Transcription
我知道，你可能覺得LLM這個話題不新鮮了。現在AI太火了，特別是那些大語言模型。寫文章、畫畫、聊天，好像無所不能。它們的進展確實快得讓人眼花繚亂。
但是，就在最近，AI領域的頂尖科學家李飛飛博士發表了一篇影響深遠的文章，為這股熱潮提出了一個特別關鍵，甚至可以說是潑了一點冷水的觀點。她給當今最先進的AI起了一個非常形象的比喻，叫作“黑暗中的文字匠”。
“黑暗中的文字匠”，你仔細品味一下這個詞。它說的是，這些AI模型好像學富五車，能言善辯，但它們對我們所生活的這個實實在在的物理世界缺乏真正的理解，也談不上什麼互動能力。它們是處理符號和模式的大師，但對於空間、物理規律這些構成我們現實世界的基本要素，它們其實是“盲”的。
這就引出了一個非常根本的問題：如果一個所謂的“智能”，它不理解我們賴以生存的空間，不懂基本的物理常識，那它還能算是我們所期待的那種真正的、完整的智能嗎？
所以，今天我就想借著李飛飛博士的這篇文章，深入地聊一聊她提出的這個概念——“空間智能”。為什麼她說這是“人工智能的下一個前沿”？這份量可不輕啊。以及，如果我們真的能讓機器掌握這種能力，我們的未來，又會變成什麼樣？
而提出這個觀點的人是李飛飛博士，這就更值得我們重視了。熟悉AI發展史的朋友都知道，她當年主導的ImageNet數據集，可以說是直接點燃了這一輪深度學習的熊熊火焰。可以說，沒有ImageNet，我們今天看到的很多視覺AI的突破，可能還要晚好幾年。
她自己也說，空間智能是她整個研究生涯一直在追尋的“北極星”，目標非常明確並且堅定。所以這篇文章，可以說是她幾十年思考和實踐的一次重要總結。
好，那我們就從最基本的問題開始吧。到底什麼是“空間智能”？
李飛飛博士說，它是“我們認知賴以建立的腳手架”。這個“腳手架”的比喻，我們該怎麼理解呢？它想強調的是，空間智能不是什麼錦上添花的東西，而是我們整個認知能力的基礎建築，是一個底座。聽起來很底層，對吧？沒錯，是極其底層。
我們可以從進化的宏大視角來看一看。在地球生命幾十億年的歷史長河裡，特別是在動物智能的演化過程中，在出現複雜的語言和抽象思維之前，最根本、最核心的智能形式是什麼？是感知和運動。對，就是感知環境，然後根據感知做出行動。
一個最原始的單細胞生物，能感知光線強弱，然後朝著有光或者避開強光的地方移動；一隻蟲子，能感覺到前面有障礙物，然後繞開走。這種“感知-行動”的循環，就是智能最核心的驅動力。我們的神經系統，正是在不斷處理這種與物理世界互動的過程中，才變得越來越複雜。
所以你看，不是先有思考再有行動，而是感知和行動，共同催生了思考。正因為我們需要在這個三維空間裡生存、覓食、躲避危險，我們需要理解空間，預測物體的運動，協調自己的動作，這才一步步驅動了大腦越來越強大的信息處理能力。
所以說，我們之所以能思考、能創造，很大程度上就是建立在這個與物理世界互動的“腳手架”之上。沒有這個基礎，上面的認知大廈可能根本就搭不起來。這麼一說，空間智能的重要性就完全體現出來了。它不是一個選項，而是我們認知系統得以運作的前提。
你可能會覺得，這是不是飛行員、外科醫生、建築師這些專業人才才需要的能力？恰恰相反，我們普通人每時每刻都在運用空間智能，只是我們自己常常意識不到。我給你舉幾個例子，你馬上就能體會到。
比如，側方停車。新手司機朋友們肯定深有體會吧？你需要在大腦裡模擬你的車、它的位置、轉向角度，判斷它跟前後車、跟馬路牙子的相對位置關係。你得預測，方向盤打這一下，車尾會怎麼甩，車頭會怎麼擺。老司機憑的所謂“車感”，其實就是高度熟練、已經內化成直覺的空間智能。
再比如，別人隨手扔給你一把鑰匙，你下意識就伸手去接了。這個過程快到你來不及思考，但你的大腦其實在零點幾秒內完成了一系列極其複雜的計算：眼睛捕捉鑰匙的運動軌跡，大腦預測它的落點和速度，然後身體協調手臂和手掌的肌肉，在恰當的時間和空間位置，完成抓握。
甚至，你在早高峰的地鐵站裡穿行，你需要不斷觀察周圍人的移動方向和速度，預測他們下一步往哪走，然後規劃自己的路徑，見縫插針，避免碰撞。這本質上，也是一種動態的空間感知和路徑規劃。
這些例子都說明，空間智能滲透在我們日常行為的方方面面。它太基礎、太自然了，以至於我們常常忽略了它的存在。
文章裡還提到了一個更極致的例子，就是消防員在火場裡的判斷。你想想那個場景：濃煙滾滾，能見度極低，內部結構可能已經變形甚至隨時會坍塌。在這種地獄難度的環境下，消防員不可能看地圖。他們依賴的是一種基於經驗和訓練的、近乎本能的空間直覺。他們要通過聲音判斷火源的位置，通過團隊成員一個簡單的手勢、一個身體姿勢來協同行動。在這種極端壓力下，快速準確地理解空間狀況並做出關乎生死的決策，這絕對是空間智能能力的極限考驗。
說到這裡，你可能會發現，空間智能不僅關乎我們怎麼行動，還關乎我們怎麼學習和理解這個世界。想想看，一個嬰兒，他還不會說話的時候，是怎麼學習的？就是到處爬，到處摸。看到什麼都想抓起來往嘴裡塞。他在玩耍的過程中，其實在無意識地學習這個世界最基本的規則：物體是佔據空間的，東西會往下掉，用力推球球會滾走……他在通過和環境的直接物理互動，來建立對空間關係、物體屬性、因果聯繫的理解。
這種互動式的學習，是發生在語言能力發展之前的，是我們認知大廈的第一塊基石。而且，這種能力還和我們的想象力與創造力緊密相關。你可能會覺得，行動和想象是兩個領域，但你想想，什麼是想象力？在很大程度上，它就是在我們的大腦內部，構建和操縱一個虛擬的空間和物體。
一個作家寫奇幻小說，得先在腦海裡構建出那個世界的地圖和城堡；一個導演拍電影，得在腦海裡預演鏡頭和走位。我們普通人讀小說，也會不自覺地在腦海裡勾勒出那些場景。這種在“心靈之眼”中構建虛擬空間的能力，本質上就是空間智能在認知層面的延伸。孩子們搭積木，玩《我的世界》這個遊戲，其實就是在鍛鍊這種基於空間的想象和創造。
更專業的，像工業設計、建築設計，甚至是現在很火的“數字孿生”技術，核心都是對三維空間形態的構思、建模和仿真。
所以你看，從最基礎的感知行動，到學習認知，再到高級的想象創造和工程應用，空間智能這個“腳手架”，確實支撐起了我們認知能力的方方面面。
為了讓我們更深刻地理解這一點，文章還舉了幾個歷史上推動人類文明進步的關鍵時刻，我覺得特別有說服力。
第一個例子，是兩千多年前，古希臘的埃拉託斯特尼計算地球周長。他發現，在夏至正午，一個地方的深井沒有影子，而另一個地方的方尖碑卻有。就憑這個微小的空間差異，他意識到地球表面是彎曲的。然後，通過測量影子角度，估算兩地距離，再運用幾何學進行了一次宏大的空間推理，就相當準確地計算出了地球的周長。整個過程，完全是在頭腦中，對一個球形的地球、平行的太陽光線、不同地點的空間關係進行了一次輝煌的想象和操縱。
第二個例子，是工業革命時期的珍妮紡紗機。它的核心突破，不是什麼複雜的機械原理，而是一種空間佈局上的創新。發明者哈格里夫斯把原本一次只能紡一根線的紡錘，並排、豎直地安裝在一個框架上，讓一個輪子能同時驅動八個紡錘。你看，他沒有在單個零件上鑽牛角尖，而是改變了零件之間的空間組織方式，從而實現了生產力的飛躍。這也是一種空間智能。
第三個例子，是我們更熟悉的，沃森和克里克發現DNA雙螺旋結構。他們不是純靠計算，而是真的動手，用金屬片和金屬絲，去搭建一個個物理的三維分子模型。他們是在反覆地拼接、旋轉、調整這些“分子積木”的過程之中，才最終“看”到了那個簡潔、優美、又能解釋所有數據的雙螺旋結構。這種物理模型的構建和空間可視化，起到了絕對關鍵的作用。
從天文學，到機器發明，再到分子生物學，這三個跨越千年的例子，都清晰地展示了空間智能的力量。它關乎我們如何想象、操縱和推理空間中的物體與關係。而這種能力，很難僅僅通過閱讀文本來獲得。這也完美地解釋了，為什麼李飛飛博士說，現在的AI，就像那個“黑暗中的文字匠”。
好，我們現在對空間智能的重要性，有了比較深入的理解。那那我們再回到現在的人工智能。文章明確指出，即便現在最強的多模態大模型，也存在著嚴重的不足。具體表現在哪呢？
你給模型看一張桌子上有個杯子的照片，問它：“杯子離桌邊有多遠？往左挪10釐米會掉下去嗎？”它很可能會瞎猜，因為它並沒有在內部真正建立起一個關於這個場景的三維空間模型。它“看懂”圖像，更多是基於模式識別，知道那個像素組合叫“杯子”，但它不懂深度，不懂距離。
再比如，你讓它在腦子裡把一把椅子旋轉90度，再告訴你從上面看是什麼樣子，它也基本做不到。它對物體的三維結構，缺乏真正的表徵。
所以，為什麼現在AI生成的視頻，你看長一點時間就會覺得“穿幫”？因為物體可能會相互穿透，運動軌跡會無視重力，光影會前後不一。這都說明，模型內部並沒有一個關於物理世界如何運作的、穩定一致的理解。
所以總結一下就是，它們擅長處理靜態的符號和模式，但在理解動態的、需要空間感知的物理世界並與之互動方面，存在著根本性的侷限。正如哲學家維特根斯坦所說：“我的語言的界限，意味著我的世界的界限。”但對於智能而言，這個世界，遠遠不止於語言。
而要實現自動駕駛、家庭服務機器人、AI輔助手術等等我們期待的關鍵應用，空間智能，恰恰是那塊不可或缺的拼圖。
那麼，問題就很清楚了。空間智能如此重要，現有AI又能力不足，那我們該怎麼辦？
這就引出了李飛飛博士提出的解決方案，一個聽起來就比大語言模型要宏大得多的概念——“世界模型”（World Models）。你可以把它想象成下一代的生成式AI，它的目標，不再僅僅是生成語言或者像素，而是要能夠理解、推理、生成，並且能與一個複雜的世界進行交互。這個世界，可以是我們真實的物理世界，也可以是虛擬的想象世界。
要實現這個宏偉目標，一個理想的“世界模型”需要具備三個相輔相成的核心能力：
第一，是生成性（Generative）。但它要生成的不是孤立的圖片，而是一個完整的、內在一致的世界。這個世界需要同時滿足幾何上的一致（物體不穿模）、物理上的合理（符合重力、碰撞等規律）和動態上的連貫。它要生成一個“活的”、有規則的世界。
第二，是多模態（Multimodal）。因為我們人類就是通過視覺、聽覺、觸覺、語言等多種方式感知世界的，所以世界模型也必須能融合來自圖像、視頻、文字指令、傳感器數據等等各種信息，來推斷出一個完整的世界狀態。
第三，也是最核心的，是交互性（Actionable）。這意味著，如果你給模型一個“動作”指令，比如“把那個紅色的積木放到藍色積木上”，模型必須能預測出執行這個動作之後，世界會演變到的下一個狀態。它要能準確地預測動作的後果。更進一步，它甚至能根據一個高層目標，比如“打掃客廳”，自己規劃出一系列動作。這對於實現真正的智能機器人至關重要。
生成性、多模態、交互性，這三者結合，描繪了一個極其強大的AI模型。但要實現它，挑戰也是巨大的，甚至可能超過之前AI領域遇到的任何單一任務。
首先，是需要找到新的訓練目標。語言模型能成功，靠的是“預測下一個詞”這個簡潔又強大的任務。但對於複雜的世界模型，我們很難找到一個同樣簡單普適的訓練目標。
其次，是數據問題。我們需要海量的、高質量的訓練數據。互聯網上的視頻是寶藏，但它們大多是二維的，缺乏底層的三維幾何和物理信息。因此，利用物理模擬器生成高保真的“合成數據”就變得至關重要。當然，如何彌合模擬與現實的差距，本身也是個大難題。
最後，是需要全新的模型架構。現有的模型，往往還是把世界“壓扁”成序列來處理，這對於理解三維空間結構和長期動態變化是力不從心的。我們需要能真正表徵四維時空的新架構。
李飛飛博士他們創立的World Labs，就在攻克這些難題。他們開發了像RTFM、Marble這樣的早期原型，嘗試生成可交互、並能維持一致性的三維環境。這雖然只是第一步，但方向已經非常明確。
那麼，我們投入如此巨大的精力，去克服這麼多困難，最終是為了什麼？我覺得，這正是李飛飛博士這篇文章中最打動我的地方。她反覆強調，技術的發展，必須是“以人為本”（Human-Centered）的。AI應該是我們創造的工具，為人類福祉服務，並最終由人類來引導和治理。它的價值，在於增強（augment）而不是取代（replace）我們。
發展空間智能和世界模型，最終的目標不是要創造一個統治我們的“超級智能”，而是要創造出能夠更好地理解物理世界、能與我們更自然協作的夥伴。
文章為我們描繪了一幅激動人心的未來圖景，大致可以分為三個階段：
近期，空間智能會首先變革創意工具。想象一下，未來遊戲開發者、設計師，甚至我們普通人，都可以用自然語言或者簡單的草圖，快速生成一個可交互的三維世界。每個人都能成為自己想象世界的“造物主”。
中期，它將深刻地變革機器人學。有了強大的世界模型，機器人可以在虛擬世界中進行海量的“演練”，從而真正走出工廠，進入我們的家庭、醫院，成為能理解我們意圖、與我們和諧協作的夥伴。
而從長遠來看，它將在科學發現、醫療健康和教育等領域，產生最深遠的影響。科學家可以利用它模擬宇宙、新材料；醫生可以利用它進行精準的診斷和手術規劃；孩子們則可以在虛擬的細胞內部、在古羅馬的鬥獸場裡，進行沉浸式的、具身化的學習。
所有這些令人興奮的可能性，都服務於一個終極目標：利用AI來增強我們的專業知識，加速我們的探索發現，放大我們的關懷與創造力，但絕不是要取代人類的判斷、同理心和智慧。
文章的結尾有一個類比，讓我感觸很深。自然界用了將近5億年的時間，通過漫長的進化，才發展出我們今天所知的這種精妙的空間智能。而我們這一代人，正處在一個歷史性的時刻。我們正處在將這種強大的能力賦予機器的開端。這既是前所未有的機遇，也意味著沉甸甸的責任。我們必須確保，這種理解和操控物理世界的力量，最終是被用於促進全人類的福祉。
你或許會繼續思考：當機器真正掌握了對我們這個物理世界的深刻理解和互動能力之後，當它們不再僅僅是“看懂”世界，而是能在其中行動自如時，我們人類自身與這個物理世界的關係，會因此發生改變嗎？我們對於什麼是真實，什麼是體驗，甚至是什麼是“存在”本身的理解，又會因此，發生怎樣微妙而深刻的演變呢？
好的，今天的視頻就先聊到這裡。如果你喜歡今天的節目，別忘了點贊、分享，並訂閱我的頻道，及時獲取科技資訊和深度解析。感謝觀看，我們下期再見！