Landing AI 本期論點：空間智能，是 AI 走向通用化過程中的下一個關鍵前沿。
語言模型讓我們對話世界，圖像模型讓我們感知世界，而空間模型將決定我們能否在世界中行動。李飛飛與 World Labs 的新冒險，或許將決定下一個 AI 平臺級變革的起點。
當大語言模型風靡全球、生成式 AI 深度嵌入日常生活，從搜索、寫作到編程，無一不在改變人類的思維與表達方式。然而，在 AI 社區的一場爐邊對談中，李飛飛卻拋出了一個更具挑戰性的問題：" 我們有沒有忘了，AI 其實生活在世界里？"
近期，在 YC 舉辦的一場線下活動，作為到場嘉賓，斯坦福大學教授、前 Google Cloud 首席科學家李飛飛分享了她的最新判斷：真正的通用人工智能（AGI），不僅要能處理語言和圖像，還必須具備理解和模擬物理世界的能力。她將這個能力稱為 " 空間智能 "（spatial intelligence），并將其定義為未來 AI 最關鍵、也是最艱難的一道關卡。
注：本文由 ChatGPT 4o 整理
從 ImageNet 到 World Labs：她始終走在數據前面
李飛飛的技術理想從未脫離現實世界的結構。早在 2007 年，她便在普林斯頓大學發起 ImageNet 項目，幾乎 " 下載了整座互聯網 " 的圖像，用于構建一個千萬級規模的圖像識別數據庫。她在對談中回憶：" 那時候所有人都在研究算法，我選擇去研究數據，因為我們需要世界的樣本。"
ImageNet 成功激活了深度學習的潛力，也讓 " 數據即燃料 " 的范式成為主流。AlexNet 在 2012 年 ILSVRC 比賽中的驚艷表現，證明了大規模有標簽數據與神經網絡結合的威力。
如今，十五年過去，李飛飛再次投身 " 數據建模 " 的一線，但這次瞄準的是一個維度更高、結構更復雜的對象——三維世界。她創立的創業公司 World Labs，正致力于構建新一代 " 世界模型 "（world models），目標是在虛擬空間中重建、模擬甚至生成一個可供 AI 感知、理解與操作的三維環境。" 我稱它為第三代基礎模型：語言是第一代，圖像是第二代，世界才是終極場景。" 她說。
空間智能為何如此艱難？
在對談中，李飛飛以極簡的方式解釋了空間智能的根本難題：" 語言是一維的序列，圖像是二維的像素網格，而世界，是 3D + 時間的連續體。"
她將挑戰總結為三個層級。首先是 " 維度爆炸 "，語言模型處理的是 token 序列，而空間建模需要理解三維結構及其隨時間變化的動態屬性，數據維度與計算復雜度指數上升。
第二個挑戰是 " 感知病態性 "。我們的視覺系統只能獲取二維投影，例如攝像頭拍下的是一幅圖像，但 AI 卻要基于這個圖像還原出完整場景的三維結構，包括被遮擋的部分、物體之間的相對位置與大小。這在數學上就是一個 " 病態問題 " ——小誤差會被無限放大。
第三個層級是 " 生成與重建的統一 "。李飛飛指出，空間智能模型既要能重建已知場景，也要像生成模型那樣 " 幻想 " 未知結構，從掃描現實到虛擬合成，兩端之間是一個連續譜。語言模型可以靠大規模爬蟲數據做訓練，但世界數據 " 藏在人類大腦里 "，難以抓取、組織與標注。
因此，World Labs 選擇采用 " 混合式數據策略 " ——人工采集現實場景數據、合成訓練數據，并引入物理與語義先驗，用小而精、結構性強的數據替代純粹的規模驅動。
World Labs 要解決什么問題？
在對談中，李飛飛強調，World Labs 的目標是構建一種 " 既能看見世界、又能想象世界 " 的 AI 能力。她將這種能力稱為 " 生成 - 感知一體化 "（generative-perceptual symmetry），區別于過去那種將計算機視覺與生成模型分離對待的做法。
她舉例說，在一個真實的廚房里，AI 不僅要識別出 " 鍋 "" 勺子 "" 灶臺 "，還要理解空間結構，比如 " 鍋在灶臺上，勺子在鍋里 "，并推理 " 如果移動鍋的位置，勺子也會被帶動 "。這些空間邏輯不僅依賴圖像識別，更需要物理模擬能力和空間推理能力。
World Labs 因此不是在做 " 圖像模型的升級版 "，而是在打造一個真正用于智能體（agents）運行的世界模型底座——無論是機器人、自動駕駛系統，還是沉浸式 XR 環境，通通需要它。
她也明確提到，World Labs 的第一代產品可能會聚焦 " 場景級 3D 模型生成 " 與 " 任務導向式世界模擬平臺 "，服務方向包括家庭機器人、工業制造、空間教學與虛擬現實等多個垂直領域。
為什么 AGI 離不開空間智能？
在當前 AI 技術熱點依然集中在語言模型的背景下，李飛飛的判斷顯得尤為清醒："LLM 只解決了智能的一部分，那是抽象層。真正的智能，還要落地。" 她指出，幾乎所有的通用智能應用——無論是自動駕駛、送餐機器人，還是未來的 AI 助理——都涉及對空間環境的理解與應對。
她分析稱，通用語言模型解決的是知識表達問題，而空間智能解決的是生存與行動問題。后者才是構建 Agent 的關鍵基底。如果沒有空間建模，所有的 " 行動建議 " 都只是紙上談兵。
她進一步援引當前幾項趨勢作為佐證：OpenAI 與 Jony Ive 合作開發的新一代 AI Agent 產品，正在探索具備感知能力的硬件形態；DeepMind 推出的 DreamerV3 模型強調從感知到想象到行動的閉環學習；而 GNN（圖神經網絡）與 RLHF（人類反饋強化學習）正在強化 AI 對 " 物理世界中關系 " 的理解力。
"AGI 的下一步，不在于更聰明的語言模型，而在于更可靠的世界模型。" 她總結道。
從科研到創業：她為何總走 " 最難的那條路 "？
對李飛飛來說，World Labs 并非她第一次站在未知前沿。她在分享中坦言，從讀博時期在幾乎沒有導師支持的環境中堅持計算機視覺，到 ImageNet 建設初期幾乎沒人相信數據驅動方法，她早已習慣了 " 沒有人鋪路的地方自己開一條路 "。
" 我尊重知識，也尊重勇氣。" 她說。在 World Labs，她堅持的唯一標準是：" 找那種不怕困難、不怕沒人認同的人。" 她稱之為 "intellectual fearlessness"，一種在沒有路線圖的情況下也能長期投身于構建工作中的精神。
