Transcription
哈喽，大家好！欢迎来到明月三千里频道。
今天是11月13日。最近一段时间，大家是不是发现一个很有意思的现象？一边是各种大模型，宣传得天花乱坠，什么推理飞跃，参数翻倍，生产力革命。另一边，我们身边的世界，其实没发生什么质变。不会自己叠衣服的机器人，还在展台上蹦跶；自动驾驶，还是各种限速试点。
就在这个节骨眼上，被很多人称为“AI教母”的李飞飞，突然扔出了一篇长文，题目叫《从语言到世界：空间智能才是AI的下一个前沿》。她说了一句很扎心的话：“今天的大模型，大多只是会说话的键盘侠，在现实世界里，其实是在黑暗中摸索。真正决定下一代AI天花板的，不是它能背多少知识点，而是能不能听得懂，看得清，在三维世界里安全地动起来。”
那接下来，我们就来聊一聊，为什么李飞飞敢给当前火爆的大模型泼冷水？什么叫空间智能？什么叫世界模型？这事到底会怎么影响我们的生活，和未来十年的商业格局？
李飞飞这篇文章，是11月10日发出来的。李飞飞是何许人也？她1976年出生于中国北京，是美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士、美国斯坦福大学首位红杉讲席教授，被人称为“AI教母”。她最出名的工作之一，就是主导了ImageNet数据集，等于给这波深度学习浪潮按下了启动键。
但这次，她不是在讲图像分类，而是以World Labs联合创始人兼CEO的身份站出来的。World Labs在干嘛？一句话概括：不是再造一个ChatGPT，而是试图造一套理解世界的模型。
标题里的那两个词，其实已经把文章主线说穿了。“Words”，指的是现在火到爆的大语言模型，大部分时间活在文字和代码的世界里。“Worlds”，指的是我们每天生活的这个三维世界，有空间，有物体，有物理规则，有时间推演。
李飞飞的核心观点特别直接：如果AI一直只停留在“Words”这一层，那它永远只是一个超级聊天机器人。要想真正走向能干活的智能体，必须跨过去，走向“Worlds”，走向对真实世界，对空间的理解和掌控。
所以，你可以把这篇文章理解成一张AI下一阶段进化路线图。它主要在回答三句话：为啥今天的大模型看起来很强，但离科幻片还远？什么叫空间智能？什么叫世界模型？它们真比大语言模型厉害在哪？这事跟普通人，跟各行各业又有什么关系呢？接下来，我们就一个一个拆开聊。
先说第一个问题：为什么说今天的大模型，只是黑暗中的文字匠？
李飞飞的意思，不是说大语言模型没用。她也承认，大语言模型在写作、代码、知识整理上的革命性，已经板上钉钉。它们学会了理解、生成抽象知识，帮我们重构了使用文字、使用信息的方式。但问题在于，它们大多数时候是在悬空工作，也就是我们常说的“没有扎根”。
你可以把现在的大模型想象成这样一个角色：被关在一个黑屋子里，面前只有一个键盘和一个屏幕。它读遍了全世界的书和网页，对“门”、“杯子”、“车”、“病人”这些词都很熟，但它从来没真的走到一扇门前，看过这扇门到底是开着还是关着。所以，当你问它“帮我写一封邮件”、“帮我改一段代码”，它能表现得像个天才。但如果你说：“现在厨房里有一杯快要洒出来的水，你帮我端到客厅来。”对不起，它没有身体，也没有真正的空间感。
李飞飞在文中举了好多实验：多模态大模型在估计距离、方位、大小的时候，经常答得乱七八糟；让模型在脑子里旋转一个物体（所谓心理旋转），它的正确率很多时候只比蒙的好一点点；让它在迷宫里找路、找捷径，表现也非常差。甚至连看起来很炫酷的视频生成模型，生成3秒还好，再往后就开始穿帮：物体消失、人物穿模、光影乱跳，空间逻辑彻底崩坏。
为什么？因为这些模型本质上，还是在处理图像像素加文本token。它们脑子里并没有一个连贯的世界，只有一帧一帧的画面。说得更直白一点，它们可以给世界贴标签，但它们没法住在这个世界里，不知道东西在哪，不知道一推会倒，一拉会断。而人的智能，恰恰是从住在世界里开始的。
那什么叫空间智能？李飞飞给了一个很朴素的出发点：人类和动物最原始的智能，不是写论文，也不是做数学，而是在三维世界里活下来。一个刚学走路的小孩，他要知道哪里是地板，哪里是台阶；要知道桌子角是硬的，撞上去会疼；要知道杯子离桌边太近，再推一下就会掉下去。这些东西，大多数人根本没学过公式，但是身体很早就知道了。这就是感知-行动循环：看一眼，试着动一下，世界给你反馈，你记住了这个模式。这种能力，就是空间智能。
它包括：对“这里”、“那里”、“前面”、“后面”、“上面”、“下面”的直觉；对大小、远近、遮挡的判断；对“如果我这么做，会发生什么”的物理预判。
你会发现，人类很多最重大的科学和工程突破，其实都离不开这种能力。古人拿着一根木棍，量影子，看角度，居然能算地球有多大；工业革命时发明纺织机的人，是通过怎么在有限空间里摆放多个纺锤，把效率翻了好几倍；DNA双螺旋的发现，也不是在纸上推公式推出来的，而是靠搭模型，看三维结构，才突然发现“哦，原来是螺旋形的”。换句话说，人类文明很多时候，是靠看得见摸得着的结构和空间，往前推的。如果AI永远停留在文本世界，看不到三维结构，感受不到力和距离，那它离真正理解世界、改造世界，就永远差一大截。
说到这里，我们就顺势进入第二条主线：什么叫世界模型？
李飞飞的观点非常清晰：要让AI拥有空间智能，靠在现有大语言模型上打补丁，是不够的。你需要一种更雄心勃勃的东西——世界模型。一句话对比：大语言模型的任务是“预测下一个词”；世界模型的任务是“预测世界的下一帧”。
在世界模型眼中，输入不再只是一个句子，而是一个世界状态：这个房间里有哪些物体？它们是什么形状？放在哪？高低如何？它们之间的距离、遮挡、相对位置是什么？时间往前走一秒、五秒、十秒，这个世界又会怎样变化？
所以，一个合格的世界模型，至少得做到三件事：
第一，生成一个物理上说得过去的世界。不管你给它的提示是“一条下雨的东京街道”，还是“火星上的农场基地”，它生成出来的世界，都得遵守基本物理规律。东西不能莫名其妙穿来穿去，光线、影子要自洽。你前一秒把杯子放在桌子边上，下一秒它不能突然在地上完好无损地出现。
第二，像人一样用全身感官去理解。人类看世界，不是只有文字。我们有视觉、有听觉、有触觉、有动作反馈。一个真正的世界模型，也应该是多模态原生的，能看图、能看视频、能理解语言指令，甚至能把自己的动作（例如“我走了几步”、“转了多少角度”）也当作输入的一部分。给它一张房间照片，再加一句话：“这是我家客厅，帮我规划一下扫地路线。”理想状态下，它应该能脑补出一个三维的客厅布局，知道哪里有桌子，哪里是沙发，哪里有线最好别绊倒。
第三，最关键的一点，它要能预测行动的后果。也就是我们刚才说的，预测世界的下一帧。你对它说：“把桌上的书按大小重新叠一叠。”它要知道哪本书更大更重，知道怎么叠不会倒，知道桌子承重有没有问题。每挪动一步，都要在脑子里模拟一下：这样拿会不会把下面那本带出来？会不会砸到旁边的杯子？更理想的世界模型，还可以自己规划动作序列，你只告诉它目标，它自己琢磨出1、2、3、4步该怎么做。
说白了，世界模型就是给AI装一个“脑内小宇宙”，先在自己的虚拟世界里，把可能发生的情况推演几万次，觉得OK了，再在现实里动手。
听起来很美好，对吧？那问题来了，世界模型到底难在哪里？李飞飞没有撒鸡汤，她的态度其实很冷静：
世界模型的难度，远远超过我们以前做的大部分AI系统。
第一，目标函数不再是一个简单的“下一个词”。大语言模型的成功，靠的是一个超简单的训练目标：给你前面这些词，预测下一个词。这听起来粗糙，但刚好对了语言这种一维信号的脉。可世界不一样，世界不是一维的，而是三维空间加时间加物理规律的混合体。你不可能只用一个“下一帧像素的损失函数”，就让模型学会所有物理、几何和因果。所以，你必须设计新的训练目标，新的内部表示，把“这个世界是3D的，有物体，有力，有约束”这件事，刻到模型结构里。
第二，数据不是多爬点网页这么简单。训练世界模型，光有海量图片和视频是不够的。你需要的是带深度信息的图像、带精确相机位姿的序列、带动作记录、带触觉反馈的数据，甚至大量高质量的模拟数据。现实世界的数据，贵、乱、难标注，所以合成数据变得非常关键。这就要求我们不光要会训练模型，还要会造世界和传感器。
第三，算力和架构要上一个新台阶。现在很多大模型，还是把视频当成连续的图片，或者更长的token序列来处理。这种方式在做问答、做标签分类，还勉强够用。但一旦你需要记住“这个房间十分钟前是什么样子”、“这个物体从这儿滚到那儿”，就马上吃力。你需要的是真正理解3D、4D结构的架构，有长期记忆的空间表示，能在保证一致性的前提下，还能实时生成。World Labs在文章里提到，他们搞了一个新模型，大概思路就是用一种带空间坐标的帧来做记忆，既能像视频一样一帧一帧生成，又能保证整个世界是连贯的。具体技术细节我们就不展开了，你只要记住，要让AI从“读书人”升级成“会干活的人”，底层整套架构逻辑都得重新想。
技术讲完，一点我们来聊聊钱和安全。
从商业角度看，空间智能的价值，几乎是肉眼可见的巨大：家用机器人、服务机器人、仓储机器人、建筑机器人、自动驾驶、无人机配送、工厂数字孪生、智慧城市仿真、医疗手术、药物研发的三维模拟……只要AI能在这些场景里稳定工作，那就是实打实的生产力，是真金白银的市场。
但反过来，门槛也异常高：数据贵、采集难，需要大量传感器和仿真环境；算力消耗可能比现在训练大语言模型还狠。这意味着什么？很可能一开始，只有极少数巨头和头部创业公司能玩得起，普通玩家连入场券都拿不到。
另一个问题是安全。老实说，一个只会写作文的大语言模型，再怎么乱讲故事，它对现实世界的直接破坏力是有限的。但如果你给一个具备空间智能、能控制机器人的AI，一些不靠谱的目标，比如说让它“最大化某个效率指标”，它可能会在完全不考虑人类感受的前提下，做出非常理性但残酷的决策。
所以，李飞飞在文章最后反复强调：我们做空间智能，做世界模型，初衷必须是“增强人类”，而不是“替代人类”。机器人要成为我们的协作伙伴，而不是新一代冷酷执行者。我们要在能力和约束上同时发力，把同理心、安全边界设计进系统，而不是事后打补丁。这一点，我个人也非常认同。技术走得越快，我们越需要有人反复提醒方向对不对，而不是只看跑得快不快。
最后一个问题，也是很多观众最关心的：这和我有什么关系？
我们不妨用几个具体的画面，来想象一下未来：
场景一：真正好用的家用机器人。现在很多家用机器人，还停留在“秀肌肉”的阶段：展会上走两步、跳个舞、握个手。但你真让它去你家厨房，帮你炒个菜、帮你照顾一下老人，八成要出事。原因很简单：家里这种环境太复杂、太动态了。桌子高度不一致，地上随时多出一双拖鞋、一只玩具熊，老人走路会慢一点，抬手的角度会小一点。一个没有空间智能的机器人，连怎么稳稳地绕过一个玩具都要出bug，你还指望它给老人端汤？
有了成熟的世界模型之后，至少有三件事会发生变化：机器人会在虚拟世界里先练上几百万次，把各种极端情况都在模拟环境里踩一遍坑；它在现实中看到一个新房间时，能很快脑补出一个三维地图，把危险区、高频区域标记出来；它做每一个动作之前，能在大脑里快速预演一下后果，大大减少“手一抖，全砸了”的风险。到那时候，你家里可能多出来的，不是一个高配扫地机，而是一个真正能理解你、理解空间、理解风险的助理。
场景二：学习和娱乐的方式被改写。现在很多孩子学科学、学历史，还停留在背概念、背年份、背公式。空间智能成熟之后，这些东西都会变成可以“走进去”的体验。孩子可以走进一个放大了一亿倍的细胞里，看线粒体怎么工作，看DNA怎么被复制；他们可以走在古罗马街头，看一看那时候的建筑、市场、广场，而不是只在书上看两张黑白图片。这件事背后，其实就是世界模型在驱动，它要负责搭建一个足够真实、一致的虚拟世界，再把你的动作、你的视角变化，实时映射进去。
场景三：数字孪生和科学发现。对企业和科研机构来说，空间智能还有一层更深的价值：先在虚拟世界里犯错，再决定在现实世界里怎么动。汽车厂可以先在数字工厂里跑一遍生产线调整，看看是不是会卡在某个转弯、某个机器人手臂行程不够；城市可以在数字孪生城市里，先测试交通方案，看某个路口限行、某条路改单行，会不会导致别处拥堵爆表；科学家可以在虚拟实验室里，同时试上万种分子组合，筛选出最有希望的候选药物。这些东西听起来很B端，但最后都会回到一个问题：谁掌握了更好的世界模型，谁就更有“看未来”的能力。
说到这里，我们差不多可以收个尾了。今天这期，我们借着李飞飞这篇《从语言到世界：空间智能是不是AI的下一个前沿》，一起理解了三层意思：
第一，现在的大模型确实很强，但它们更多是文字领域的高手。在真实世界里，它们对空间、几何、物理、因果的理解，依然非常薄弱。
第二，人和很多动物的智能，都是从空间智能长出来的。空间智能是认知的脚手架，是把“我在哪里”、“东西在哪里”、“我这样做会怎样”串到一起的那层地基。如果AI不补上这一块，它永远只是一个超级搜索加语言生成器。
第三，通往空间智能的道路，是世界模型。从“预测下一个词”，走向“预测下一帧世界”。这条路很难，需要新的目标函数、海量的3D/4D数据、全新的架构和巨大的算力。但一旦走通，它对机器人、自动驾驶、数字孪生、教育娱乐的冲击，都可能是工业革命级别的。
我个人非常认同李飞飞强调的那句话：AI的终极目的，应该是增强人的能力，而不是替代人。但另外一个问题就是，世界模型这么贵、这么难做，会不会最后变成少数几家公司的专属武器？普通人、普通开发者、普通国家，会不会被甩得越来越远？
这个问题，可能不是今天能给出答案的。但我们至少可以先把这件事看清楚：下一阶段的AI竞争，已经不再只是谁的参数多、谁的推理快，而是谁更懂这个世界本身。
那么，你更期待的是一个嘴皮子厉害的AI聊天，还是一个能在真实世界里帮你干活，但也更危险的空间智能AI呢？你希望它先出现在你生活中的哪个场景里？
好了，今天关于《从语言到世界：空间智能是不是AI的下一个前沿》这个话题，就先聊到这里。大家还有什么其他看法，欢迎在评论区留言讨论。
最后，再次提醒一下大家，记得点个赞，关注一下明月三千里的频道，打开小铃铛。咱们下期再见！