剛剛，李飛飛指出了AI被忽視的關鍵缺陷——AI仍然是個“黑暗中的文字匠”。

?

在科技巨頭紛紛宣稱即將實現通用人工智能的喧囂中，李飛飛用萬字長文定義了AI未來十年。昨晚，斯坦福大學教授、AI領軍人物李飛飛發表了題為《從文字到世界：空間智能是AI的下一個前沿》的長文。

?

?

李飛飛認為，要讓AI實現更長遠的目標，即真正實現AGI，空間智能至關重要，這也是該文章的核心觀點。

?

她在文章中明確指出現有大語言模型的根本局限：它們本質上是“黑暗中的文字匠”，能言善辯卻無實際經驗，知識淵博但缺乏現實根基。這一判斷直接挑戰了當前僅通過擴展參數和數據就能實現AGI的主流觀點。

?

空間智能，即人類理解、導航并與三維世界交互的底層能力，正是當前AI系統最缺乏的核心要素。

?

作為人類，我們可以輕松地接住拋來的鑰匙、在擁擠人行道穿行而不碰撞，或是半睡半醒間準確將咖啡倒入杯中。然而，就是這些我們習以為常的物理交互，成為了機器難以企及的空間智能。

?

這種能力的缺失使得AI在與物理世界交互時顯得極其笨拙。李飛飛指出，最先進的多模態大語言模型在估算距離、方向、大小等任務上，表現往往不比隨機猜測好多少。它們無法進行“心智旋轉”物體，不能導航迷宮識別捷徑，也難以預測基本的物理規律。

?

空間智能的雙重挑戰：數據與算法

?

實際上，盡管關于空間智能的認知與研究并不算少，但其發展緩慢的背后，是遠比文本處理復雜的數據與算法挑戰。這也是為什么語言模型發展如此迅速，而世界模型似乎難以實現更大的突破。

?

這或許也是AGI短期難以實現的核心障礙。

?

互聯網為AI訓練提供了海量文本數據，但適合訓練空間智能的三維空間數據卻極為稀缺。人類通過“感知-行動”循環來學習世界，而當前的AI缺乏這種與環境的持續互動能力。

?

谷歌DeepMind首席執行官Demis Hassabis曾在一檔播客節目中指出，缺乏一致性是AGI至今無法實現的關鍵因素。這種一致性在空間智能中體現為感知、幾何與物理規則的一致性，而當前AI生成的視頻往往在幾秒鐘后就失去連貫性。

?

?
李飛飛提出，實現空間智能需要構建全新的“世界模型”，這種模型必須具備三大核心能力：
?
1.生成性，能創造遵守物理定律、空間一致的世界；

2.多模態，能處理從圖像、視頻到動作的多模態輸入；

3.交互性，能預測世界隨時間演變或互動的狀態。
?

具身智能：從感知到行動的關鍵路徑

?

作為當下的熱門領域，具身智能是否能為空間智能提供突破點？李飛飛的觀點暗示了肯定的答案。

?

她在文章中提到，自主機器人的愿景依然誘人卻遙遠。這并非技術悲觀主義，而是對現實挑戰的清醒認知。當前的機器人只能在高度受限的環境中執行簡單操作，遠未達到在復雜現實場景中自主行動的水平。
?

真正的突破可能來自于將計算機視覺與機器人學習相結合的研究路徑。李飛飛在斯坦福的實驗室過去十年一直致力于此。這種結合創建了從感知到行動的閉環，是實現空間智能的關鍵步驟。

?

具身智能的意義在于為AI提供了學習物理規則的“身體”。就像嬰兒通過玩耍與環境互動來認識世界一樣，具身智能體可以通過與環境的互動獲得對物理世界的直觀理解。

?

?

通往AGI的技術路徑：世界模型的三大突破

?

實現AGI需要在世界模型的技術架構上取得根本性突破。

?

生成性世界模型需要解決物理一致性問題。當前AI生成的視頻雖然令人驚艷，但常常違反物理規律。李飛飛認為，世界模型必須能夠生成無窮無盡、多種多樣的模擬世界，這些世界在幾何、物理和動態上保持一致。

?

多模態處理需要超越簡單的文本-圖像對應。理想的世界模型應該能處理各種形式的輸入——圖像、視頻、深度圖、文本指令、手勢或動作，并預測或生成盡可能完整的世界狀態。

?

交互性是實現真正智能的關鍵。李飛飛強調，世界模型必須能夠根據輸入的操作預測世界的演變。這種能力將使AI不再是被動的信息處理器，而是能夠主動與環境互動的智能體。
?

AI下一個十年：從語言到世界

?

李飛飛的文章描繪了AI發展的范式轉變：從追求更大的語言模型轉向構建更理解物理世界的智能體。

?

這一轉變的意義不亞于從專家系統到深度學習的轉變。它要求我們重新思考AI的發展方向：不再僅僅滿足于處理抽象知識，而是要創建能夠理解并與物理世界交互的系統。
?

實現這一目標需要跨學科的努力。正如李飛飛創建的World Labs所展示的，計算機視覺、機器人學、認知科學等領域的深度融合將是關鍵。

?

李飛飛的長文或許為我們提供了清醒的認識：AGI不會在短期內實現，因為我們還沒有解決最基礎的空間智能問題。

?

但是通過專注于世界模型的構建，通過跨學科的深入合作，我們可能最終會邁向真正智能的系統。

?

大家怎么看？歡迎交流討論~