李飞飞：使用世界模型，不用等5年51CTO技术栈
“如果AI只停留在语言层面，无论模型多大，都很难走向真正的通用智能。”
“使用世界模型，不需要等5年。”
在最近Cisco AI峰会的公开对谈中，AI教母、斯坦福大学教授李飞飞，再次为业界带来了一场关于世界模型的最新进展。
首先，李飞飞抛出了一个判断：真正的AGI，只靠LLM是不可能实现的。
原因并不在于语言模型“不够聪明”，而在于语言本身不是智能的起点。
为了佐证这个观点，李飞飞把讨论直接拉回到一个AI圈并不常用、但她本人极为看重的参照系：进化史。
从进化角度看，最早触发神经系统“军备竞赛”的，并不是语言而是感知。早在五亿多年前，动物就已经开始感知光、触碰环境，逐步学会在真实世界中导航、避险、互动。而语言，即便用非常宽松的标准来估计能也只有五十万年，甚至更短，是一种极其晚近的智能形态。
语言智能是基础，空间智能则是关键性的。这意味着一件事：
理解、推理、与现实世界互动，以及在真实的三维、四维物理世界中导航的能力，与语言智能同样基础，甚至更加原始。
也正因为如此，她认为今天的AI路线出现了一种结构性偏差，我们正在不断强化“会说话的智能”，却迟迟没有补上“理解世界的智能”。
这也是她在两年前创立World Labs 的根本动机。这家公司并不是要再做一个更强的语言模型，而是押注在一个当下仍然小众、但她认为不可绕过的方向上：空间智能与世界模型。
那么，究竟什么是空间智能呢？
李飞飞表示，很多人会把它误以为是视频生成模型。
空间智能并不是生成几段视频、几张3D 图像，而是让机器具备一种能力：在真实的三维、甚至四维物理世界中，理解结构、保持一致性、进行推理，并与环境交互。语言，在这里更像是接口，而不是核心。
世界模型和空间智能，需要多久才能实现“北极星”目标？
跟马斯克等激进派所说的“1年或3年内实现AGI”的说法不同，李飞飞表示自己始终不喜欢做过度承诺。“北极星的位置很清楚，并不意味着通往它的路很短。”
以自动驾驶为例：2006 年，学术界就已经做出了可以在沙漠中连续行驶上百英里的原型车；但直到20年后，Waymo才真正开始在城市道路中规模化运行。
在她看来，空间智能和通用机器人，面临的是一个比自动驾驶维度更高、难度更大的问题。
这在问题维度上要高得多。再加上手部操作的仿真、精细视觉、空间理解能力，以及训练数据的匮乏，这些因素叠加在一起，使得挑战异常巨大。
当提及如何定义AI的“成功”时，李飞飞给出了一个很温暖的回答：
文明是否因此整体变得更好。
就像150年前的电力行业的成功，不是某项具体指标，而是学校被照亮、家庭变得温暖、工业化进程得以推进，人类寿命因此延长。
此外，对于通用机器人领域，李飞飞也透露了不少干货。比如在克服训练数据匮乏的挑战方面，团队采用了一种多模态叠加的混合策略。
篇幅关系，不再一一展开。以下是小编整理的精彩观点～
每天醒来，只想一件事：空间智能
主持人：很高兴在过去一年里看到World Labs 取得的进展。我们不妨从你们正在做什么、以及为什么这件事如此重要谈起。
李飞飞：现在我每天醒来，脑子里几乎只想着一件事——空间智能。这是我大约两年前和一群年轻的技术人员共同创立的一家公司，名字叫World Labs。
为什么空间智能如此重要？为什么我认为它是AI的下一个前沿？如果从进化的角度来看智能的发展，这条路径其实可以追溯到五亿多年前。最早引发神经系统进化“军备竞赛”的，并不是语言，而是感知。与感知相比，语言是一种非常新的智能形式。即便用非常宽松的标准来估计，语言的历史可能也只有五十万年，甚至更短；而在五亿多年前，动物就已经开始感知光、触碰环境，也就是触觉和视觉感知。
主持人：那你会把“本能”也算进感知里吗？
李飞飞：“本能”是一个很有意思的词。在我看来，它是一个相对模糊的概念。我并不是否定这个词，但如果从物理层面来看，真正触发神经系统发展的，是触觉和视觉感知。
正是这些感知能力开启了进化的“军备竞赛”，让动物越来越积极地与环境互动，也变得越来越聪明。我想强调的是：理解、推理、与现实世界互动，以及在真实的三维、甚至四维物理世界中导航的能力，与语言智能同样基础。而其中的关键技术，就是空间智能。这也是为什么我认为空间智能代表了AI的下一代、下一个前沿，而这正是World Labs 一直在构建的方向。
Marble，不是视频模型
主持人：那能不能具体讲讲最近发布的 Marble？Marble 是什么？
李飞飞：Marble 是我们第一代空间智能模型的名字。我们平时比较随意地把它称为“世界模型”，但说实话，“世界模型”这个词有很多不同的定义，是否使用这个称呼本身并不重要。
它的本质是一个空间智能模型，一个前沿模型。Marble 可以接收多模态输入：一句话、一张图片、一段视频、几张图片，甚至是一个简单的 3D 输入，都没有问题。它会将这些输入转化为一个完全可导航、可交互的三维世界。
这个世界具有长期一致性，这与当前很多视频模型非常不同，同时它还具备明确的几何结构，可以支持机器人动作仿真、游戏开发等多种应用。Marble 大约在两个月前发布，目前还只是第一代模型。我们对这段旅程感到非常兴奋，它现在仍然是最先进的3D生成式世界模型之一。
