加州: AI教母李飞飞最新长文火爆硅谷(图

历史上那些塑造文明的关键时刻中，空间智能往往扮演着核心角色。

在古希腊，埃拉托色尼（Eratosthenes）通过对阴影的几何化思考完成了惊人的壮举——他在亚历山大测得太阳影子形成的7度角，并与赛恩（Syene）“正午无影”的现象进行对比，从而计算出了地球的周长。

哈格里夫斯（Hargreaves）发明的“珍妮纺纱机”同样源于空间洞察：他意识到只需将多个纺锤并列安装在一个机架上，一个工人就能同时纺出多股线，生产效率因此提高了八倍。

沃森（Watson）与克里克（Crick）揭示DNA结构的突破，也依赖于他们亲手搭建的三维分子模型——他们用金属板与铁丝不断调整、拼接，直到碱基对的空间排布完美契合。

在这些案例中，空间智能都推动了文明的进步——当科学家与发明家需要操纵物体、想象结构、在物理空间中推理时，这些能力是纯文字永远无法承载的。

空间智能（Spatial Intelligence）是支撑人类认知的脚手架。

无论是被动观察，还是主动创造，它都在默默发挥作用。

它驱动我们的推理与规划，即便是在最抽象的主题上。它同样塑造了我们与世界互动的方式——无论是语言交流，还是身体行动，无论是与他人，还是与环境本身。

虽然我们大多数人并不会每天像埃拉托色尼那样发现新的真理，但我们几乎时时刻刻都以同样的方式在思考通过感官去理解这个复杂世界，并依托对物理与空间规律的直觉认知，使其变得可理解。

遗憾的是，当今的AI还无法以这样的方式思考。

过去几年确实取得了巨大进步。多模态大语言模型（MLLMs），在文本之外又引入了大量多媒体数据进行训练，初步具备了空间感知能力：

它们可以分析图像、回答与之相关的问题，甚至生成超写实的图像与短视频。与此同时，借助传感器与触觉技术的突破，最先进的机器人已经能在严格受限的环境中开始操控物体与工具。

然而，坦率地说，AI的空间能力依然远未接近人类水平。其局限也显而易见：最先进的MLLM在估计距离、方向、大小等任务上，表现往往不比随机猜测好多少；它们无法“心智旋转”物体——即从新角度再现同一对象的形状；不会在迷宫中导航、识别捷径，或预测基本的物理规律；生成的视频虽然新奇炫目，却常在几秒钟后失去连贯性。

如今的顶级AI擅长阅读、写作、检索与模式识别，但当涉及对物理世界的表征或交互时，却存在根本性局限。

章子怡现身洛杉矶,穿道袍,被李安抱怀里亲脸蛋

"赴美盗窃"的智利职业大盗,从加州监狱逃跑了

加州州长:我仍感震惊,但不会照着他们的脸来一拳

我们人类理解世界的方式是整体性的：不仅仅看到“眼前的东西”，还理解它们在空间上的关系、在语义上的意义、以及在现实中的重要性。

而这种通过想象、推理、创造与交互来理解世界的能力，正是空间智能的力量。

缺乏它，AI就与它所试图理解的物理现实脱节。它将无法真正安全地驾驶汽车、无法在家庭与医院中引导机器人、无法创造全新的沉浸式学习与娱乐体验、也无法加速材料科学与医学的发现。

哲学家维特根斯坦曾写道：“语言的边界就是我世界的边界”。我不是哲学家，但我知道，对AI而言，世界不止于语言。空间智能代表着超越语言的前沿。

它连接想象、感知与行动，为机器真正提升人类生活打开了新的可能：从医疗到创造力，从科学发现到日常辅助。

AI的下一个十年：构建真正具备空间智能的机器

那么，我们该如何打造拥有空间智能的AI？

如何让模型具备：像埃拉托色尼那样的空间推理能力，像工业设计师那样的工程精度，像讲故事的人那样的创造性想象力，以及像应急救援人员那样与环境流畅互动的能力？

要实现这样的AI，我们需要比LLM更具雄心的体系：世界模型（World Models）。

这是一种全新的生成式模型，其在理解、推理、生成与交互方面的能力，将超越当今LLM所能触及的极限。它能够在语义、物理、几何与动态层面上，理解并生成复杂的虚拟或真实世界。

这一领域尚处于萌芽阶段，现有方法从抽象推理模型到视频生成系统不等。

World Labs成立于2024年初，正是基于这样一种信念：基础性方法仍在形成之中，而这将成为未来十年人工智能的决定性挑战。

在这个新兴领域中，最重要的是确立指导发展方向的核心原则。对于空间智能而言，我将“世界模型”定义为具备以下三项核心能力的系统：