世界模型怎么才算“能用”？李飞飞把它做成了 API

全文 2,000字 | 阅读约 6 分钟

（ 李飞飞：人类的常识并不难，AI 能学会）

真正的“世界模型”是什么？李飞飞说：不只是看，还要能走进去。

2026 年 1 月 21 日，她创立的 World Labs 上线了开放平台 World API。输入一张图、一段文字或一个视频，它就能生成一个 3D 世界。AI 可以在里面移动和探索，你也可以把它导出到游戏引擎或机器人仿真系统。

但在李飞飞眼中，World API 不只是一个生成工具。

1 月 28 日，在播客《Rethink Reality》上，李飞飞说：

“世界可以是抽象的，也可以是物理的。它可以大到宇宙，也可以小到一粒沙子。我们不只是在做一个模型，而是在重新定义，什么才算一个世界。”

就在几天前，彭博社曝出这家公司正与投资人谈判新一轮融资，估值或达50亿美元，是首轮融资时的五倍。

第一节｜世界不是图像，是可交互空间

要理解 World API 为什么重要，先看它和现在主流的 AI 工具有什么不同。

Sora、即梦等生成的是视频流，本质是固定角度的连续画面。你看到一段影像，但无法走进去，无法绕到背后。这是给人看的内容。

World Labs 生成的是空间结构，是完整的几何模型加上物理关系。你可以走进去，可以绕到后面，可以导出到游戏引擎或机器人仿真系统。这是给机器用的环境。

这个区别为什么重要？

视频模型解决“看什么”，世界模型解决“能做什么”。游戏需要可探索的关卡、机器人需要可训练的仿真环境、VR 需要可沉浸的空间，这些都不是一段视频能解决的。

而要做到这些，AI 必须理解物体能做什么。

一张椅子不只是椅子，是可以坐的东西；一扇门不只是形状，是可以推开的入口。AI 如果不理解这些，就无法真正进入世界，更无法在里面行动。

所以，世界可以大到宇宙，也可以小到一粒沙子。关键不在尺度，在于它是否具备完整的空间关系、物理规则和可交互性。

AI的输出，正在从内容变成环境。

第二节｜World API 的核心能力

这个环境是怎么造出来的？

1月21日上线的World API，把李飞飞对世界的定义变成了可调用的产品。从这个API的设计，可以看出两个技术判断：

1、多模态输入：用多种信息源还原空间

World API 支持文本、图片、视频、全景图作为输入。你可以给它一句话，也可以给它一段视频或几张全景照片，AI 会从这些不同信息里拼出一个 3D 空间。

为什么不像 ChatGPT 那样只用文本？

因为真实世界的信息是多维度的。语言描述空间结构效率很低，图像能提供视觉信息但缺少深度，视频有时间序列但视角受限。只有把这些信息融合，才能还原完整的空间。

World Labs 开发的模型是多模态的，包含语言、语义、几何，最终还有物理。

2、语义可编辑：AI要懂人话，不只是懂数字

比如这样一句话：在客厅中央放一张沉重的沙发。

这里的“沉重”、“中央”不是精确坐标，但人能懂，AI 也必须能懂。

类似的词还有很多：“滑”表示摩擦，“暗”表示光照，“易碎”带有预判。这些日常用语里都藏着物理信息。World API 的处理方式是：保留这些模糊性，不把它们转成精确数值，而是直接读懂语义。

这样创作者就可以用自然语言描述想要的世界，而不需要学建模软件或写代码。

配合自然语言，World Labs 还提供了可视化工具 Chisel（凿子）。用户可以放置几个方块来决定画廊的几何结构，AI 会基于这些约束生成完整场景。

这两个能力的组合，让World API成为了一个开放的空间基础设施。任何需要 3D 环境的系统，都可以直接调用它来构建场景，而不需要从零开发。

从产品定位看，这不是一个生成式AI应用，而是下一代空间智能的底层平台。

第三节｜世界造出来给谁用？

产品能力已经清楚了，但更重要的问题是：这个市场有多大？

1、三类核心场景

游戏开发最直接。传统 3D 建模耗时数月，World API 可以在几分钟内生成可用关卡，设计师再用 Chisel 调整细节。原本花在重复建模上的时间，可以用来打磨玩法和叙事。

机器人训练依赖仿真环境。现在的做法是在Unity 或 Isaac Sim 里手工搭建场景，成本高、周期长。如果能从一段真实环境的视频直接生成可训练的 3D 仿真空间，机器人从实验室走向现实世界的速度会快得多。

VR和AR需要大量3D内容。但大多数创作者不会用 Blender 或Maya，World API降低了制作门槛。建筑设计、室内装潢、展览策划，都可以快速把概念变成可交互的空间原型。

李飞飞还提到了下一步的技术方向：动力学。树会随风摇摆、沙发能压出地毯形变、光照会随时间变化。这些不只是为了真实感，而是为了让生成的世界能真正用于物理仿真和机器人训练。

2、不同的赛道

World Labs 和 OpenAI、Google的重点不太一样。

OpenAI 当前主攻对话和通用 Agent，ChatGPT 帮你写文章、分析数据、执行任务，但重心不在空间理解。

Google 有 Genie 3 这样的世界模型，也能生成可交互 3D 环境，但主要用于游戏开发和agent训练，定位更偏向研究和特定场景。

World Labs 做的是可编程空间的基础设施，生成的不只是环境，而是可以直接接入各种系统的空间数据。任何需要 3D 环境的应用，都可以调用 World API。

这是基础设施和应用层的差异。就像10年前，做操作系统的和做应用的不是对手。

投资人看到的也是这个：如果可编程空间成为下一代平台，World Labs占据的是底层位置。API 上线后，公司正洽谈新一轮融资，目标估值 50亿美元，是此前 10 亿估值的五倍。

3、技术的另一面

李飞飞在对话中主动谈到了风险。

任何能重建空间的技术，都可能被用于监控、操控或制造虚假现实。她的观点很直接：技术本身是中性的，问题在于如何使用。

那怎么办？她的答案是：依靠法律、治理、社会规范、教育，还有人类自身的善意。

这个回答诚实，但也有限。因为技术一旦开放，控制权就不在开发者手里了。World API现在是给开发者用的工具，但最终这些生成的空间会被用在哪里、服务于什么目的，很难完全约束。

这不是李飞飞能解决的问题，也不是任何一家公司能解决的问题。但至少她没有回避，在大多数创业公司急于讲故事、冲估值的时候，愿意公开谈风险，这本身就是一种态度。

造世界的工具已经出现。机会很大，风险也很大。

结语｜她做的不是产品，是入口

OpenAI 用对话框让 AI 接近语言，李飞飞 让 AI 进入空间。

对话框生成的是内容，World API 生成的是可交互的环境。前者是终点，后者是起点。

她给底层模型取名 Marble（大理石），工具叫 Chisel（凿子）。隐喻很清楚：世界等待被雕刻，工具已经给你，剩下的看你怎么用。

World API 已经上线，代码已经开放。

接下来，就看开发者用它造出什么世界。

识自AI

本文由AI深度研究员出品，内容基于李飞飞在播客《Rethink Reality》的访谈及World Labs公开信息翻译整理，属编译分析性质。内容为原文理解性翻译与合理解读，非逐字对照翻译。未经授权，不得转载。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

参考资料：

https://www.youtube.com/watch?v=61VpIEpdZGg

https://www.bloomberg.com/news/articles/2026-01-23/fei-fei-li-s-ai-startup-world-labs-in-funding-talks-at-5-billion-valuation

https://www.worldlabs.ai/blog/announcing-the-world-api

https://x.com/drfeifei/status/2016201629121269831?referrer=grok-com

来源：官方媒体/网络新闻

排版：Atlas

编辑：深思

主编: 图灵