关注AI技术前沿，少不了李飞飞的动态。
从ImageNet到现在的World Labs，她一直在推动计算机视觉的边界。四天前她发了一篇长文《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》，谈空间智能。本文用通俗的意义具体聊聊。
她在说什么
李飞飞认为，现在的大语言模型有个根本问题：它们不懂空间。
你问ChatGPT北京到上海多远，它能答。但你让它估算一个房间里椅子之间的距离，它就不行了。它无法在脑海里”旋转”一个物体，看不懂物体之间的空间关系，也预测不了物理现象。
这不是小缺陷。人类婴儿在学会说话前，就靠空间感知学习世界了。我们停车、接东西、在人群中走路，都在用空间智能。科学史上很多发现，比如DNA双螺旋结构，靠的也是空间思维。
李飞飞的核心观点是：没有空间智能，AI就是不完整的。
解决方案：世界模型
她提出要造世界模型。
这个模型需要做三件事：
第一，生成。不只是生成图片或视频，而是生成一个在物理和几何上都说得通的世界。这个世界里的物体要符合重力，光影要对，前后要连贯。
第二，多模态。你给它一张图、一段话、一个手势，它都能理解，然后补全整个场景。
第三，交互。你告诉它”往前走三步”，它能预测你会看到什么。甚至能反推：要到达某个位置，该怎么走。
这听起来简单，做起来难。语言是一维的，顺序生成就行。但世界是三维的，有物理规律，有时间演变。复杂度完全不在一个量级。
技术挑战在哪
李飞飞承认，现在还处于起步阶段。
训练目标不清楚。大语言模型有个简单任务：”预测下一个词”。但世界模型该预测什么？下一帧？下一个视角？没人有确定答案。
数据问题。网上有海量图片和视频，但这些都是2D的。怎么从平面数据里提取3D信息？现在的算法还不够好。李飞飞提到可能需要合成数据、深度传感器数据来补充。
架构要革新。现在的多模态模型把图像切成一维序列处理。这导致简单的空间任务都做不好，比如数视频里有几把椅子。需要原生支持3D/4D表征的新架构。
她的团队在尝试一些方向，比如用”空间定位的帧”作为记忆单元。但这些还在研究阶段。
World Labs在做什么
李飞飞去年创立了World Labs。他们已经做出第一个产品Marble，给了部分用户测试。
Marble能根据文本或图片生成3D场景。你可以在里面移动视角，探索环境。它面向创作者：电影人、游戏设计师、建筑师。
这是第一步。按她的规划，空间智能有三个应用阶段：
短期是创意工具。Marble就属于这类。降低3D创作门槛，让更多人能构建虚拟世界。
中期是机器人。机器人需要理解空间、规划路径、预测互动结果。世界模型能提供大量模拟数据来训练它们。现在机器人训练数据太少，这是瓶颈。
长期是科学研究。模拟分子结构、医学影像分析、沉浸式教育。这些都需要空间智能，但需要更长时间才能成熟。
为什么重要
如果世界模型成功，影响会很大。
自动驾驶需要理解3D空间。家用机器人需要在真实环境中导航。AR/VR需要生成可交互的虚拟世界。这些都离不开空间智能。
李飞飞说”语言之外，别有洞天”。这话准确。语言只是人类智能的一部分。我们大部分时候是在和物理世界打交道，不是在读写文本。
从这个角度看，空间智能确实是AI必须攻克的下一座山。
李飞飞有推动整个领域的能力。ImageNet就是例子。现在她all in空间智能，值得关注。
（完）
如有问题，欢迎评论区补充交流，
交流合作：内容撰写，AI咨询，需求对接！
本文来自微信公众号“AI4ELAB”，作者：Connor 秦明
本文来自投稿，不代表AI4ELAB立场，如若转载，请注明出处：https://ai4elab.com/6259.html
