李飞飞：空间智能是AI的下一个前沿

2月4日，在思科（Cisco）AI峰会上，李飞飞以World Labs创始人的身份，分享了公司首款空间智能产品Marble的技术细节。

作为生成式AI浪潮的核心奠基者之一，李飞飞并未盲目追逐大语言模型的热潮。相反，她提出了一个鲜明的反共识观点：单纯的大语言模型无法通往AGI（通用人工智能）。

在李飞飞看来，语言在生物进化史上只是最近50万年的产物，而视觉与触觉所代表的空间智能，早在5亿年前的寒武纪就开启了神经系统的演化竞赛。如果AI无法理解三维物理世界、无法具备物理直觉，它就只能被永远困在数字的像素中。

基于这样的判断，李飞飞创办的World Labs试图走通一条不同于OpenAI的路径：通过构建具有物理一致性的世界模型，为AI补上感知的短板。

我们梳理了这场访谈的核心信息，以下是重点内容：

1. AGI路线之争：语言并不是智能的全部。

李飞飞用生物进化的宏观视角重新审视了AI的发展路径：语言在人类进化史上只有约50万年的历史，相比之下，视觉、触觉等感知能力早在5亿年前的寒武纪就开启了演化竞赛。

结论是：如果AI只有语言能力，它将被永远困在数字世界中。只有补齐了比语言更基础的空间智能，AI才能真正通往AGI。

2. 重新定义世界模型：物理一致性是关键。

李飞飞介绍，Marble作为一个前沿空间智能模型，能接收多模态输入，并将这些提示词转化为一个完全可导航、可交互且具有永久一致性的3D世界。

与强调视觉效果的视频模型不同，Marble生成的环境具有几何结构和物理一致性。这意味着生成的不仅仅是一段像素动画，而是一个拥有物理属性的虚拟空间。

Marble目前已被用于游戏开发、影视特效（VFX）、机器人训练等领域。

3. 合成数据技术成熟，世界模型将迎来爆发时刻。

为何物理世界的AI发展比语言模型慢？核心瓶颈在于数据的信噪比。

为了解决这一难题，World Labs采取了一种混合数据策略：利用互联网现有的文本、图像、视频数据；结合仿真模拟数据；加上真实世界采集的数据。

李飞飞预判，随着合成数据技术的成熟，世界模型领域将迎来类似LLM的Scaling Law爆发时刻。

4. 通用机器人才是AI技术的皇冠。

大众往往认为自动驾驶是AI技术的皇冠，但在李飞飞看来，通用机器人的维度要高得多。

自动驾驶是2D逻辑，而通用机器人则是3D逻辑：机器人的核心任务是接触，在三维空间中以不破坏物体的方式进行精确操作。

5. AI技术的终局是成为新的电力。

面对当前关于AI毁灭人类或技术乌托邦的争论，李飞飞表现出科学家的审慎与人文关怀。

她将AI比作一百多年前的电力。电力的成功不仅因为建立了庞大的电网，更因为它点亮了学校的灯、驱动了工厂的机器、延长了人类的寿命。同理，AI的成功在于它能否像电力一样成为赋能文明的基础设施。

李飞飞在访谈结束时透露，World Labs的目标是让空间智能技术进入医疗健康、农业制造等各个垂直行业。希望在2026年，我们能看到拥有空间智能的AI走出屏幕，与物理世界产生美妙的交互。

以下为李飞飞访谈实录：

1、空间智能是AI的下一个前沿领域

主持人：很高兴见证World Labs在过去一年取得的进展。让我们先来聊聊你们正在做的事情以及它为何如此重要。

李飞飞：我每天醒来都在思考空间智能。大约两年前，我与一群技术专家共同创立了World Labs。为什么空间智能如此重要？我认为它是AI的下一个前沿领域。从进化的角度看智能发展，这段历史可以追溯到5亿多年前。感知而非语言是最先开启神经系统演化竞赛的。相比之下，语言是一种非常新颖的智能形式。

“感知”这个词虽然有些模糊，但不可否认的是，正是通过触觉和视觉与物理世界进行身体接触，才开启了神经系统的发育。这使得生物在与环境交互中变得越来越活跃和智能。我想表达的是，在真实的3D、4D物理世界中进行理解、推理、交互和导航的能力是基础性的。这就是为什么我认为空间智能是AI的下一代前沿领域。

2、AI的社会价值

主持人：你进入AI行业已经很久了。

李飞飞：这是在讨论我的年龄。

主持人：不，我指的是你不仅跟风研究了三年，而是将毕生精力都奉献给了AI。当你创立World Labs并着手构建空间智能时，最让你感到惊讶的是什么？

李飞飞：这个问题问得很好。保持求知欲和学习能力非常重要。我投身AI领域已经很多年了。最初是因为强烈的好奇心。如今AI对我而言不再仅仅是个人追求，它已经上升到了文明层面。这让我作为教育者和企业家多了一层责任感。

3、世界模型与具身智能的技术难点

主持人：谈谈战术层面。Large World Models的计算密集度是否与Language Models相当？

李飞飞：首先，存在不同种类的大型世界模型。我们致力于创建具有显式3D表示的世界模型。目前我们的模型规模并没有那么大。但从宏观视角来看，GPT-5的训练量大约在10的26次方flops左右，我们的Marble模型在规模上仍要小几个数量级。