在康奈尔大学攻读博士的第三年，李柏依遇到了研究上的瓶颈。此前，她专注于表征学习，但随着研究的深入，她开始质疑这条道路的未来方向。正是在这个迷茫的时期，她接触到多模态学习，这一领域当时尚未成为视觉研究的主流，三维视觉才是热门话题。然而，她敏锐地察觉到，传统的视觉系统过于“死板”，无法灵活应对多样化的输入和输出需求。她开始思考，能否让视觉系统像智能手机一样，根据用户意图灵活理解世界？
这一思考引领她进入视觉与语言对齐的研究领域，并恰逢CLIP发布后多模态研究的爆发期。几年后，多模态成为人工智能领域的核心方向之一，李柏依也从困惑的博士生成长为英伟达研究院和加州大学伯克利分校的研究员与研究负责人，带领团队推进Foundation Motion项目，探索机器如何通过运动理解物理世界。
李柏依的研究从计算机视觉起步，经过多模态学习，延伸至自动驾驶和具身智能。她始终关注的核心问题是：机器能否从不同的感知信号中，形成一种可泛化、可交互、能够支持行动的世界表征？从“看见什么”到“理解正在发生什么”，再到“预测接下来可能发生什么”，最终走向“为了目标应该做什么”，这一路径贯穿她的研究历程。
2026年，李柏依入选《麻省理工科技评论》“35岁以下科技创新35人”中国区名单。在采访中，她谈及研究经历、方向判断、失败实验的价值以及个人判断在团队中的验证与修正。她认为，面对尚无确定答案的方向，研究者需要形成判断，并根据新证据调整判断。
李柏依强调“给自己很多选项”的重要性，但这并不意味着同时抓住所有机会，而是在每个阶段主动建立可迁移的能力，让下一次选择不完全由外部条件决定。她认为，判断标准应围绕三个问题：能否提高长期学习斜率，能否与真正尊重问题的人一起工作，以及是否更接近长期关心的问题。
她坦言，音乐和绘画对她的研究兴趣和看待问题的方式影响并不直接，但这些艺术训练可能潜移默化地影响了她对视觉、多模态和交互系统的理解。她认为，真正的转折点在于将模糊的直觉转化为清晰的问题，并在研究和实习过程中逐步实现。
在谈到从计算机视觉到多模态再到自动驾驶和具身智能的研究路径时，李柏依表示，她始终关注的核心问题是机器能否从异质的感知信号中形成可泛化、可交互、能够支持行动的世界表征。她认为，多模态并未“解决”视觉问题，而是释放了视觉系统过去未被探索的能力，但视觉领域真正困难的问题仍未得到解决。
在平衡长期和短期研究目标方面，李柏依认为，选题时应关注结构性瓶颈而非短期热点。她通常会考虑问题的杠杆效应：投入同样一段时间，能否帮助理解更多现象、支持更多任务，或建立可持续迭代的研究基础。
对于负结果的价值，李柏依认为，负结果能够帮助研究者划定模型能力的边界，避免在错误方向上投入更多资源。她强调，实验设计应足够清楚，以便通过推翻假设缩小问题空间。
在谈及导师对她的影响时，李柏依表示，导师们教会她如何对待尚未成熟的想法，如何区分有趣的结果和成立的科学结论，以及如何用更强的反例检验判断。她认为，真正的严谨不是缩小想象力，而是让想象力可被理解、验证和复现。
作为团队负责人，李柏依认为，团队形成长期判断力的关键在于明确争论的前提，设计能够区分不同判断的实验，并在目标底线和不可逆风险上保持坚定。她强调，承认错误不会损害结果，反而忽视事实会带来更大问题。
在伯克利和英伟达两种环境中，李柏依认为，学术界可以花更长时间探索不明确的方向，强调开源、可解释性和知识贡献；而工业界则需要面对规模、成本、可靠性和用户需求等复杂问题。她认为，最理想的状态是学术界的问题意识和产业界的现实反馈形成循环。
对于Foundation Motion项目，李柏依表示，该项目不仅关注数据筛选和训练配方，还涉及表征和训练之间的闭环。她认为，运动是理解物理智能的基本单位，能够串联感知、推理、预测和规划等多个环节。
在谈及具身智能的评估问题时，李柏依认为，现有基准测试容易制造错觉，将受控环境中的局部成功等同于开放世界中的真实能力。她强调，更可靠的评估应覆盖长时程连续任务、跨场景和跨躯体的迁移、传感器噪声与环境变化等。
对于具身智能的未来发展，李柏依认为，当前系统已展示能力上限，但如何将这种上限变成可预测、可重复的日常能力，仍需大量关于数据、评估和工程的工作。她期待未来五到十年，视觉和机器学习能够进一步成为理解并改变物理世界的伙伴，同时提升数据效率和可控性。
在谈及个人目标时，李柏依表示，她希望自己能够保持好奇、诚实、善良和可靠，帮助建立有用、可靠且易理解的技术，支持有勇气的想法，并让身边的人因合作变得更有能力、更自由。她希望自己能够保持对艺术、自然和普通生活的敏感度，不将所有价值折算成效率和成果。
