大語言模型無法通往AGI，空間智能才是最優(yōu)路徑

作者｜林易

編輯｜重點君

2月4日，在思科（Cisco）AI峰會上，李飛飛以World Labs創(chuàng)始人的身份，披露了公司首款空間智能產(chǎn)品Marble的技術細節(jié) 。

作為這一輪生成式AI浪潮的核心奠基者之一，李飛飛并未盲目追逐大語言模型的熱潮。相反，她再次拋出了一個鮮明的反共識觀點：單純的大語言模型無法通往AGI。

在李飛飛看來，語言在生物進化史上只是最近50萬年的產(chǎn)物，而視覺與觸覺所代表的空間智能，早在5億年前的寒武紀就開啟了神經(jīng)系統(tǒng)的演化競賽。如果AI無法理解三維物理世界、無法具備物理直覺，它就只能被永遠困在數(shù)字的像素中。

帶著這樣的判斷，李飛飛創(chuàng)辦的World Labs試圖走通一條不同于OpenAI的路徑：通過構建具有物理一致性的世界模型，為AI補上感知的短板。

我們梳理了這場訪談的核心信息，以下是重點內容：

1. AGI路線之爭：語言并不是智能的全部，甚至不是智能的基石。

李飛飛用生物進化的宏觀視角重新審視了AI的發(fā)展路徑：語言在人類進化史上只有約50萬年的歷史，是極其晚近的產(chǎn)物。相比之下，視覺、觸覺等感知能力早在5億年前的寒武紀就開啟了演化競賽。

結論是：如果AI只有語言能力，它將被永遠困在數(shù)字世界中。只有補齊了比語言更古老、更基礎的空間智能，讓機器擁有理解、推理并與三維物理世界互動的能力，AI才能真正通往AGI。

2. 重新定義世界模型：物理一致性（Physical Consistency）是關鍵。

李飛飛介紹，作為一個前沿空間智能模型，Marble能接收多模態(tài)輸入，無論是句子、圖片、視頻還是簡單的3D輸入，并將這些提示詞轉化為一個完全可導航、可交互且具有永久一致性的3D世界。

與Sora等強調視覺效果的視頻模型不同，Marble生成的環(huán)境具有幾何結構（Geometric Structure）和物理一致性。這意味著生成的不僅僅是一段像素動畫，而是一個擁有物理屬性的虛擬空間，用戶可以在其中自由漫游。

Marble目前已被用于游戲開發(fā)、影視特效（VFX）、機器人訓練、室內設計等領域，臨床研究人員將Marble用于治療強迫癥，通過生成特定的觸發(fā)環(huán)境（如臟亂的洗衣房）來對患者使用暴露療法。

3. 隨著合成數(shù)據(jù)技術的成熟，世界模型即將迎來類似LLM的Scaling Law爆發(fā)時刻。

為什么物理世界的AI 發(fā)展比語言模型慢？核心瓶頸在于數(shù)據(jù)的信噪比。文本數(shù)據(jù)是清晰、語義明確的，而物理世界的像素（Pixels）和體素（Voxels）充滿了噪音，且難以大規(guī)模獲取 。

為了解決這一難題，World Labs采取了一種混合數(shù)據(jù)策略（Hybrid Data Strategy）：利用互聯(lián)網(wǎng)現(xiàn)有的文本、圖像、視頻數(shù)據(jù)；結合仿真模擬數(shù)據(jù)（Synthetic Data）；加上真實世界采集的數(shù)據(jù)。

李飛飛預判，隨著合成數(shù)據(jù)技術的成熟，世界模型領域即將迎來類似LLM的Scaling Law爆發(fā)時刻。

4. 通用機器人才是AI技術的皇冠，因為自動駕駛與通用機器人的邏輯完全相反。

大眾往往認為自動駕駛是AI技術的皇冠，但在李飛飛看來，通用機器人的維度要高得多。

自動駕駛是2D 邏輯：汽車本質上是一個在二維平面移動的方塊，它的核心任務是避障，只要不碰到東西就是勝利。

通用機器人則是3D 邏輯：機器人的核心任務恰恰相反，是接觸，它必須在三維空間中，以不破壞物體的方式進行精確操作。

5.AI技術的終局是成為新的電力，成為賦能文明的基礎設施。

面對當前關于AI毀滅人類或技術烏托邦的極化爭論，李飛飛表現(xiàn)出了科學家的審慎與人文關懷。

她將AI比作一百多年前的電力。電力的成功，不是因為建立了龐大的電網(wǎng)，而是因為它點亮了學校的燈、驅動了工廠的機器、延長了人類的壽命。同理，AI的成功不在于模型參數(shù)有多大，而在于它能否像電力一樣，成為一種賦能文明的基礎設施，讓每一個體獲得尊嚴與幸福 。

李飛飛在訪談結束時透露，World Labs的目標是讓空間智能技術真正進入醫(yī)療健康、農(nóng)業(yè)制造等各個垂直行業(yè)。希望在2026年，我們能看到擁有了空間智能的AI，真正走出屏幕，與物理世界產(chǎn)生美妙的交互。

以下為李飛飛訪談實錄：

1、空間智能是AI的下一個前沿領域

主持人：很高興能親眼見證World Labs在過去一年中所取得的進展。讓我們先來聊聊你們正在做的事情，以及它為何如此重要。

李飛飛：現(xiàn)在我每天醒來腦子里只思考一件事，那就是空間智能(spatial intelligence)。大約兩年前，我與一群年輕的技術專家共同創(chuàng)立了World Labs。為什么空間智能如此重要？我認為它是AI的下一個前沿領域。如果從進化的角度看待智能發(fā)展，這段歷史可以追溯到5億多年前。最先開啟神經(jīng)系統(tǒng)演化競賽的是感知而非語言。相比之下，語言是一種非常新穎的智能形式，歷史大概只有50萬年。但在15億年前，動物就開始感知光線并觸摸環(huán)境，從而產(chǎn)生了觸覺、視覺、本能和知覺。

“本能”這個詞雖然有些模糊，但不可否認的是，正是通過觸覺和視覺與物理世界進行身體接觸，才開啟了神經(jīng)系統(tǒng)的發(fā)育，引發(fā)了動物進化的軍備競賽。這使得生物在與環(huán)境交互中變得越來越活躍，也越來越智能。我想表達的是，在真實的3D、4D物理世界中進行理解、推理、交互和導航的能力是基礎性的，與語言智能同樣重要。這一核心關鍵技術就是空間智能。這就是為什么我認為它是AI的下一代前沿領域，也是World Labs一直致力于構建的目標。

主持人：請跟我們聊聊Marble，這是你們最近剛剛發(fā)布的產(chǎn)品。究竟什么是Marble？

李飛飛：Marble是我們第一代空間智能模型。雖然我們常隨口稱其為世界模型(world model)，但鑒于目前關于世界模型的定義繁多，稱謂其實并不重要。本質上，這是一個前沿的空間智能模型。Marble能接收多模態(tài)輸入，無論是句子、圖片、視頻還是簡單的3D輸入，并將這些提示詞轉化為一個完全可導航、可交互且具有永久一致性的3D世界。這與大家現(xiàn)在看到的視頻模型截然不同，Marble生成的環(huán)境擁有幾何結構，支持模擬機器人動作或編寫游戲代碼等操作。

李飛飛：我們大約兩個月前發(fā)布了Marble。雖然它仍處于起步階段，是第一代產(chǎn)品，但作為最先進的3D生成式世界模型，我們對開啟這段旅程感到非常激動。

主持人：有一種觀點認為，如果僅僅依賴語言模型，我們將無法實現(xiàn)AGI，必須對自身的物理性進行某種增強。您顯然深信這一點。那么請談談這個維度，隨著時間推移，未來五年最重要的突破點會是什么？除了機器人技術這個顯而易見的用例，還有哪些我們今天無法想象的應用？

李飛飛：其實不需要等五年，我們的用戶和客戶已經(jīng)開始嘗試早期版本的模型了。我們看到用戶利用它開發(fā)游戲；視覺特效(VFX)客戶將其用于商業(yè)化的虛擬制作場景；包括Nvidia在內的大公司、初創(chuàng)企業(yè)及學術實驗室等合作伙伴，正在利用Marble作為訓練環(huán)境來訓練機器人；建筑師和設計師則用它進行室內設計

我們還發(fā)現(xiàn)了一些意想不到的用例。例如，臨床研究人員對Marble表現(xiàn)出了極大的熱情。大量的精神病學和心理健康研究及干預手段都需要沉浸式環(huán)境，且需針對特定情況進行個性化定制。以強迫癥(OCD)為例，患者會被非常具體的場景觸發(fā)，比如我個人會被堆積的臟衣服困擾，但每個人的觸發(fā)點各不相同。研究人員發(fā)現(xiàn)搭建實體環(huán)境非常困難，而Marble只需輸入提示詞，幾分鐘內就能生成各種不同類型的環(huán)境。

此外，還有人將其用于健身訓練，比如個性化的瑜伽環(huán)境。隨著Marble不斷完善，畢竟我們現(xiàn)在還處于早期階段，我相信未來會看到越來越多橫向的應用場景。

2、AI的社會價值

主持人：你進入AI行業(yè)已經(jīng)很長時間了。

李飛飛：這是在委婉地討論我的年齡。

主持人：不，我的意思是，你不僅僅是那種跟風研究了三年的人，而是將畢生精力都奉獻給了AI。當你創(chuàng)立這家公司并著手構建空間智能時，最讓你感到驚訝的是什么？

李飛飛：這個問題問得很好。正如我們討論過的，即便到了我們這個年紀，保持求知欲和學習能力依然是最重要的事情。我投身AI領域已經(jīng)很多年了，最初是因為強烈的好奇心，我想探索什么是智能以及如何讓機器變得智能。當時AI還是一個無人問津的冷門領域，大家甚至不知道怎么拼寫AI，那段時光非常有趣。但過去十年發(fā)生了翻天覆地的變化，AI對我而言不再僅僅是個人層面的追求，它已經(jīng)上升到了文明層面。這讓我作為教育者和企業(yè)家多了一層責任感，不僅要在技術上做出貢獻，還要推動其健康發(fā)展。

作為企業(yè)家，最讓我驚訝的有幾點。首先是過去幾年AI的發(fā)展速度令人屏息。無論我們外表如何淡定，內心深處都難免焦慮，因為有太多的論文要讀、太多的博客、新聞和模型發(fā)布。這種焦慮感正是我們這個時代的寫照，技術正以驚人的速度推動我們前進。這讓我既興奮又清醒，正如蘇格拉底所言“我一無所知”，我希望大家不要放棄學習，保持好奇心。

另一點讓我驚訝甚至擔憂的是關于AI的極化言論。網(wǎng)絡上的討論往往是非黑即白的：要么是完全的技術烏托邦主義，忽略了技術是一把雙刃劍；要么就是末日論調，仿佛人類時刻面臨生存危機。對于一項對人類文明如此深遠的技術，這種討論方式是不負責任的。主動權掌握在每一位企業(yè)家、產(chǎn)品經(jīng)理、工程師和公民手中，我們需要具備能動性來引導技術的發(fā)展。我真心希望在邁向2026年及未來的過程中，我們能更客觀、細膩且心懷仁慈地看待AI，既保持樂觀，又肩負起責任，而不是為了博取眼球去發(fā)表極端言論。

主持人：在你心中，未來幾年AI取得什么樣的成果才算成功？我很喜歡你提到的這種兩極分化的觀點，要么工作全部消失盯著大海發(fā)呆，要么技術完全沒用。

李飛飛：如果我們把時間回撥一百多年，想象一下當時的人們如何定義電力的成功。很難想象那個版本的我們能預見到今天的景象，但我希望那時的愿景是：學校燈火通明，家園溫暖如春，機器被賦予力量實現(xiàn)工業(yè)化，進而延長人類壽命，讓更多孩子接受教育。這就是技術和AI的意義，是一種永恒的價值。成功的定義應該是文明變得更加美好，而文明是由每一個追求幸福、繁榮且擁有尊嚴的個體組成的。這就是AI以及每一項技術成功的定義。

3、世界模型與具身智能的技術難點

主持人：接下來我們談談戰(zhàn)術層面。Large World Models（大型世界模型）的計算密集度是否與Language Models（語言模型）相當？

李飛飛：首先，存在不同種類的大型世界模型。我們致力于創(chuàng)建具有顯式3D表示的世界模型，以賦能機器人、游戲、娛樂和設計等領域。還有一類通常被稱為世界模型的其實是視頻生成模型。目前我們的模型規(guī)模并沒有那么大。從宏觀視角來看，GPT-5的訓練量大約在10的26次方flops（每秒浮點計算）左右，而我們的Marble模型在規(guī)模上仍要小幾個數(shù)量級。

主持人：這僅僅是因為沒有足夠的數(shù)據(jù)來喂給這些模型嗎？

李飛飛：我認為兩者兼而有之。規(guī)模化確實始于數(shù)據(jù)和模型參數(shù)，數(shù)據(jù)起到了重要作用。但另一方面，這個領域還處于早期階段。Transformer論文發(fā)表于2016年左右，語言模型的發(fā)展已經(jīng)快十年了，而世界模型是一個新得多的領域。雖然過去兩年我們降低了一些科學風險，但仍處于探索模型架構的相對早期階段，所以規(guī)模較小。不過考慮到我們實驗室以及整個領域的進展，接下來的幾年將會非常令人興奮，我們將見證大型世界模型在Scaling Law（規(guī)模定律）曲線上的飛躍。

主持人：這讓我很著迷。語言模型是在互聯(lián)網(wǎng)上免費、公開的數(shù)據(jù)上訓練的，獲取海量數(shù)據(jù)相對容易。但物理數(shù)據(jù)很難獲取，因此合成數(shù)據(jù)（Synthetic Data）變得至關重要，同時你也需要以更慢的速度去收集真實數(shù)據(jù)。這帶來了哪些限制？世界模型的進步速度會因此變慢嗎？我們會擁有通用機器人，還是因為數(shù)據(jù)限制只能擁有專用機器人？

李飛飛：這是一個信息量很大的問題。在World Labs，我們采取混合數(shù)據(jù)策略。我非常羨慕研究語言的朋友，因為語言數(shù)據(jù)的輸入是完全可觀測的、單一模態(tài)的，且含義清晰。而像素或體素構成的3D世界則要混亂得多。為了突破技術極限創(chuàng)造3D、4D世界，我們必須意識到我們并沒有海量的3D數(shù)據(jù)。因此我們采取分層混合方法：利用互聯(lián)網(wǎng)規(guī)模的文本、圖像和視頻，結合模擬數(shù)據(jù)，再加上真實世界采集的數(shù)據(jù)。這就像自動駕駛公司花費數(shù)十年收集真實和模擬數(shù)據(jù)一樣。

至于速度，雖然數(shù)據(jù)獲取難，但算力在增強，芯片在進步，整個生態(tài)系統(tǒng)也在成熟。我們現(xiàn)在合作的數(shù)據(jù)供應商在三年前甚至不存在。合成數(shù)據(jù)確實發(fā)揮了很好的作用，而且我們正在制作的模型也將反過來為模擬世界貢獻數(shù)據(jù)，形成飛輪效應。

關于通用機器人，這幾句話就能概括，但做起來很難。我在斯坦福運營機器人實驗室十多年，作為科學家，我必須承認這是一個極具挑戰(zhàn)的問題。看清北極星并不意味著旅程會很短。回想2006年，我和同事帶領團隊創(chuàng)造了第一輛在沙漠行駛138英里的自動駕駛汽車，當時我們預言20年后會有自動駕駛汽車。直到去年，Waymo才開始在城市街道大規(guī)模運行，這確實是一段漫長的旅程。

汽車與機器人的區(qū)別在于，汽車可以被視作一個在二維平面上移動的方塊機器人，它的目標是不要碰到任何東西。而機器人是一個三維實體，在三維世界中運行，通用機器人的目標是必須接觸物體而不破壞它們。這是一個更高維度的問題，加上手部模擬的極高難度、視覺的精準度以及空間理解的需求，挑戰(zhàn)巨大。這就是我創(chuàng)立World Labs的原因。我不喜歡過度承諾，但這確實是我們致力于解決的重要問題。

主持人：最后，對于企業(yè)界人士，他們應該如何看待世界模型、物理AI以及你正在思考的整個領域？

李飛飛：雖然我的思維方式有時候還像個研究生，總想著要有免費食物才行，但對于企業(yè)而言，World Labs非常樂意與合作伙伴交流。世界模型和空間智能是一項橫向技術。我們談論機器人、模擬和沉浸式交互娛樂，但這不僅僅局限于此。我們還沒有深入探討醫(yī)療保健、教育產(chǎn)品、現(xiàn)場服務、金融服務、農(nóng)業(yè)制造、倉儲檢測以及城市規(guī)劃等領域。利用空間智能我們可以做的事情還有很多，這確實是下一個前沿領域，我邀請大家無論是與我們合作還是獨立開展研究，都加入到這個進程中來。