Robin Rombach¶
- 背景: Black Forest Labs 联合创始人/CEO，在德国 Black Forest（黑森林山区，Freiburg）与旧金山双基地。latent diffusion 发明者（PhD 在慕尼黑），做过 Stable Diffusion，开源图像模型 Flux。公司成立约 2 年、刚过 100 人、在招。
- 定位: 本库首个"开源图像/视频生成 → 多模态 world-action model → 机器人"的一线视角，与做机器人大脑的 Physical Intelligence（Kay Ke）、做多模态 serving 的 vLLM-Omni 构成互补，落点 物理 AI 与机器人。
latent diffusion：把图像/视频/音频压缩成高效表征再训 transformer（JPEG/MP3 的神经版），是所有生成式图像模型的底层算法。
核心观点¶
- 收敛到多模态 world-action model：同一模型做图/视频/音频 + action prediction，最终可部署为机器人大脑——"要生成世界的视频，你必须理解世界"；直觉智能（图像入手、算力低）+ 深度推理层互补；视频预训练给出对物理/交互的隐式理解（All-In 00:42:30–00:44:32）。
- 生成"老虎机"批评的解法 = 暴露尽量多操控层：text→image 扩到 text+image→image（编辑/迭代）、多图语义合成，同原理推广到视频，输入输出同模型时更有意思（00:44:32–00:46:33）。
- Scorsese 合作：把导演脑中场景（东欧村庄）迭代成图像帮助沟通，"语言是有损媒介、视觉更丰富"；不认为终极目标是"生成整部电影"，而是 human-in-the-loop 当媒介、平行化 brainstorming/storyboard（00:46:33–00:50:39）。
- 生产落地：一部"比特币电影"在 sound stage 无绿幕拍、背景全生成（$3000 万预算，否则 $1.5 亿、根本不会被 green-light）；高端影视是最苛刻用例，技术在快速改进轨迹上（00:50:39–00:53:41）。
- 机器人 in-context：目标是像 prompt LLM 一样在 context 里提示机器人"去拿这杯橙汁"；现状是不同硬件有不同 action 表征、需少量小时级微调，目标是尽量 in-context（00:55:42–00:57:45）。
- 开源 + IP：给 Disney 等建议共同训练模型（部分基于开源、部分闭源）；公开工具限制生成特定 IP是合理做法；最有意思的是粉丝二创（Star Wars 同人从 fanfiction→fan film→AI 重现未讲故事），让 IP 方通过授权费赋能创作（00:57:45–01:01:47）。