编辑 | 姜篇

"There is more beyond language intelligence."

李飞飞：语言智能之外，还有更大的世界。

大模型能写代码、做数学题，也能从一张照片里认出桌子和杯子。可如果把它放进一间陌生的房间，它未必知道杯子离桌边还有多远，伸手去拿会不会碰倒旁边的水壶。

李飞飞把这条差距称为 AI 的下一章：空间智能。

备注：李飞飞被业界称为 "AI 教母 "，是 ImageNet 项目的主要推动者之一。她现任斯坦福大学计算机科学教授、斯坦福以人为本人工智能研究院联合主任，同时也是空间智能公司 World Labs 联合创始人兼 CEO。

在新一期访谈中，李飞飞用了两个多小时讨论人类视觉、AI 学习和创造力。

讲到 World Labs 时，她把话题拉回正在发生的技术变化：大语言模型让机器掌握了文字和概念，下一步要让它理解空间、时间和物体之间的关系。

开发者很快就会遇到这类模型。游戏场景、机器人训练、建筑设计和虚拟制作已经开始接入世界模型。

过去 API 返回文字或图片，现在 World Labs 想返回一个可以进入、编辑和继续运行的环境。

以下为访谈内容，我们进行了翻译与整理。

主持人提到了一个场景。

一个孩子见过猫以后，即使只看到书架后面露出一截尾巴，也可能认出那是一只猫。他没有看过几百万张猫的图片，更没有浏览过整个互联网。

李飞飞：孩子也许只见过 3 只猫，最多 10 只。可今天的模型之所以能稳定识别相似场景，靠的是规模庞大的训练数据。人类如何用少量经验形成对物体和环境的理解，至今没有被完全解释。

李飞飞认为，孩子只看过很少的样本，也能识别新的场景；这种学习机制仍未被当前 AI 复现

软件团队也有同样的问题。

故障原因写在日志里，Agent 可以继续追；业务规则只存在于老员工脑子里，它只能猜。仓库缺少文档、服务边界没人记录、事故复盘散落在聊天记录里，模型读完整个代码库也补不齐这些信息。

给 Agent 准备上下文，不能只靠扩大窗口。

图像模型可以给画面里的物体打标签，但空间理解要回答更多问题：杯子在哪里，桌面有多高，前面的物体遮住了什么，人转过身以后房间是否还是同一个房间。

机器人面对的要求更高。

它伸手拿杯子之前，要估计距离和方向；动作执行以后，还得预测杯子、水壶和桌面会发生什么变化。

语言能描述这些关系，却无法完整替代三维结构和物理过程。李飞飞因此认为，语言智能不是 AI 能力的终点。

"Unlocking spatial and physical intelligence is really the next chapter."

李飞飞：解锁空间与物理智能，才是 AI 的下一章。

李飞飞介绍 World Labs 的技术方向，空间与物理智能将补上语言模型尚未覆盖的能力

这也是 " 世界模型 " 与聊天机器人的区别。聊天机器人根据输入生成回答；世界模型还要维护一个环境，理解其中的物体和规律，并估计一次动作会把环境变成什么样。

World Labs 将这套能力拆成渲染、模拟和规划。渲染负责呈现世界，模拟负责计算变化，规划负责决定下一步怎样行动。真正困难的地方，是让三者在同一个循环里保持一致。

李飞飞在访谈中介绍了 World Labs 的做法。

用户输入一句话、一张图片或一幅草图，模型尝试把它变成三维世界。这个世界可以移动视角、继续扩展，也能交给创作工具和机器人训练流程使用。

李飞飞介绍 World Labs 的目标，将文字、图片和草图转换成可探索的三维环境

漂亮的 3D 画面只能证明模型会生成画面，不能证明它理解了这个空间。

开发者还要检查尺度是否稳定、换个视角后物体会不会变形、碰撞关系是否正确，以及离开后再回来，环境是否仍然保持原样。

World Labs 在官方技术文章中也承认，世界模型内部存在不同目标。

世界模型距离稳定的生产工具还有一段路。中间缺的那些评测、编辑、存储和运行能力，正好都是软件工程要补的部分。

训练世界模型主要是图形学和机器人团队的工作，把它做成产品却离不开普通应用开发。

一个线上家装工具需要账户、项目管理和多人协作；一个机器人训练平台需要数据版本、任务队列和评测系统；一个可探索的 AI 场景，也需要在网页和移动端稳定加载。模型负责生成世界，产品仍需要前端、后端、数据和平台工程。

开发者可以关注几项更具体的能力：

· WebGPU、Three.js 和实时 3D 渲染；

· 3D Gaussian Splatting 等新型场景表示；

· 世界模型 API 的异步任务、存储和前端集成；

· 仿真环境与真实设备之间的数据闭环；

· 空间一致性、物理正确性和动作成功率评测。

大多数开发者不需要从头训练世界模型。把生成的环境接进产品，并让它可编辑、可评测、可运行，已经足够形成一条很长的开发链路。

这场访谈里，李飞飞反复使用一个词：agency。

它可以理解成人决定目标、主动学习并采取行动的能力。李飞飞并不主张远离 AI。她担心的是，工具变得方便以后，人开始被动接受答案，连提出问题和判断结果的过程也一并省掉。

"It is about enhancing and augmenting humanity."

李飞飞：AI 应该增强人的能力。

李飞飞认为，AI 应该增强人的能力，而不是夺走人的选择权

她谈到年轻人使用 AI 时，给出了两种都不理想的结果。

一种是因为担心作弊，学校拒绝让学生使用 AI；另一种是学生把思考全部交给工具，逐渐失去学习动力。

李飞飞认为，AI 教育最坏的结果，是工具拿走年轻人的学习主动性和动力

她甚至建议学校教授 Prompt，因为向模型准确描述背景、限制和目标，本身就是一种需要练习的能力。

李飞飞把 Prompt 视为一项需要教育和训练的能力

开发工作也是如此。Agent 可以读仓库、生成场景或运行测试，开发者仍要决定为什么做、结果能不能用、失败后怎样收场。AI 进入的环境越复杂，这些判断越不能交给一次模型调用。

过去两年，开发者熟悉的 AI 入口一直是聊天框和代码编辑器。

空间智能把下一批入口指向了浏览器里的 3D 环境、机器人模拟器、设计工具和现实设备。

语言模型不会因为世界模型出现就消失。比较现实的组合是：语言模型理解意图，世界模型建立环境并模拟变化，Agent 负责调用工具和执行动作。

开发者可以先做一件很具体的事：把世界模型当成一种新的可编程媒介，而不是一张更炫的图片。去调用 API，检查生成结果能否保持一致，把它接进现有产品，再看看渲染、交互、评测和数据链路里还缺什么。

当生成结果要被真正使用时，缺口会立刻出现。下一批开发工具和产品，可能就从这些缺口里长出来。

参考链接：

https://www.youtube.com/watch?v=N5AQFYtqx8Q

——好文链接——

推理工程才是 AI 真正的战场！旧金山 AI 工程师：开发者别卷 Prompt 了，模型决定会不会做，推理系统决定能不能交付

程序员远没到 " 完了 " 的时候！Sam Altman：OpenAI 不包办一切，模型只是底座，开发者仍是 AI 生态的主角

AI 时代，最强开发者更像 CEO！Claude Code 创始人：" 一人军队 " 时代将要到来，好想法成为新的稀缺资源