DrFeiFei 发文谈 AI 下一前沿：从语言走向世界，核心在空间智能

AI 已经学会了写诗、写代码、甚至生成逼真的短视频，但如果你让最先进的多模态大模型判断一张照片里杯子和桌角有多远，它的准确率可能比抛硬币好不了多少。

被誉为「AI 教母」的斯坦福教授李飞飞近日发表长文，直言现在的语言模型依然是「黑暗里的文字工匠」，能言善辩却未曾在现实世界扎根。她认为，AI 的下一个十年不属于更大的词表，而属于「空间智能」。

与这篇长文一同落地的，还有她联合创办的初创公司 World Labs 推出的首款商业产品 Marble。

大模型依然是「黑暗里的文字工匠」

在李飞飞看来，人类的智力进化早在语言出现之前，就靠感知和行动的闭环建立起来了。

小婴儿在牙牙学语之前，就已经靠爬行和抓握来理解重力、深度与空间。无论是古希腊学者通过阴影夹角计算地球周长，还是沃森与克里克亲手拼接金属片解开 DNA 双螺旋结构，人类许多关键认知突破都依赖空间想象，而不是单纯的文字推演。

现在的多模态大模型虽然能看图说话，但在空间推理上几乎处于不及格状态。李飞飞在文章中指出，顶尖多模态模型在判断距离、朝向和物体尺寸时，表现常常并不比随机猜测更好，更不用提在脑海中旋转物体、走迷宫或者理解基础物理规律。目前风靡的 AI 视频，也往往在几秒钟之后就开始失去物理连贯性。

要跨过这道坎，AI 必须从生成像素或文本转向构建「世界模型」，学会理解并生成具备物理一致性的三维空间。

用一句话把 3D 世界塞进虚幻引擎

去年秋天刚刚完成 2.3 亿美元融资的 World Labs，正试图把这套理论变成生意。

李飞飞与 Justin Johnson、Christoph Lassner、Ben Mildenhall 等人联合创立的公司，本周正式发布了首款商业工具 Marble。用户只需要输入文字、图片或者视频提示词，就能直接生成一个可以交互、可下载的三维虚拟世界。

这款工具目前分为四个层级。免费用户每月可以生成 4 个世界；Standard 档每月 20 美元，支持 12 次生成和更多编辑选项；Pro 档每月 35 美元，包含 25 次生成额度并开放商业使用权；最高规格的 Max 档每月 95 美元，提供 75 次生成。

从媒体的实际测试来看，用户可以生成带瀑布的露天城堡，或是被植物覆盖的废墟建筑，并且能够以第一人称走入其中。不过当前的技术边界依然明显，用户在场景里走上几步，就会撞上一道看不见的 3D 边界墙。

好在付费用户下载的文件可以直接导入 Unreal Engine 和 Unity，让游戏制作人员和视效团队在专业引擎里继续加工。

为什么重要

对于独立游戏开发者、影视概念设计师和 3D 创作者来说，Marble 值得现在就去试一试。过去搭建一个哪怕仅供前期预览的 3D 场景，也需要数名美术师花上几天时间，而现在几分钟内就能拿到一个可交互的毛胚房。

在行业格局上，当大语言模型和 2D 生图逐渐卷入价格战与同质化竞争，头部力量正迅速把目光移向物理世界。Google、腾讯以及多家机器人实验室，都在加速押注能够理解物理规律的模型。

我们认为，World Labs 这一步走得相当务实。它没有一上来就去死磕通用的具身智能机器人，而是先切入 3D 内容生成的商业管线，让游戏和影视团队为算力买单，用商业闭环来反哺底层的世界模型研发。

不过隐患也同样明显。生成几张看起来立体的全景贴图，和真正理解物体碰撞、刚体运动的「世界模型」之间，还隔着一条巨大的鸿沟。用户走几步就会撞墙的表现说明，现阶段的 Marble 更像是一个高阶的 3D 场景生成器，离李飞飞描绘的物理世界推理引擎，显然还有很长的路要走。