5 миллионов лет — таков возраст человеческого языка в истории эволюции. 540 миллионов лет — таков момент, когда зрительное и пространственное восприятие породило Кембрийский взрыв.
В 2025 и 2026 годах, когда почти все ведущие лаборатории Кремниевой долины гонялись за языковыми моделями, профессор Стэнфордского университета, основатель World Labs Ли Фэйфэй неоднократно задавала отрасли вопрос, от которого нельзя было отмахнуться: если ИИ умеет только говорить и смотреть картинки, он никогда не сможет по-настоящему «понять» этот мир.
В трех ключевых интервью, включая a16z Podcast в июне 2025 года, Cisco AI Summit (Саммит по ИИ Cisco) в феврале 2026 года, а также глубокое часовое обсуждение в Lenny's Podcast, опубликованное 22 мая 2026 года, она систематически излагала суждение, которое ускоряет свое подтверждение: пространственный интеллект (Spatial Intelligence) — это новый рубеж для ИИ.
Выражения в диалоге с a16z о «создании бесконечных вселенных», «жизни в мультивселенной», а также точки зрения в Lenny's Podcast о том, что «модель мира — это следующий рубеж» и «ОИИ больше похож на маркетинговый термин», в последнее время вновь активно распространяются на платформе X.
«Нам не хватает модели мира»
По воспоминаниям партнера a16z Мартина Касадо, на одном из обедов в Кремниевой долине за столом полным ИИ-специалистов они с энтузиазмом обсуждали большие языковые модели. Ли Фэйфэй, сидевшая на другом конце стола, внезапно повернулась к нему и спросила:
«Знаешь, чего нам не хватает? Нам не хватает модели мира».
Касадо — ранний инвестор World Labs и старый друг Ли Фэйфэй со времен Стэнфорда. Вспоминая тот момент, он говорит: «Всё сошлось». В то время он самостоятельно пришел к аналогичному выводу после множества инвестиций в область изображений: язык — это не конец истории.
Но Ли Фэйфэй размышляла над этим вопросом гораздо дольше, чем большинство.
В апреле 2024 года она выступила с 15-минутным докладом на конференции TED, начав с эволюционной теории: появление трилобитов 540 миллионов лет назад впервые позволило жизни «увидеть» мир. Рождение зрения вызвало взрывной рост эволюционной гонки интеллекта, начала развиваться нервная система, животные стали активными, и зародился интеллект. А язык — лишь очень поздний продукт этой долгой гонки.
Это суждение неоднократно подкреплялось в трех интервью. На Саммите по ИИ Cisco ее формулировка была еще более прямой:
«История языка насчитывает всего около 500 000 лет. Но 1,5 миллиарда лет назад животные уже начали воспринимать свет и прикасаться к окружающей среде. Способность понимать, рассуждать, взаимодействовать и ориентироваться в реальном 3D-, 4D-физическом мире является фундаментальной и так же важна, как и языковой интеллект».
Ли Фэйфэй не отрицает ценность языкового интеллекта. Ее ключевой тезис заключается в том, что язык по своей сути является способом кодирования мира «с потерей информации».
В интервью a16z Касадо провел мысленный эксперимент: завяжите себе глаза, опишите комнату словами, а затем попробуйте выполнить задачу — вероятность успеха будет крайне низкой. Потому что языковое описание реальности всегда грубое. Снимите повязку — ваш мозг мгновенно воссоздаст 3D-пространство, и вы сможете действовать, прикасаться, двигаться.
Ли Фэйфэй добавила более крайний пример — знаменитое пространственное рассуждение в истории науки: рентгенограмма дифракции ДНК, сделанная Розалинд Франклин, представляет собой плоское двумерное изображение, структура на котором выглядит как крест с дифракцией. Но Уотсон и Крик по этой двухмерной фотографии в трехмерном пространстве вывели структуру двойной спирали ДНК. «Эта структура не могла быть двумерной. Вы не можете вывести эту структуру, думая в двух измерениях».
«Если вы посмотрите на человеческий интеллект, многое выходит за рамки языка. Язык — это способ восприятия мира с потерей информации. Чисто генерирующий „язык“ не существует в природе; оглядевшись вокруг, мы не увидим готовых предложений или слов, в то время как весь физический, воспринимаемый, визуальный мир действительно существует».
Это легко упускаемый из виду ракурс: большая часть возможностей современных больших моделей основана на формате, который является естественным сжатием с потерями. А в Lenny's Podcast она развеяла эту иллюзию еще более обыденным тестом:
«Сегодня, если вы возьмете модель, прогоните через нее видео с несколькими офисными комнатами и попросите модель подсчитать количество стульев. Это то, что может сделать маленький ребенок, а искусственный интеллект — нет».
Не говоря уже о выводе физических законов из движения небесных тел: «Давайте дадим искусственному интеллекту все данные, включая данные современных приборов, которых не было у Ньютона, и попросим его создать систему уравнений о законах движения тел XVII века. Сегодняшний ИИ на это не способен».
Marble: на несколько порядков меньше, чем GPT-5
Претворить это суждение в продукт позволила модель первого поколения World Labs — Marble, выпущенная в конце 2024 года.
На Саммите по ИИ Cisco Ли Фэйфэй подробно разобрала техническое позиционирование Marble: получение текстовых, графических, видео- или простых 3D-входных данных и генерация «полностью навигируемого, интерактивного и имеющего постоянную согласованность 3D-мира». Она особо подчеркнула, что это принципиально отличается от моделей генерации видео, таких как Sora. Среда, генерируемая Marble, обладает геометрической структурой, а не является пиксельной анимацией, которая «выглядит как» видео.
В Lenny's Podcast она дала более глубокое объяснение с помощью платоновской аллегории пещеры: узники прикованы к стульям и видят только двумерные тени, проецируемые на стену, но настоящая драма разыгрывается в трехмерном пространстве позади. Видеомодели — это те самые тени, а пространственный интеллект должен создавать и осмысливать реальный мир, стоящий за этими тенями.
Сравнение: Вычислительная мощность обучения GPT-5 составляет примерно 10^26 FLOPS, в то время как Marble на несколько порядков меньше по масштабу. Причин две: сложность получения данных совершенно разная (высококачественные 3D-физические данные чрезвычайно редки), и эта область еще находится на ранней стадии «восходящей кривой Scaling Law».
В Lenny's Podcast она далее объяснила, почему обучение роботов не может просто скопировать «горький урок» языковых моделей. В области ИИ есть известное утверждение: простая модель с огромным количеством данных в конечном итоге всегда превзойдет сложную модель. Но «языковые модели имеют идеальную настройку: обучающие данные — это слова, и вывод — тоже слова». А в робототехнике «вы хотите получить действия, но обучающие данные не содержат действий в 3D-мире». Именно это фундаментальное несоответствие между целью обучения и формой данных является основной проблемой обучения роботов.
World Labs использует гибридную стратегию данных: текстовые, графические и видео-данные интернет-масштаба плюс данные симуляций плюс данные, собранные из реального мира. Ли Фэйфэй честно признала: «Мы все еще находимся на относительно ранней стадии исследования архитектуры моделей», но она ожидает, что «следующие несколько лет будут очень захватывающими».
Не успели эти слова прозвучать, как в феврале 2026 года World Labs привлекла финансирование в размере 10 миллиардов долларов, с участием NVIDIA, AMD, a16z, а ее оценка выросла примерно до 50 миллиардов долларов по сравнению с 10 миллиардами долларов годом ранее. В апреле команда открыла исходный код 3D-движка рендеринга Gaussian splatting Spark 2.0, который может осуществлять рендеринг 3D-сцен масштаба сотен миллионов в реальном времени в веб-браузере, перейдя от закрытых продуктов к двойной стратегии «продукт + экосистема с открытым исходным кодом». Технологический барьер пространственного интеллекта быстро снижается.
В Lenny's Podcast Ли Фэйфэй также редко раскрыла трудности предпринимательства: «Если бы я могла прошептать себе 18 месяцев назад: „Интенсивность конкуренции в этой области, как технологической, так и кадровой, превосходит все твои ожидания“».
Бесконечная вселенная и мультивселенная
Именно высказывания Ли Фэйфэй о «бесконечной вселенной» в том интервью a16z вызвали повторные всплески на платформе X:
«За всю историю человеческой цивилизации мы все жили в одном 3D-мире. На Луну летали лишь несколько человек, и их очень мало. А эта технология делает цифровые виртуальные миры невероятно увлекательными. Внезапно мы можем создавать бесконечные вселенные, некоторые — для роботов, некоторые — для творчества, некоторые — для общения, некоторые — для путешествий, некоторые — для рассказывания историй. Внезапно мы можем жить в мультивселенной, пространство для воображения бесконечно».
Касадо же дал более конкретное техническое объяснение: по одной двумерной фотографии модель может генерировать полное 360-градусное 3D-представление, включая обратную сторону стола. Вы можете манипулировать, измерять, складывать — всё, что можно делать в пространстве.
Это не научная фантастика. В двух интервью Ли Фэйфэй перечислила уже реализованные приложения Marble:
• Разработчики игр используют ранние версии для создания игр
• Группа виртуального производства, сотрудничающая с Sony, сократила цикл кинопроизводства в 40 раз
• NVIDIA и несколько академических лабораторий используют Marble для обучения роботов
• Архитекторы и дизайнеры используют его для дизайна интерьеров
• Клинические исследователи создают персонализированные иммерсивные триггерные среды для пациентов с ОКР, боязнью высоты
• Некоторые используют его для генерации персонализированных пространств для занятий йогой
Последнее применение особенно неожиданно. На саммите Ли Фэйфэй упомянула, что пациентов с ОКР могут провоцировать очень конкретные сцены, «например, лично меня беспокоят кучи грязной одежды, но триггеры у всех разные». В Lenny's Podcast она добавила, что после релиза один друг позвонил ей среди ночи, чтобы спросить, можно ли использовать Marble для лечения акрофобии. Стоимость создания физической среды чрезвычайно высока, а Marble просто по промпту за несколько минут генерирует различные среды.
Платоновская аллегория пещеры как нельзя лучше подходит для понимания расхождения между 2D и 3D.
Ли Фэйфэй использовала эту аллегорию для объяснения: узники, прикованные к стульям, видят только двумерные тени, проецируемые на стену. Современные языковые модели и видеомодели по сути являются этими тенями, угадывающими трехмерное по двумерному. Амбиция пространственного интеллекта — создавать, осмысливать и взаимодействовать с реальным миром, стоящим за этими тенями.
В технической траектории она четко обозначила границы простым сравнением:
«Автомобиль можно рассматривать как квадратного робота, движущегося в двухмерной плоскости, чья цель — ни во что не врезаться. А робот — это трехмерное существо, функционирующее в трехмерном мире, цель универсального робота — обязательно касаться предметов, не ломая их. Это проблема более высокой размерности».
Она также привела временные рамки из личного опыта: в 2006 году она участвовала в создании первого беспилотного автомобиля, проехавшего 138 миль по пустыне, и тогда предсказывала, что через 20 лет появятся беспилотные автомобили. Лишь к 2025 году Waymo начали массово работать на городских улицах.
«Увидеть Полярную звезду не означает, что путешествие будет коротким».
Касадо в диалоге с a16z добавил наблюдение, основанное на деловой интуиции: только на одном направлении беспилотных автомобилей отрасль инвестировала около 100 миллиардов долларов, и прошло 20 лет, чтобы дойти до сегодняшнего дня. «Наш первоначальный план состоял в том, чтобы сначала решить проблему навигации по миру, но это оказалось чрезвычайно сложно».
Ли Фэйфэй даже поделилась в интервью a16z личным опытом, чтобы усилить аргумент: около пяти лет назад она на несколько месяцев потеряла стереоскопическое зрение из-за травмы роговицы. «Даже если я очень хорошо знала размер своей машины и примерно представляла размер припаркованных машин у соседей, и я много лет ездила по этой дороге, я не могла хорошо определить расстояние между моей машиной и машинами, припаркованными у обочины. Я могла ехать только со скоростью десять миль в час, чтобы не поцарапать другие машины».
Ученый, всю жизнь изучающий зрительный интеллект, ответила на вопрос «почему 3D незаменим», используя собственную дилемму после потери восприятия глубины.
Двусторонний меч технологии и цивилизационная мера
Между технооптимизмом и апокалиптическими рассуждениями Ли Фэйфэй выбрала более сдержанную и практичную позицию. На Саммите по ИИ Cisco она четко выразила озабоченность поляризованными высказываниями:
«Обсуждения в сети часто бывают черно-белыми: либо полный техноутопизм, игнорирующий тот факт, что технология — это обоюдоострый меч; либо апокалиптические настроения, как будто человечеству постоянно угрожает выживание. Для технологии, столь глубоко затрагивающей человеческую цивилизацию, такой способ обсуждения безответственен».
Она не остановилась на критике, а дала измеримую точку отсчета ценности: электричество.
«Если вернуться на сто с лишним лет назад и представить, как тогда люди определяли успех электричества. Я бы хотела, чтобы тогдашнее видение было таким: школы ярко освещены, дома теплы, машины обрели силу для индустриализации, что, в свою очередь, увеличило продолжительность жизни людей, позволив большему количеству детей получить образование».
Затем она перенесла эту точку отсчета на ИИ: «Определение успеха должно заключаться в том, что цивилизация становится лучше, а цивилизация состоит из каждого человека, стремящегося к счастью, процветанию и обладающего достоинством. Таково определение успеха ИИ и каждой технологии».
В конце Lenny's Podcast она применила эту заботу к конкретным людям. Она сказала, что ее повсюду спрашивают один и тот же вопрос: если я фермер, медсестра, музыкант, заменит ли меня ИИ? Ее ответ: «В конечном счете, ИИ — это о людях. Ни одна технология не должна лишать человека достоинства. Человеческое достоинство и автономия должны быть ядром разработки, внедрения и управления каждой технологией».
Оглядываясь на три интервью, вырисовывается четкая логика.
Размышления Ли Фэйфэй о пространственном интеллекте — это не бунт против волны больших моделей, а продолжение на их основе. Она раньше большинства увидела пределы языковых моделей — формат сжатия с потерями в конечном счете может сделать лишь ограниченное. А пространственный интеллект должен решить проблему: эволюционировать ИИ от «разговоров о мире» к «пониманию мира» и, в конечном итоге, к «действиям в мире».
Команда World Labs насчитывает около 30 человек, привлекла более 10 миллиардов долларов финансирования. Marble — продукт первого поколения, по масштабу далекий от ведущих языковых моделей. Дефицит 3D-данных и ранняя стадия архитектуры моделей определяют, что это не путь, который можно пройти за один шаг. Но в Lenny's Podcast Ли Фэйфэй сказала другую фразу, которая, возможно, лучше всего характеризует это терпение:
«Наш мозг потребляет всего около 20 ватт, что меньше, чем любая лампочка в комнате, но способен на так много. Чем больше я работаю в области ИИ, тем больше я уважаю человека».
540 миллионов лет эволюции потребовалось углеродной жизни, чтобы обрести этот 20-ваттный пространственный интеллект. Эволюцию ИИ сейчас сжимают до нескольких лет.
Ли Фэйфэй в трех интервью не давала никаких временных графиков. Она лишь постоянно возвращалась к выводу, извлеченному из эволюционной теории: восприятие предшествует языку, пространство предшествует символам. То, что происходит сейчас в офисах Кремниевой долины, лабораториях Стэнфорда и World Labs, — это не технологическая итерация, а ускоренное воспроизведение эволюционной теории. (Эта статья впервые была опубликована в приложении Titanium Media, автор — Silicon Valley Tech News, редактор — Чжао Хунъюй)
Приложение: текстовые расшифровки трех вышеупомянутых интервью можно найти по адресу [база знаний ima] Интервью с Ли Фэйфэй https://ima.qq.com/wiki/?shareId=3f1d4b4c0d6cb2aeca250e2c5d068390e2d45895816ad607309820e25cb2e9c5
