500万年,这是人类语言在进化史上的年龄。5.4亿年,这是视觉和空间感知催生寒武纪生命大爆发的起点。
在硅谷几乎所有顶级实验室都在卷语言模型的2025和2026年,斯坦福大学教授、World Labs创始人李飞飞反复抛出一个让行业不得不抬头的问题:如果AI只会说话和看图片,它永远不会真正“理解”这个世界。
她在三次关键访谈中,包括2025年6月的a16z Podcast、2026年2月的思科AI峰会(Cisco AI Summit),以及2026年5月22日发布、长达1小时19分钟的Lenny's Podcast深度对话,系统阐述了一个正在被加速验证的判断:空间智能(Spatial Intelligence),才是AI的下一个前沿。
其中a16z对话中“创造无限的宇宙”“生活在多元宇宙中”的表述,以及Lenny's Podcast中“世界模型才是下一个前沿”“AGI更像营销术语”等观点,最近在X平台上再度被大量转发。
“我们缺一个世界模型”
据a16z合伙人Martin Casado回忆,在硅谷的一次午餐会上,满桌AI从业者在兴奋地谈论大语言模型。李飞飞坐在餐桌另一头,突然转头问他:
“你知道我们缺什么吗?我们缺一个世界模型。”
Casado是World Labs的早期投资人,也是李飞飞在斯坦福时期就结识的老友。他回忆那一刻时说,“一切都对上了”。他当时刚从大量图像领域的投资中独立得出类似结论:语言不是故事的终点。
但李飞飞对这个问题的思考远比大多数人更久远。
2024年4月,她在TED大会上发表了一场15分钟的演讲,用进化论做了破题:5.4亿年前三叶虫的出现,第一次让生命“看见”了世界。视觉的诞生引爆了智能的演化竞赛,神经系统开始发育,动物变得活跃,智能由此萌芽。而语言,不过是这场漫长竞赛中非常晚近的产物。
这个判断在三次访谈中被反复强化。在思科AI峰会上,她的表述更加直接:
“语言的历史大概只有50万年。但在15亿年前,动物就开始感知光线并触摸环境。在真实的3D、4D物理世界中进行理解、推理、交互和导航的能力是基础性的,与语言智能同样重要。”
李飞飞并非否定语言智能的价值。她的核心论点是:语言在本质上是一种“有信息损失的”对世界的编码方式。
在a16z访谈中,Casado做了一个思维实验:蒙上你的眼睛,用语言描述一个房间,然后让你完成一项任务,你成功的概率极低。因为语言对现实的描述永远是粗糙的。拿掉眼罩,你的大脑瞬间重建3D空间,你就能操作、触摸、移动。
李飞飞补充了一个更极端的例子,即科学史上最著名的一次空间推理:罗莎琳德·富兰克林拍摄的DNA X射线衍射照片是一张平面的二维影像,上面的结构看起来像一个带有衍射的十字。但沃森和克里克通过那张二维照片,在三维空间中推理出了DNA的双螺旋结构。“那个结构不可能是二维的。你不能用二维的思维来推导出那个结构。”
“如果你观察人类智能,很多都超出了语言的范畴。语言是一种有信息损失的捕捉世界的方式。纯粹的生成式‘语言’在自然界中并不存在;我们环顾四周,没有现成的句子或单词,而整个物理、感知、视觉世界却真实存在。”
这是一个容易被忽视的视角:当前大模型的大部分能力,建立在一种天然有损的信息压缩格式之上。而在Lenny's Podcast中,她用一个更日常的测试戳穿了这个幻象:
“今天,你拿一个模型,让它运行一段包含几个办公室房间的视频,然后要求模型数一下椅子的数量。这是幼儿就能做到的事情,而人工智能却做不到。”
更不用说从天体运动中推导出物理定律:“让我们把所有的数据都给人工智能,包括牛顿没有的现代仪器数据,让它创建一套17世纪关于物体运动规律的方程。今天的人工智能做不到。”
Marble:比GPT-5小几个数量级
将这个判断推向产品的是World Labs的第一代模型Marble,2024年底发布。
李飞飞在思科AI峰会上详细拆解了Marble的技术定位:接收文本、图片、视频或简单3D输入,生成一个“完全可导航、可交互且具有永久一致性的3D世界”。她特别强调,这与Sora等视频生成模型有本质区别,Marble生成的环境拥有几何结构,不是一段“看起来像”视频的像素动画。
在Lenny's Podcast中,她用柏拉图的洞穴寓言做了更深的阐释:囚犯被绑在椅子上,只能看到墙上投射的二维影子,但真正的戏剧在背后三维空间中上演。视频模型就是那些影子,而空间智能要做的,是创造和推理那个影子背后的真实世界。
一组对比:GPT-5的训练算力大约在10的26次方FLOPS量级,而Marble在规模上小几个数量级。原因有两层:数据获取难度完全不同(高质量3D物理数据极其稀缺),且这个领域还处于“Scaling Law的上升曲线”的早期阶段。
在Lenny's Podcast中,她进一步解释了为什么机器人学习无法简单复制语言模型的“苦涩的教训”。AI领域有一个著名的论断:拥有海量数据的简单模型最终总能胜过复杂模型。但“语言模型拥有一个完美的设置:训练数据是单词,输出也是文字。”而机器人技术中,“你希望获得行动,训练数据却缺乏在3D世界中的行动。”这种训练目标与数据形态之间的根本错位,才是机器人学习的核心难题。
World Labs采取混合数据策略:互联网规模的文本、图像和视频,加上仿真模拟数据,再加上真实世界采集数据。李飞飞坦承,“我们仍在探索模型架构的相对早期阶段”,但她预计“接下来的几年将会非常令人兴奋”。
话音刚落,World Labs就在2026年2月完成10亿美元融资,英伟达、AMD、a16z参投,估值从一年前的10亿美元飙升至约50亿美元。4月,团队开源了3D高斯溅射渲染引擎Spark 2.0,可在网页端实现亿级3D场景实时渲染,从闭源产品转向“产品+开源生态”的双轨策略,空间智能的技术门槛正在被快速拉低。
在Lenny's Podcast中,李飞飞也罕见地坦露了创业的艰辛:“如果我能对18个月前的自己耳语一句话:“这个领域的竞争强度,无论是技术还是人才,远超你的想象。”
无限宇宙与多元宇宙
真正让a16z那次访谈在X上反复出圈的,是李飞飞关于“无限宇宙”的表述:
“在整个人类文明历史中,我们所有人都共同生活在一个3D世界里。只有少数人去过月球,但人数非常少。而这项技术让数字虚拟世界变得无比精彩。突然间,我们实际上可以创造无限的宇宙,有些是为机器人创造的,有些是为创造力创造的,有些是为社交创造的,有些是为旅行创造的,有些是为讲故事创造的。突然之间,我们能够生活在一个多元宇宙中,想象的空间是无限的。”
Casado则从技术层面做了更具体的阐释:通过一张二维照片,模型就能生成包括桌子背面在内的完整360度3D表示。你可以操作、测量、堆叠,空间中能做的任何事都可以实现。
这不是科幻。在两次访谈中,李飞飞列举了Marble已经落地的应用:
• 游戏开发者用早期版本开发游戏
• 与索尼合作的虚拟制作团队将电影制作周期缩短了40倍
• 英伟达及多家学术实验室利用Marble训练机器人
• 建筑师和设计师用它做室内设计
• 临床研究人员为强迫症、恐高症患者定制个性化的沉浸式触发环境
• 有人用它生成个性化的瑜伽训练空间
最后一个应用尤其出人意料。李飞飞在峰会上提到,OCD患者会被非常具体的场景触发,“比如我个人会被堆积的脏衣服困扰,但每个人的触发点各不相同”。在Lenny's Podcast中她补充道,发布后一位朋友连夜打电话问她是否可以用Marble治疗恐高症。实体环境的搭建成本极高,而Marble只需输入提示词,几分钟就能生成各种环境。
柏拉图的洞穴寓言,恰好也是理解2D与3D分歧的最佳入口。
李飞飞用这个寓言解释:被绑在椅子上的囚犯,只能看到墙上投射的二维影子。当前的语言模型和视频模型,本质上都是那些影子,从二维中猜测三维。空间智能的野心,是创造、推理和交互那个影子背后的真实世界。
在技术路线上,她用一个简洁的对比划清了边界:
“汽车可以被视作一个在二维平面上移动的方块机器人,它的目标是不要碰到任何东西。而机器人是一个三维实体,在三维世界中运行,通用机器人的目标是必须接触物体而不破坏它们。这是一个更高维度的问题。”
她还给出了一个来自亲身经历的时间刻度:2006年,她参与创造了第一辆在沙漠行驶138英里的自动驾驶汽车,当时预言20年后会有自动驾驶汽车。直到2025年,Waymo才开始在城市街道大规模运行。
“看清北极星并不意味着旅程会很短。”
Casado在a16z对话中补充了更具商业直觉的观察:仅自动驾驶一个赛道,行业就投入了大约1000亿美元,20年才走到今天。“我们原本的路线是先解决世界导航问题,但结果极其困难。”
李飞飞甚至在a16z访谈中分享了一段个人经历来强化论点:大约五年前,她因眼角膜受伤失去了几个月的立体视觉。“即使我非常清楚我的车有多大,也大概知道邻居家停的车有多大,而且我在这条路上开了很多年,但我无法很好地判断车和路边停着的车之间的距离。我只能开到时速十英里,以免刮到其他车。”
一个终身研究视觉智能的科学家,用自己失去深度感知后的切身困境,回答了“为什么3D不可替代”这个问题。
技术双刃剑与文明标尺
在技术乐观主义和末日论之间,李飞飞选择了一个更克制也更具操作性的站位。她在思科AI峰会上明确表达了对两极化言论的担忧:
“网络上的讨论往往是非黑即白的:要么是完全的技术乌托邦主义,忽略了技术是一把双刃剑;要么就是末日论调,仿佛人类时刻面临生存危机。对于一项对人类文明如此深远的技术,这种讨论方式是不负责任的。”
她没有停留在批评层面,而是给出了一个可量化的价值锚点:电力。
“如果回拨一百多年,想象当时人们如何定义电力的成功。我希望那时的愿景是:学校灯火通明,家园温暖如春,机器被赋予力量实现工业化,进而延长人类寿命,让更多孩子接受教育。”
然后将这个锚点平移到AI:“成功的定义应该是文明变得更加美好,而文明是由每一个追求幸福、繁荣且拥有尊严的个体组成的。这就是AI以及每一项技术成功的定义。”
在Lenny's Podcast的结尾,她把这份关切落到了具体的人身上。她说自己每到一处都会被问到同一个问题:如果我是农民、护士、音乐家,AI会取代我吗?她的回答是:“归根结底,AI是关于人的。任何技术都不应该剥夺人的尊严。人类的尊严和自主性应该成为每项技术的开发、部署以及治理的核心。”
回顾三次访谈,一条清晰的脉络浮出水面。
李飞飞对空间智能的思考,不是对大模型浪潮的反叛,而是在其基础上的延伸。她比大多数人更早地看到了语言模型的极限,一种有损的信息压缩格式能做的终究有限。而空间智能要解决的问题是:让AI从“谈论世界”进化到“理解世界”,最终到“在世界中行动”。
World Labs团队约30人,已融资超10亿美元。Marble是第一代产品,规模远不及顶级语言模型。3D数据的稀缺和模型架构的早期状态,决定了这不会是一条一蹴而就的路线。但李飞飞在Lenny's Podcast中说了另一句话,或许是对这份耐心最好的注解:
“我们的大脑只消耗约20瓦,比房间里任何灯泡都暗,却能做这么多事。我在AI领域工作得越多,越尊重人类。”
5.4亿年的进化,才让碳基生命获得了这份20瓦的空间智能。AI的这场进化,正在被压缩到几年内完成。
李飞飞在三次访谈中都没有给出时间表。她只是反复回到那个从进化论中提取的判断:感知先于语言,空间先于符号。这场正在硅谷、斯坦福实验室和World Labs办公室里发生的,不是一次技术迭代,而是一次进化论的加速重演。(本文首发钛媒体APP,作者 | 硅谷tech news,编辑 | 赵虹宇)
附:上述三场访谈文字实录收录地址【ima知识库】李飞飞访谈 https://ima.qq.com/wiki/?shareId=3f1d4b4c0d6cb2aeca250e2c5d068390e2d45895816ad607309820e25cb2e9c5
