李飛飛重磅長文：空間智能，AI下一個十年的核心戰場

　　2025年11月10日，斯坦福大學教授、AI領域泰鬥李飛飛發表長篇博客《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》(從語言到世界：空間智能是AI的下一個前沿)，為全球AI發展指明新方向。這位ImageNet數據集的締造者、現代計算機視覺的奠基人，在深耕AI領域25年後明确提出：以大語言模型(LLM)為代表的現有AI技術已觸及瓶頸，而“空間智能”将成為突破這一局限、重塑未來十年AI發展的核心引擎。

　　破題：現有AI的“緻命短闆”——脫離現實的“黑暗文匠”

　　李飛飛在文中對當前AI發展現狀作出精準判讀：生成式AI雖已滲透至數十億人的生活，能生成連貫文本、逼真圖像乃至短視頻，但其本質仍是“黑暗中的文匠”——精通語言表達卻缺乏對物理世界的真實感知，掌握海量知識卻無法與現實場景深度互動。這一短闆直接導緻三大核心目标難以實現：自主機器人未能走進日常生活、AI加速科研的願景尚未落地、賦能人類創造者的智能工具仍顯稚嫩。

　　這種局限的根源，在于現有AI缺乏人類認知的核心腳手架——空間智能。李飛飛以日常場景舉例：停車時判斷車尾與路緣的距離、半睡半醒間精準倒咖啡、消防員在坍塌建築中判斷險境，這些看似本能的行為，背後是人類通過感知與行動構建的空間認知體系。而當前最先進的多模态模型，在距離估算、物理規律預測等基礎任務上表現僅略高于随機水平，生成的視頻數秒後便會失去邏輯連貫性，根本無法支撐複雜的現實交互。

　　核心定義：空間智能——連接感知、想象與行動的認知根基

　　在李飛飛的研究框架中，空間智能并非簡單的“視覺識别+空間定位”，而是支撐人類與世界互動的底層認知能力，其核心價值體現在三個維度：

　　生存與交互的基礎能力

　　從生物進化視角看，空間智能是智能演化的起點。早在語言出現前，原始生物通過感知光線、觸感構建的空間認知，便搭建起生存與環境互動的橋梁。人類嬰兒在學會說話前，正是通過觸摸、爬行、玩耍等空間互動認識世界，這種“感知-行動”循環構成了智能發展的核心鍊路。

　　想象力與創造力的源泉

　　空間智能是人類創造活動的底層支撐。從史前洞穴壁畫到現代電影、電子遊戲，所有叙事性創作都依賴于腦海中構建的虛拟空間;工程師通過三維建模發明珍妮紡紗機，沃森和克裡克借助物理模型發現DNA雙螺旋結構，這些突破都源于對空間關系的精準把控與想象。

　　文明進步的關鍵驅動力

　　曆史上重大科學突破往往離不開空間智能的賦能。古希臘學者埃拉托色尼通過測量不同地區的日影角度，僅用幾何推理便計算出地球周長;工業革命時期的機械發明、當代的數字孿生技術，本質都是空間智能在不同時代的技術具象化。

　　破局路徑：構建具備三大核心能力的“世界模型”

　　李飛飛指出，實現空間智能的關鍵，是構建超越現有LLM的“世界模型”——一種能理解、推理、生成并交互虛拟與現實世界的新型生成式模型。這種模型必須具備三大核心能力，才能真正模拟人類的空間認知邏輯。

　　生成性：創造邏輯自洽的世界

　　世界模型需能生成在感知、幾何、物理層面保持一緻的虛拟世界，無論是還原現實場景還是創造奇幻空間，都必須遵循内在的物理規律與動态邏輯。例如生成一段“杯子掉落”的視頻，不僅要呈現視覺上的逼真效果，還需符合重力作用下的運動軌迹、碰撞後的破碎形态等物理規則。更重要的是，模型對當前世界狀态的理解，必須與曆史狀态保持連貫，避免出現邏輯斷層。

　　多模态性：融合全維度感知輸入

　　與人類通過視覺、聽覺、觸覺等多渠道感知世界一緻，世界模型需具備處理圖像、視頻、文本、手勢、動作等多模态輸入的能力。當輸入信息不完整時(如僅提供文本描述“紅色圓形物體”)，模型應能補全缺失信息，生成符合語義與物理規則的完整世界狀态。這種多模态交互能力，讓AI能通過人類熟悉的方式理解指令，打破單一輸入形式的局限。

　　交互性：實現“動作-狀态”的動态反饋

　　世界模型的核心突破在于動态交互——當輸入包含動作指令(如“推動桌子”)時，模型需能精準生成世界的下一狀态(桌子移動的距離、姿态變化及可能的連鎖反應)。進階階段，模型還需具備“目标導向”的推理能力，例如輸入“将杯子放到書架上”，模型不僅要預測動作後的世界狀态，還需規劃出實現目标的具體步驟(伸手、抓取、移動、放置等)。

　　攻堅方向：三大技術壁壘與前沿探索

　　構建世界模型的難度遠超現有AI技術，李飛飛結合其創立的World Labs研究實踐，提出了當前亟需突破的三大技術方向：

　　通用訓練任務函數研發

　　現有LLM以“下一token預測”為核心任務函數，簡潔且高效，但世界模型需處理幾何、物理等多維信息，亟需一種能反映空間規律的通用任務函數。例如通過“場景連貫性預測”任務，讓模型學習不同物體間的空間關系與物理約束，為多模态信息融合提供統一目标。

　　複雜訓練數據體系構建

　　世界模型需要的不僅是互聯網上海量的圖像視頻數據，更關鍵的是從中提取深層空間信息的算法。例如從二維視頻幀中還原三維空間結構、解析物體運動的物理參數。此外，高質量合成數據、深度信息、觸覺數據等特殊模态數據，将在模型訓練的關鍵階段發揮重要作用。

　　新型模型架構創新

　　現有MLLM和視頻擴散模型将數據離散為一維或二維序列，難以處理三維空間關系。李飛飛團隊研發的實時生成幀模型(RTFM)已展現新方向——以空間錨定的幀作為記憶單元，在保證生成連貫性的同時實現實時交互。未來還需探索具備三維感知能力的分詞機制、動态記憶模塊，讓模型能高效處理空間信息。

　　結語：空間智能開啟AI的“現實聯結”時代

　　李飛飛在文末重申，空間智能的價值遠超技術突破本身——它将讓AI從“語言世界”走進“物理現實”，實現從“輔助創作”到“深度交互”的跨越。當機器人能精準理解家居空間完成家務、AI能模拟分子結構加速新藥研發、創作者能在虛拟空間中直觀構建創意，AI才能真正成為賦能人類的夥伴。

　　正如ImageNet推動計算機視覺爆發一樣，李飛飛相信，空間智能的突破将開啟AI的下一個黃金十年。而這一切的起點，正是對“世界模型”的持續探索——讓機器像人類一樣，通過感知、想象與行動，真正理解我們所處的世界。