Transcription
大家好，这里是最佳拍档。
在二零二六年二月五日的思科AI峰会上，World Labs的联合创始人、斯坦福大学教授李飞飞和思科执行副总裁兼首席产品官吉图·帕特尔展开了一场圆桌对话。两人从空间智能的核心逻辑，到首个世界模型Marble的技术细节，再到AGI的物理实现的路径，甚至是AI行业的群体性焦虑，进行了全方位、深层次的探讨。
今天这期视频，我们就来聊聊这场对话的核心内容，看看李飞飞眼中，AI的下一个前沿究竟在哪里。
在这场对话中，李飞飞首先提出了一个颇具颠覆的观点，那就是驱动神经系统进化的第一动力，是视觉和触觉感知，而不是语言。这个观点可以说是整个对话的核心，也是她定义空间智能为AI下一个前沿的根本依据。
从生物进化的角度来看，人类对智能的研究，往往会不自觉的围绕语言展开。毕竟语言是人类特有的交流方式，也是我们进行思维表达的重要工具。但是从进化的时间维度来看，语言其实是一种非常年轻的智能形式。李飞飞在对话中明确的表示，即使往多了说，语言的历史大概只有五十万年，甚至更短。但是在五亿多年前，动物就已经开始感知光线并且接触周围的环境。触觉和视觉传感从那个时候就已经诞生了，开启了神经系统进化的军备竞赛。
很多人会问，那本能是不是应该归入到感知的范畴内呢？李飞飞也对此做出了解答。她认为本能这个词在科学定义上比较模糊，她并不排斥这个词汇。但是从物理层面来看，真正驱动神经系统发展的，始终是触觉和视觉这两种核心的感知能力。正是因为感知能力的不断进化，动物才能够越来越活跃的和环境产生互动，而这种互动又反过来推动了大脑的发育，让生物变得越来越聪明。
从这个角度来看，我们以往对AI的研发，过度聚焦在了语言智能的打造，其实是忽略了智能的底层基石，对真实物理世界的理解、推理和互动能力。李飞飞强调，理解、推理、并且在真实的3D、甚至4D物理世界中导航的能力，其实和语言智能一样，都是智能最底层的基石。而实现这种能力的核心关键技术，就是空间智能。这也是她大约在两年前，和一群年轻技术专家共同创立World Labs的核心原因。这家公司的所有奋斗目标，都围绕着空间智能的研发和落地而展开。
在明确了空间智能的核心定位之后，李飞飞在对话中重点介绍了World Labs最近发布的第一代空间智能模型Marble，这也是目前全球最先进的3D生成式世界模型。
很多人会把世界模型和当下的视频生成模型混为一谈，但是李飞飞明确指出，大世界模型和现有的视频生成模型，存在着本质区别。这种区别体现在技术内核的根本不同上，而Marble模型就是最好的例证。
我们先来看看传统的视频生成模型，它的核心能力是像素生成。简单来说，就是根据输入的提示词，生成一系列连续的像素片段，从而形成视频画面。但是这类模型生成的内容往往缺乏一致性，也没有完整的几何结构，更谈不上让用户在生成的内容中进行导航和互动。
而Marble模型就完全不同了。它实现了永久一致性和完整的几何结构，这也是空间智能模型的核心特征。Marble能够接收多模态的输入，无论是一个简单的句子、一张图片、一段视频，还是基础的3D输入，它都能够将这些提示词转化为一个完全可导航、可互动的3D物理环境。也就是说，Marble不再是简单的生成像素的片段，而是真正意义上的世界构建。它打造的是一个有完整空间逻辑和几何结构的3D世界。这个世界不是碎片化的，而是具备永久一致性的，能够支持机器人动作模拟、游戏编程等需要完整空间逻辑的场景应用。
这种从像素生成向世界构建的转变，不仅是AI技术的一次重要突破，更像是为多个领域的发展，搭建了一个全新的技术基建，解决了很多行业长期以来面临的核心难题。
可能有朋友会好奇，这个看似前沿的空间智能模型，现在已经有实际的应用场景了吗？答案是肯定的。李飞飞在对话中透露，Marble虽然还处于第一代的发展阶段，但是目前已经有早期用户在体验这个世界模型了，而且应用场景的丰富程度远超很多人的想象。
首先在娱乐和设计领域，已经有开发者用Marble进行游戏开发。借助它的3D世界构建能力，能够快速的打造出可以互动、可以导航的游戏场景，大幅降低了游戏开发的成本和时间。
还有视觉特效领域的用户，将它用于商业化的虚拟制片环境。这种场景对3D结构和一致性要求极高，而Marble的技术特征恰好契合了这个需求，让虚拟制片的场景搭建变得更加高效。
而在机器人领域，Marble已经成为了一个重要的训练工具。目前World Labs正和英伟达等科技大厂以及众多初创公司、学术实验室展开了互动，这些合作方都将Marble用作机器人的训练环境。我们都知道，机器人训练的核心难题之一，就是真实数据的匮乏，而且真实场景下的训练成本高、风险大。而Marble构建的可互动3D物理环境，能够模拟出各种真实的物理场景，为机器人提供大量的模拟训练数据，大幅提升机器人的训练效率。
除了这些领域以外，建筑师和设计师也开始将Marble用于室内设计。通过输入设计的需求，快速生成可以导航和互动的3D室内空间，不仅能够更直观的展示设计效果，也方便进行设计方案的调整和优化。
更让人惊喜的是，Marble在医疗健康领域也展现出了巨大的应用潜力，尤其是在心理健康的干预方面。李飞飞在对话中提到，临床研究人员对Marble的这个应用方向，表现出了极大的热情。原因在于大量的精神病学和心理健康研究及干预措施，都需要针对特定的情况定制沉浸式的环境。比如强迫症患者，他们的症状往往会被一些非常具体的场景触发。有人会被乱放的脏衣服触发，有人会被杂乱的桌面触发。在以往的研究和干预中，研究人员很难快速、精准的打造出这些个性化的触发场景。而现在通过Marble，研究人员只需要输入提示词，几分钟内就能够生成多种不同的定制化环境，为强迫症、焦虑症等心理疾病的沉浸式干预，提供了全新的可能。
除此之外，Marble还能够打造健康训练中的个性化瑜伽环境，根据用户的身体状况、训练需求，生成适配的3D瑜伽场景，让健康训练变得更加的个性化。李飞飞表示，随着Marble的不断迭代，未来还会看到更多的横向应用案例，空间智能的应用边界也会被不断的拓宽。
聊完了空间智能和Marble模型，这场对话也触及了一个当下AI行业所有人都无法回避的问题，那就是AI发展带来的群体性的焦虑。作为深耕AI领域几十年的先行者，李飞飞对行业的现状有着最直观的感受。她坦言，过去几年AI的发展速度堪称是窒息式的。这种速度不仅让行业外的人感到震撼，就连身处其中的从业者，内心深处都有一种难以掩饰的焦虑感。相信很多AI从业者都有这种体会，每天都有读不完的技术博客、行业新闻，也有发布不完的新模型，仿佛稍微停下脚步，就会被行业甩在身后。
李飞飞说，这种焦虑感既反映了技术进步的惊人速度，让她感到兴奋，同时也让她保持着谦逊的态度，意识到自己所知甚少。即便是深耕AI领域数十年的她，也有着“我唯一知道的就是我一无所知”这样的感受。而她也希望行业内的所有人，都能够保持学习的热情和对世界的好奇心，不要被焦虑所裹挟，停下探索的脚步。
除了群体性焦虑以外，李飞飞还对当下AI领域的舆论现状表达了担忧。她指出，目前关于AI的讨论正陷入一种极端的两极分化。网络上充斥着两种截然不同的声音：一种是完全的技术乌托邦，认为AI技术能够解决人类面临的所有问题，将AI神化；另一种则是极端的生存危机末日论，过度放大AI的风险，仿佛人类每分钟都面临着被AI取代的生存危机。
李飞飞认为，对于AI这样一项会深刻影响人类文明的技术，这种非黑即白的讨论方式是非常不负责任的。技术本身没有好坏，它的发展方向最终掌握在人类自己的手中。无论是AI领域的创业者、产品经理、工程师，还是普通的公民，我们每个人都有能力去引导技术的走向。她也发出呼吁，希望从二零二六年起，整个行业乃至全社会，都能够告别这种极端讨论，对AI技术的发展保持理性、包容、乐观的态度，同时也要肩负起相应的责任，让技术朝着造福人类的方向发展。
那么，在李飞飞眼中，AI发展真正的成功标准是什么呢？这个问题的答案，其实藏在人类科技发展的历史中。李飞飞在对话中举了电力的例子。如果把时间拨回一百五十年前讨论电力的成功，我们不会去纠结电力的技术参数有多先进，而是会想到学校被照亮、家庭变温暖、人类的寿命被延长、更多的孩子能够获得接受教育的机会。这就是技术的真正意义。而AI技术的成功，也应该回归到这样的永恒价值上。不是单纯的参数竞争，不是比谁的模型参数量更大、算力更强，而是看这项技术是不是能够让人类的文明变得更好，是不是能够让每个个体都能够追求幸福、繁荣，并且保有尊严。当文明因为技术而进步，个体因为技术而获得更好的生活，这才是AI发展的终极目标。
这个观点，也为当下陷入参数竞赛的AI行业敲响了一记警钟，让我们重新思考技术发展的初心。
当然，空间智能和世界模型的发展，并不是一帆风顺，它依然面临着诸多技术的挑战。首当其冲的就是算力和数据的问题。
很多人会问，世界模型是不是像当下的大语言模型一样，属于计算密集型的技术呢？李飞飞给出了一个明确的答案：目前世界模型的算力规模，还远远低于顶尖的大语言模型。比如Marble的算力规模比GPT-5小几个数量级。之所以会出现这样的情况，一方面是因为世界模型领域还处于发展的早期阶段，整个行业还在想办法弄清楚世界模型的核心架构。另一方面，Scaling Law在非语言领域的演进，和语言领域也存在着本质区别。Scaling Law的生效，不仅取决于数据量和参数量，还需要适配非语言领域的技术特征，而这正是行业目前正在探索的方向。
但是李飞飞也表示，结合World Labs目前在Marble模型上取得的进展来看，未来几年，世界模型领域将会迎来快速发展。我们会看到世界模型开始跨越Scaling Law曲线，算力规模和技术能力都会实现质的突破。
如果说算力是世界模型发展的硬件基础，那么数据就是发展的核心燃料。而世界模型面临的数据难题，比大语言模型要复杂得多。李飞飞解释道，大语言模型的输入输出相对单一而且干净，核心处理的是文本数据。而世界模型需要处理的是像素和体素的世界，这个世界要混乱的多，物理数据的获取难度也大幅提升。
为了解决这个难题，World Labs采取了混合数据的策略，核心就是融合了多种类型的数据。除了互联网规模的文本、视频数据之外，还纳入了模拟数据和现实世界采集的物理数据。通过多种类型的数据融合，为世界模型的训练提供充足且高质量的燃料。李飞飞在对话中举了自动驾驶的例子，无论是特斯拉还是Waymo，这些自动驾驶领域的头部公司，都花费了几十年的时间同时收集现实世界数据和模拟数据，这也是自动驾驶技术能够实现落地的重要基础。
而对于世界模型来说，虽然数据挑战巨大，但是当下的技术环境已经比几年前成熟了很多。现在的算力、芯片和整个AI生态系统，都为世界模型的发展提供了支撑。而且市场上也出现了很多三年前还不存在的数据供应商，为物理数据的采集和处理提供了专业支持。除此之外，合成数据也在世界模型的训练中发挥了重要作用。
更重要的是，合成数据形成了一个正向的飞轮效应。用世界模型生成的内容，反过来又能够成为机器人训练的模拟数据，不断的丰富数据池，为模型的迭代和机器人的训练，提供源源不断的支持。
在这场对话中，李飞飞还谈到了一个大家非常关心的话题：未来我们迎来的，会是通用机器人还是专用机器人呢？作为一名在斯坦福大学运行了十年机器人学习实验室的学者，李飞飞对这个问题有着深刻的理解。她直言，通用机器人的实现，是一个非常困难的问题，远比自动驾驶的实现难度要高的多。而空间智能正是解决这个难题的核心突破口。
为了让大家更直观的理解这一点，李飞飞回顾了自动驾驶的发展历程。二零零六年，她的同事塞巴斯蒂安·特伦带领团队，创造了第一辆在内华达沙漠运行了一百三十八英里的自动驾驶汽车。当时整个行业都为之振奋，认为自动驾驶汽车很快就能够走进我们的生活。但是事实上，直到二十年后的今天，Waymo才开始在旧金山等大城市的街道上实现了商业化运行。这中间经历了漫长的技术探索和打磨。而自动驾驶汽车，在李飞飞看来，本质上只是一个在二维平面移动的方形机器人，它的核心任务只有一个，那就是规避障碍，技术挑战相对单一。
但是通用机器人则完全不同，它需要在三维空间中工作，核心目标是以精准而且不破坏物体的方式，进行各种物理交互。这就对机器人提出了极高的要求：手部的灵活性、视觉的精确度、对三维空间的理解能力，都是需要攻克的技术难题。而机器人训练数据的匮乏，更是让这个问题雪上加霜。
这也是李飞飞创办World Labs的重要原因之一。她希望通过空间智能的研发，重构机器对物理交互精细度的理解，解决通用机器人研发中的核心难题，让机器真正具备在3D物理世界中，理解、推理和互动的能力。但是作为一名严谨的科学家，李飞飞也表示，不会对通用机器人的落地做过度的承诺。技术的发展需要一步一个脚印，只有攻克了每一个基础的技术难题，才能最终实现通用机器人的落地。
在对话的尾声，李飞飞也针对企业端的决策者，解读了空间智能和物理AI的战略价值。她给出的核心结论是，空间智能是一项典型的横向技术。这意味着，空间智能的价值并不是局限于某一个特定的领域，而是能够像水和电一样，向多个行业进行横向的渗透，发挥出跨领域的技术价值。我们之前提到的机器人、娱乐、设计、医疗健康领域，只是空间智能应用的冰山一角。除了这些领域，它在教育、现场服务、金融、农业、制造、仓库管理及城市规划等领域，都有着巨大的应用潜力。
李飞飞表示，空间智能是AI的下一个前沿，她也邀请各行各业的从业者们，一起探索空间智能的应用潜力，让这项技术真正赋能到各个行业的发展。
而当被问到对企业交流期待什么样的礼品时，李飞飞也展现出了学者的质朴。她说自己还是像研究生一样，喜欢免费的食物和文化衫。这样的回答，也让我们看到了这位AI领域大咖可爱、真实的一面。
李飞飞在思科AI峰会上的这场重磅对话，不仅为我们揭示了AI的下一个前沿，也就是空间智能的核心逻辑，也让我们看到了一位资深的AI学者对行业发展的理性思考。在AI技术飞速发展的今天，我们很容易被技术的发展速度裹挟，陷入参数竞赛的误区，也容易被极端的舆论所影响，对技术未来产生迷茫。而李飞飞的观点，让我们重新回归技术的本质。无论是空间智能，还是语言智能，AI技术的终极目标，都是为了提升人类的文明水平，保障每个个体的尊严。
同时，她也让我们明白，AI的发展从来都不是一蹴而就的。从空间智能的研发，到世界模型的迭代，再到通用机器人的落地，每一步都需要严谨的技术探索和脚踏实地的打磨。
如果你对空间智能、Marble模型有什么看法，欢迎在评论区留言讨论。感谢收看本期视频，我们下期再见。