（来源：刘润）

AI很会说话，但还不会理解世界。

前几天，Google的Gemini 3 Pro发布，朋友圈瞬间刷屏。很多人都在感叹：谷歌一出手，就知有没有。下一代模型，是不是参数更多？能支持更长的上下文？照这么发展下去，是不是真的要实现AGI（通用人工智能）了？

但是，著名计算机科学家、美国国家工程院院士、斯坦福大学教授李飞飞却不这么认为。11月10日，她就发布了一则长文，系统阐述了她对目前AI大模型的看法。总结一下，大概是：

目前AI卷参数，卷算法的方向，可能跑偏了。模型不理解世界，就实现不了真正的智能。

为什么这么说？什么又叫“理解世界”？这和我又有什么关系？

系统整理了一下我的理解，和你分享。

01

大语言模型，就像读了很多书，但没出过门的秀才

你一定知道ChatGPT，或者谷歌的Gemini。你也一定用过DeepSeek、豆包。这些产品背后的核心技术，都是大语言模型（LLM）。

大语言模型做的事情，简单来说，是“预测下一个词是什么”。你问它，“床前明月光”，它就能预测，后边几个词大概率是“疑是地上霜”。

靠着这种看似简单的“接茬”能力，在吃下了大量数据之后，大模型已经进化到了惊人的地步。它能通过律师资格考试，也能做复杂的奥数题。

那，这样子下去，是不是很快就有能自主学习、完成任务的通用人工智能了?

不一定。虽然语言大模型看上去很厉害，但如果问它一些特别简单的问题，比如，这辆车离那棵树有几米？这个箱子能塞进后备箱吗？它却大概率会瞎蒙，还会出现“杯子松手后飞上天”的情况。

它们虽然懂物理公式，却不懂物理常识。对此，李飞飞打了个比方。大概意思是，大语言模型，就像黑暗中的秀才（wordsmiths in the dark）。

想象一下。有一位秀才，在一间黑屋子里，读过一万本关于苹果的书。他知道，苹果通常和“红”、“甜”、“圆”出现在一起，他知道，苹果的化学分子式，牛顿被苹果砸中的故事。如果让他写一篇关于苹果的论文，他写得不比专家差。但是，如果你把一个真的苹果递到他手里，他却不知道这是什么。

今天，语言大模型的“智慧”，本质上靠的是语言的统计规律，而并非扎根现实。

这也解释了，为什么你的AI助手，动不动就会“胡说八道”。因为，如果AI只遵照语法通顺，它完全可以认为，太阳会从西边升起。即便这在物理世界里，不可能发生。

它读了万卷书，却从未行万里路。

02

语言可以瞎编，但物理世界不会撒谎

那怎么办？

李飞飞说，这就要让AI，掌握“空间智能”了。

举个例子。喝咖啡。

你的大脑在这一瞬间，会处理很多信息。你的眼睛，要判断杯子和嘴边的距离；你的手部肌肉，要根据杯子的重量，精确调整抓握的力度；你的皮肤，要感知杯壁的温度，防止烫伤；你的手腕，要配合身体的倾斜，保持杯口的水平，防止咖啡洒出来。

在这个过程中，你用到语言了吗？你有没有在心里默念，把肱二头肌收缩30%，手腕向左旋转5度？没有。整个过程，靠的是感知、想象、行动。

这种“不通过语言，理解物理世界，和物理世界互动的能力”，就是空间智能。

而李飞飞也认为，有了空间智能加持的AI，才会通向真正的，智能。因为智能的本质，是能在不确定的世界中持续预测、行动、达成目标。这不能靠大脑凭空产生。

举个例子。婴儿是怎么知道因果关系的？

他坐在地上，把积木推倒，积木哗啦一下散落在了地上。他觉得好玩，又推了一次。又是哗啦一声。一次次的物理互动中，他逐渐建立了一条神经连接：把积木推倒，必然导致“哗啦”一声。逻辑的雏形，因此开始。

再举个例子。沃森和克里克，是怎么发现DNA双螺旋结构的？

要知道，当时他们手里，只有一张像是模糊的“X”的照片。靠这张照片，推导不出DNA结构。

没办法，他们只好像搭积木的小孩一样，用金属棒和铁丝，试图复现DNA的空间结构。直到某个瞬间，他们把模型转到双螺旋的角度，咔嚓一声，一切都对上了。那一刻，他们没有说话，但他们看到了生命的真相。

伟大的发现，往往先在空间中成型，才被翻译成语言。

所以，李飞飞才会说：“看”和“动”，不是低级的本能，而是高级智能的基石。大自然花了 5 亿年进化“视觉”，只花了最后几万年进化“语言”。因为感知世界，远比描述世界要难得多，也重要得多。

语言可以瞎编，但物理世界不会撒谎。

03

AI的未来，或许是从预测下一个词，到预测下一帧世界

什么是，预测下一帧世界？举个例子。

你手里拿着一个玻璃杯，然后松开了手。现在，你的脑子里是不是立刻就预测到了：杯子掉下去，砸在地上，摔碎了？你不需要等它真的碎，你的脑子已经预测到了。

这就是“预测下一帧世界”。拥有了这个能力，AI不需要读万卷书来记住“火是烫的”，模拟与世界的互动，就能推导出“手伸进火里->皮肤烧伤”的物理必然性。

预测下一个词，遵循的是“语法逻辑”；而预测下一帧世界，遵循的是“物理逻辑”。这就是李飞飞认为，掌握空间智能的AI该做的事情。她把它称为，世界模型。

之前，如果你让AI画一个“凌乱的房间”，它会生成一张像模像样的图片。但是，你没办法看看桌子底下有什么，把地上的脏衣服捡起来。但在世界模型生成的房间，你可以蹲下来看床底、拉开抽屉。因为房间里有重力、有光影，还有遮挡关系。

这和目前的AI视频，也有本质区别。因为AI视频，只是“看上去理解了世界”，本质上还是在黑屋子里，预测下一个像素。

比如，吃汉堡。虽然AI视频可以预测到，当人的嘴到了汉堡上，汉堡大概率会变形、会缺少一块，但它并不理解，汉堡为什么是软的，以及，人咬下一口之后，那一块汉堡其实是到了人的嘴里。它也没办法换个位置，看看汉堡的面包底是不是焦了。

预测下一帧世界。理解了。可是，这要怎么做到？

语言，说白了就是一个词接着一个词，是一维的序列信号。但世界是三维的，甚至还要加时间维度。重力决定了苹果怎么掉，原子结构决定了光线怎么反射。要预测下一帧世界，就得让语义、几何、物理规律保持一致，这比处理语言复杂太多了。

李飞飞也很坦率，聊了几个他们团队还在死磕的方向。

比如，找公式。

大语言模型之所以成功，是因为找到了一个简单的任务函数：预测下一个词。世界模型，也能找到这样一个简单优雅的公式吗？目前还需要努力。

比如，找数据。

要训练具有空间智能的世界模型，就得找到海量空间数据。去哪找？他们正在开发一种，从互联网上的二维视频里，提取空间信息的算法。

过去的AI，是在用概率“猜”下一个词；未来的AI，或许能用物理“算”下一帧世界。

04

精确地把“想象”变成“真实”，也许是下个时代最大的机会之一

李飞飞的World Labs，已经做出了一款叫Marble的产品。

具体网址：https://marble.worldlabs.ai/。

只要你提供一句描述，一张照片，它就可以生成一个可以探索的空间。

我试着上传了一张我们新办公室的照片，没想到还真能行。

是不是还挺有意思的？几秒钟内，它不仅识别出了里面的桌子、椅子，还脑补出了空间位置。虽然还很粗糙。可能是我只上传了一张照片的原因。

那么，如果未来的AI真的如李飞飞所说的那样，有了空间智能，又意味着什么？

首先，对于普通人来说，是AI进入现实社会，所带来的极大便利。

一旦空间智能成熟，离机器人走入家庭，就真的不远了。它能理解“花瓶是易碎的，要绕着走”；能理解“地上有水，要先拖干”。让机器人帮你叠衣服、整理杂乱的玩具房、甚至照顾老人起居，将变成现实。甚至再进一步，让纳米机器人在血管里送药。

而当AI基于空间智能，掌握了从现实中抽象出规律的能力，它们或许，就能像牛顿和爱因斯坦一样，拥有“科学家的直觉”。从而，真正发现规律、进行创新。

接着，对于创业者来说，加持空间智能的AI，可能意味着一些新的机会。

比如，真正“可控”的视频生成。

现在的视频AI（比如 Sora），虽然厉害，但还是有点“抽盲盒”。它可以生成一只猫。但你很难控制猫的走位、光影的角度。这对商业广告、电影制作来说，就有点难操作。甲方要求脸必须再转15%，你不能说“AI 随机生成的我改不了”。

李飞飞在访谈里就举了一个例子。他们和索尼的一家虚拟制作公司合作，用了Marble搭建场景，可以自由地选择拍摄角度，生产效率提升了40倍。

比如，做一些“想象成真”的ToC产品。

例如，装修。拍一张毛坯房的照片，说改成北欧风，暖色调。几秒钟后，你就可以得到一个可以到处走，还能修改沙发位置的虚拟样板间。例如，3D相册，给一张老房子的照片，就能得到一个3D空间。你可以看看桌上的摆设，看看墙上的挂历，再次回到小时候。

李飞飞提到了一个让我特别意外的场景：心理治疗。有团队找上门，表示想用这个技术，来治疗“恐高症”。通过瞬间生成的虚拟悬崖，就能帮病人一步步克服恐惧。

又比如，卖合成数据，给做机器人的公司。

本质上，这就是给机器人，开了一间学校。你不需要造机器人，你只需要生产特定领域的“教材”。比如，专门生产“怎么修汽车”的数据，卖给修车机器人公司；专门生产“怎么做手术”的数据，卖给医疗机器人公司。

精确地把“想象”变成看得见、摸得着的“真实”，也许是接下来最大的机会之一。

最后的话

好了。总结一下。

为什么AI现在这么厉害，但还是会犯一些低级错误？可能因为，它没有真正理解世界，而只是在统计规律中找答案。所以未来，AI的发展方向，可能要拐一下，从预测下一个词，到预测下一帧世界。也就是真正掌握，空间智能。

那，这个方向对不对？会不会通向真正的智能？

我不知道。但至少，这是一个值得尝试的方向。因为目前的大语言模型，确实遇到了瓶颈。参数越来越大，算力越来越强，但一致性，总也没有特别好的解决方案。

而且，如果这个方向真的走通了，确实会带来一些变化。机器人可能真的能进入家庭。甚至，AI可能真的能像科学家一样，从现实中发现规律，而不只是从数据中总结规律。

当然，这一切都还很早。Marble，还很粗糙。世界模型的“公式”还没找到，空间数据也还不够。但至少，通往智能的那个未来，又多了几分念想。

毕竟，科技进步从来不是一条直线。

绕点远路，没啥。

参考资料：

1、From Words to Worlds: Spatial Intelligence is AI’s Next Frontier

2、谷歌开发者指南：Introduction to Large Language Models | MachineLearning

观点/ 刘润  主笔/ 景九 编辑 / 歌平 版面 / 黄静