斯坦福大學教授、World Labs 聯合創辦人李飛飛近日發表長文《從文字到世界：空間智能是 AI 的下個前沿》（From Words to Worlds: Spatial Intelligence is AI’s Next Frontier），指出當前以大型語言模型（LLM）為代表的人工智慧雖能處理龐大知識，但依然「在黑暗中行走」，缺乏對真實世界的理解。她強調，「空間智能」（Spatial Intelligence）—— 即人類用以理解、導航並與三維世界互動的能力，將是實現真正通用人工智能（AGI）的關鍵突破。
AI女王李飛飛稱，如今的LLM仍是「 黑暗中的文字匠 」。 （網絡圖片）
「AI仍是黑暗中的說書人」
李飛飛指出，如今的 LLM 雖能生成文本、程式碼與圖像，已深刻改變人類創造與溝通方式，但它們仍是「黑暗中的文字匠」—— 能言善辯，卻缺乏經驗與物理常識。她認為，AI 要真正理解世界，必須具備與人類相似的空間推理與感知能力，能夠想像、操控並解釋三維環境中的關係、物理法則與行為。
她回顧自己25年來的研究歷程，從建立 ImageNet 推動視覺革命，到將電腦視覺與機器人學結合，再到創立 World Labs，都是為了追尋讓 AI「看懂並行動於世界」的目標。
空間智能：人類認知的支架
李飛飛指出，人類的智慧源自感知與行動的循環。早在語言、文化或科技誕生之前，生物便透過觀察、觸覺與動作理解環境，這種進化機制奠定了智能的基礎。
空間智能滲透於日常生活——從開車、接物、走路到設計與創作；消防員在煙霧中判斷方向、孩子通過遊戲學習世界，這些都是目前 AI 難以模仿的「自發理解」。
她指出，空間智能不僅支撐人類的行動，也孕育了想像力與創造力：藝術家、建築師、工程師與科學家都依靠空間推理來構思與實踐。歷史上的重大發現——從埃拉托斯特尼以幾何測地球周長，到沃森與克里克構建 DNA 模型——皆源於對空間結構的洞察。
為何AI仍「不懂世界」
儘管多模態大型模型（MLLM）已能處理影像、影片甚至生成短片，但其空間理解仍十分有限。「最先進的模型在估算距離、方向或旋轉時的表現幾乎與隨機相同，無法預測基本物理規律，生成影片往往幾秒後就失去連貫性，」李飛飛寫道。
她認為，真正的智慧不僅是語言能力，更包括對世界關係的整體理解。沒有空間智能，AI 將無法安全駕駛、協助醫療、構建沉浸式學習體驗，或推動科學研究。「AI 必須從文字邏輯走向世界理解，才能真正貼近現實。」
「世界模型」：AI的下一步
李飛飛提出，實現空間智能的核心是建立「世界模型」（World Models）—— 一種能理解、生成並與語義、物理、幾何與動態世界互動的新型生成模型。她將其能力歸納為三個方向：生成性：能產生符合物理與幾何規律的模擬世界，並保持時間與狀態的一致性；多模態性：能接收圖像、文本、手勢等多種輸入，並以不同形式生成完整世界；交互性：能根據動作輸入預測世界的下一個狀態，形成「理解—行動—再理解」的閉環。
她指出，這將是未來十年AI領域的決定性挑戰。World Labs 正在研發相關架構與算法，如可維持場景連貫性的即時生成模型 RTFM，以及首個能透過多模態輸入創建持續3D環境的世界模型Marble。
「維特根斯坦說：『我的語言的界限意味著我的世界的界限。』對 AI 來說，這句話尤為貼切，」李飛飛寫道。她相信，空間智能代表著 AI 從語言邏輯走向感知、想像與行動的躍遷，「它將使機器真正成為人類的創造與探索夥伴，開啟新一輪的智能革命。」
下載APP