴。
- 數位多重宇宙與遙操作： 透過大幅降低 3D 內容生成門檻，人類可以遠端操控具身化身 (Avatar) 在全球甚至外星環境協作工作。
比喻來說： 當前的 AI 就像是一個**「雖然飽讀詩書卻從未出過房門的學者」，而李飛飛的目標是為它裝上眼睛、大腦與手腳，讓它成為一個「能觀察物理規律、並在現實世界中幫你打掃客廳或做三明治的實幹家」**。
