Landing AI 本期论点：空间智能，是 AI 走向通用化过程中的下一个关键前沿。

语言模型让我们对话世界，图像模型让我们感知世界，而空间模型将决定我们能否在世界中行动。李飞飞与 World Labs 的新冒险，或许将决定下一个 AI 平台级变革的起点。

当大语言模型风靡全球、生成式 AI 深度嵌入日常生活，从搜索、写作到编程，无一不在改变人类的思维与表达方式。然而，在 AI 社区的一场炉边对谈中，李飞飞却抛出了一个更具挑战性的问题：" 我们有没有忘了，AI 其实生活在世界里？"

近期，在 YC 举办的一场线下活动，作为到场嘉宾，斯坦福大学教授、前 Google Cloud 首席科学家李飞飞分享了她的最新判断：真正的通用人工智能（AGI），不仅要能处理语言和图像，还必须具备理解和模拟物理世界的能力。她将这个能力称为 " 空间智能 "（spatial intelligence），并将其定义为未来 AI 最关键、也是最艰难的一道关卡。

注：本文由 ChatGPT 4o 整理

从 ImageNet 到 World Labs：她始终走在数据前面

李飞飞的技术理想从未脱离现实世界的结构。早在 2007 年，她便在普林斯顿大学发起 ImageNet 项目，几乎 " 下载了整座互联网 " 的图像，用于构建一个千万级规模的图像识别数据库。她在对谈中回忆：" 那时候所有人都在研究算法，我选择去研究数据，因为我们需要世界的样本。"

ImageNet 成功激活了深度学习的潜力，也让 " 数据即燃料 " 的范式成为主流。AlexNet 在 2012 年 ILSVRC 比赛中的惊艳表现，证明了大规模有标签数据与神经网络结合的威力。

如今，十五年过去，李飞飞再次投身 " 数据建模 " 的一线，但这次瞄准的是一个维度更高、结构更复杂的对象——三维世界。她创立的创业公司 World Labs，正致力于构建新一代 " 世界模型 "（world models），目标是在虚拟空间中重建、模拟甚至生成一个可供 AI 感知、理解与操作的三维环境。" 我称它为第三代基础模型：语言是第一代，图像是第二代，世界才是终极场景。" 她说。

空间智能为何如此艰难？

在对谈中，李飞飞以极简的方式解释了空间智能的根本难题：" 语言是一维的序列，图像是二维的像素网格，而世界，是 3D + 时间的连续体。"

她将挑战总结为三个层级。首先是 " 维度爆炸 "，语言模型处理的是 token 序列，而空间建模需要理解三维结构及其随时间变化的动态属性，数据维度与计算复杂度指数上升。

第二个挑战是 " 感知病态性 "。我们的视觉系统只能获取二维投影，例如摄像头拍下的是一幅图像，但 AI 却要基于这个图像还原出完整场景的三维结构，包括被遮挡的部分、物体之间的相对位置与大小。这在数学上就是一个 " 病态问题 " ——小误差会被无限放大。

第三个层级是 " 生成与重建的统一 "。李飞飞指出，空间智能模型既要能重建已知场景，也要像生成模型那样 " 幻想 " 未知结构，从扫描现实到虚拟合成，两端之间是一个连续谱。语言模型可以靠大规模爬虫数据做训练，但世界数据 " 藏在人类大脑里 "，难以抓取、组织与标注。

因此，World Labs 选择采用 " 混合式数据策略 " ——人工采集现实场景数据、合成训练数据，并引入物理与语义先验，用小而精、结构性强的数据替代纯粹的规模驱动。

World Labs 要解决什么问题？

在对谈中，李飞飞强调，World Labs 的目标是构建一种 " 既能看见世界、又能想象世界 " 的 AI 能力。她将这种能力称为 " 生成 - 感知一体化 "（generative-perceptual symmetry），区别于过去那种将计算机视觉与生成模型分离对待的做法。

她举例说，在一个真实的厨房里，AI 不仅要识别出 " 锅 "" 勺子 "" 灶台 "，还要理解空间结构，比如 " 锅在灶台上，勺子在锅里 "，并推理 " 如果移动锅的位置，勺子也会被带动 "。这些空间逻辑不仅依赖图像识别，更需要物理模拟能力和空间推理能力。

World Labs 因此不是在做 " 图像模型的升级版 "，而是在打造一个真正用于智能体（agents）运行的世界模型底座——无论是机器人、自动驾驶系统，还是沉浸式 XR 环境，通通需要它。

她也明确提到，World Labs 的第一代产品可能会聚焦 " 场景级 3D 模型生成 " 与 " 任务导向式世界模拟平台 "，服务方向包括家庭机器人、工业制造、空间教学与虚拟现实等多个垂直领域。

为什么 AGI 离不开空间智能？

在当前 AI 技术热点依然集中在语言模型的背景下，李飞飞的判断显得尤为清醒："LLM 只解决了智能的一部分，那是抽象层。真正的智能，还要落地。" 她指出，几乎所有的通用智能应用——无论是自动驾驶、送餐机器人，还是未来的 AI 助理——都涉及对空间环境的理解与应对。

她分析称，通用语言模型解决的是知识表达问题，而空间智能解决的是生存与行动问题。后者才是构建 Agent 的关键基底。如果没有空间建模，所有的 " 行动建议 " 都只是纸上谈兵。

她进一步援引当前几项趋势作为佐证：OpenAI 与 Jony Ive 合作开发的新一代 AI Agent 产品，正在探索具备感知能力的硬件形态；DeepMind 推出的 DreamerV3 模型强调从感知到想象到行动的闭环学习；而 GNN（图神经网络）与 RLHF（人类反馈强化学习）正在强化 AI 对 " 物理世界中关系 " 的理解力。

"AGI 的下一步，不在于更聪明的语言模型，而在于更可靠的世界模型。" 她总结道。

从科研到创业：她为何总走 " 最难的那条路 "？

对李飞飞来说，World Labs 并非她第一次站在未知前沿。她在分享中坦言，从读博时期在几乎没有导师支持的环境中坚持计算机视觉，到 ImageNet 建设初期几乎没人相信数据驱动方法，她早已习惯了 " 没有人铺路的地方自己开一条路 "。

" 我尊重知识，也尊重勇气。" 她说。在 World Labs，她坚持的唯一标准是：" 找那种不怕困难、不怕没人认同的人。" 她称之为 "intellectual fearlessness"，一种在没有路线图的情况下也能长期投身于构建工作中的精神。