大语言模型无法通往AGI，空间智能才是最优路径

作者｜林易

编辑｜重点君

2月4日，在思科（Cisco）AI峰会上，李飞飞以World Labs创始人的身份，披露了公司首款空间智能产品Marble的技术细节 。

作为这一轮生成式AI浪潮的核心奠基者之一，李飞飞并未盲目追逐大语言模型的热潮。相反，她再次抛出了一个鲜明的反共识观点：单纯的大语言模型无法通往AGI。

在李飞飞看来，语言在生物进化史上只是最近50万年的产物，而视觉与触觉所代表的空间智能，早在5亿年前的寒武纪就开启了神经系统的演化竞赛。如果AI无法理解三维物理世界、无法具备物理直觉，它就只能被永远困在数字的像素中。

带着这样的判断，李飞飞创办的World Labs试图走通一条不同于OpenAI的路径：通过构建具有物理一致性的世界模型，为AI补上感知的短板。

我们梳理了这场访谈的核心信息，以下是重点内容：

1. AGI路线之争：语言并不是智能的全部，甚至不是智能的基石。

李飞飞用生物进化的宏观视角重新审视了AI的发展路径：语言在人类进化史上只有约50万年的历史，是极其晚近的产物。相比之下，视觉、触觉等感知能力早在5亿年前的寒武纪就开启了演化竞赛。

结论是：如果AI只有语言能力，它将被永远困在数字世界中。只有补齐了比语言更古老、更基础的空间智能，让机器拥有理解、推理并与三维物理世界互动的能力，AI才能真正通往AGI。

2. 重新定义世界模型：物理一致性（Physical Consistency）是关键。

李飞飞介绍，作为一个前沿空间智能模型，Marble能接收多模态输入，无论是句子、图片、视频还是简单的3D输入，并将这些提示词转化为一个完全可导航、可交互且具有永久一致性的3D世界。

与Sora等强调视觉效果的视频模型不同，Marble生成的环境具有几何结构（Geometric Structure）和物理一致性。这意味着生成的不仅仅是一段像素动画，而是一个拥有物理属性的虚拟空间，用户可以在其中自由漫游。

Marble目前已被用于游戏开发、影视特效（VFX）、机器人训练、室内设计等领域，临床研究人员将Marble用于治疗强迫症，通过生成特定的触发环境（如脏乱的洗衣房）来对患者使用暴露疗法。

3. 随着合成数据技术的成熟，世界模型即将迎来类似LLM的Scaling Law爆发时刻。

为什么物理世界的AI 发展比语言模型慢？核心瓶颈在于数据的信噪比。文本数据是清晰、语义明确的，而物理世界的像素（Pixels）和体素（Voxels）充满了噪音，且难以大规模获取 。

为了解决这一难题，World Labs采取了一种混合数据策略（Hybrid Data Strategy）：利用互联网现有的文本、图像、视频数据；结合仿真模拟数据（Synthetic Data）；加上真实世界采集的数据。

李飞飞预判，随着合成数据技术的成熟，世界模型领域即将迎来类似LLM的Scaling Law爆发时刻。

4. 通用机器人才是AI技术的皇冠，因为自动驾驶与通用机器人的逻辑完全相反。

大众往往认为自动驾驶是AI技术的皇冠，但在李飞飞看来，通用机器人的维度要高得多。

自动驾驶是2D 逻辑：汽车本质上是一个在二维平面移动的方块，它的核心任务是避障，只要不碰到东西就是胜利。

通用机器人则是3D 逻辑：机器人的核心任务恰恰相反，是接触，它必须在三维空间中，以不破坏物体的方式进行精确操作。

5.AI技术的终局是成为新的电力，成为赋能文明的基础设施。

面对当前关于AI毁灭人类或技术乌托邦的极化争论，李飞飞表现出了科学家的审慎与人文关怀。

她将AI比作一百多年前的电力。电力的成功，不是因为建立了庞大的电网，而是因为它点亮了学校的灯、驱动了工厂的机器、延长了人类的寿命。同理，AI的成功不在于模型参数有多大，而在于它能否像电力一样，成为一种赋能文明的基础设施，让每一个体获得尊严与幸福 。

李飞飞在访谈结束时透露，World Labs的目标是让空间智能技术真正进入医疗健康、农业制造等各个垂直行业。希望在2026年，我们能看到拥有了空间智能的AI，真正走出屏幕，与物理世界产生美妙的交互。

以下为李飞飞访谈实录：

1、空间智能是AI的下一个前沿领域

主持人：很高兴能亲眼见证World Labs在过去一年中所取得的进展。让我们先来聊聊你们正在做的事情，以及它为何如此重要。

李飞飞：现在我每天醒来脑子里只思考一件事，那就是空间智能(spatial intelligence)。大约两年前，我与一群年轻的技术专家共同创立了World Labs。为什么空间智能如此重要？我认为它是AI的下一个前沿领域。如果从进化的角度看待智能发展，这段历史可以追溯到5亿多年前。最先开启神经系统演化竞赛的是感知而非语言。相比之下，语言是一种非常新颖的智能形式，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，从而产生了触觉、视觉、本能和知觉。

“本能”这个词虽然有些模糊，但不可否认的是，正是通过触觉和视觉与物理世界进行身体接触，才开启了神经系统的发育，引发了动物进化的军备竞赛。这使得生物在与环境交互中变得越来越活跃，也越来越智能。我想表达的是，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。这一核心关键技术就是空间智能。这就是为什么我认为它是AI的下一代前沿领域，也是World Labs一直致力于构建的目标。

主持人：请跟我们聊聊Marble，这是你们最近刚刚发布的产品。究竟什么是Marble？

李飞飞：Marble是我们第一代空间智能模型。虽然我们常随口称其为世界模型(world model)，但鉴于目前关于世界模型的定义繁多，称谓其实并不重要。本质上，这是一个前沿的空间智能模型。Marble能接收多模态输入，无论是句子、图片、视频还是简单的3D输入，并将这些提示词转化为一个完全可导航、可交互且具有永久一致性的3D世界。这与大家现在看到的视频模型截然不同，Marble生成的环境拥有几何结构，支持模拟机器人动作或编写游戏代码等操作。

李飞飞：我们大约两个月前发布了Marble。虽然它仍处于起步阶段，是第一代产品，但作为最先进的3D生成式世界模型，我们对开启这段旅程感到非常激动。

主持人：有一种观点认为，如果仅仅依赖语言模型，我们将无法实现AGI，必须对自身的物理性进行某种增强。您显然深信这一点。那么请谈谈这个维度，随着时间推移，未来五年最重要的突破点会是什么？除了机器人技术这个显而易见的用例，还有哪些我们今天无法想象的应用？

李飞飞：其实不需要等五年，我们的用户和客户已经开始尝试早期版本的模型了。我们看到用户利用它开发游戏；视觉特效(VFX)客户将其用于商业化的虚拟制作场景；包括Nvidia在内的大公司、初创企业及学术实验室等合作伙伴，正在利用Marble作为训练环境来训练机器人；建筑师和设计师则用它进行室内设计

我们还发现了一些意想不到的用例。例如，临床研究人员对Marble表现出了极大的热情。大量的精神病学和心理健康研究及干预手段都需要沉浸式环境，且需针对特定情况进行个性化定制。以强迫症(OCD)为例，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。研究人员发现搭建实体环境非常困难，而Marble只需输入提示词，几分钟内就能生成各种不同类型的环境。

此外，还有人将其用于健身训练，比如个性化的瑜伽环境。随着Marble不断完善，毕竟我们现在还处于早期阶段，我相信未来会看到越来越多横向的应用场景。

2、AI的社会价值

主持人：你进入AI行业已经很长时间了。

李飞飞：这是在委婉地讨论我的年龄。

主持人：不，我的意思是，你不仅仅是那种跟风研究了三年的人，而是将毕生精力都奉献给了AI。当你创立这家公司并着手构建空间智能时，最让你感到惊讶的是什么？

李飞飞：这个问题问得很好。正如我们讨论过的，即便到了我们这个年纪，保持求知欲和学习能力依然是最重要的事情。我投身AI领域已经很多年了，最初是因为强烈的好奇心，我想探索什么是智能以及如何让机器变得智能。当时AI还是一个无人问津的冷门领域，大家甚至不知道怎么拼写AI，那段时光非常有趣。但过去十年发生了翻天覆地的变化，AI对我而言不再仅仅是个人层面的追求，它已经上升到了文明层面。这让我作为教育者和企业家多了一层责任感，不仅要在技术上做出贡献，还要推动其健康发展。

作为企业家，最让我惊讶的有几点。首先是过去几年AI的发展速度令人屏息。无论我们外表如何淡定，内心深处都难免焦虑，因为有太多的论文要读、太多的博客、新闻和模型发布。这种焦虑感正是我们这个时代的写照，技术正以惊人的速度推动我们前进。这让我既兴奋又清醒，正如苏格拉底所言“我一无所知”，我希望大家不要放弃学习，保持好奇心。

另一点让我惊讶甚至担忧的是关于AI的极化言论。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。主动权掌握在每一位企业家、产品经理、工程师和公民手中，我们需要具备能动性来引导技术的发展。我真心希望在迈向2026年及未来的过程中，我们能更客观、细腻且心怀仁慈地看待AI，既保持乐观，又肩负起责任，而不是为了博取眼球去发表极端言论。

主持人：在你心中，未来几年AI取得什么样的成果才算成功？我很喜欢你提到的这种两极分化的观点，要么工作全部消失盯着大海发呆，要么技术完全没用。

李飞飞：如果我们把时间回拨一百多年，想象一下当时的人们如何定义电力的成功。很难想象那个版本的我们能预见到今天的景象，但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。这就是技术和AI的意义，是一种永恒的价值。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。

3、世界模型与具身智能的技术难点

主持人：接下来我们谈谈战术层面。Large World Models（大型世界模型）的计算密集度是否与Language Models（语言模型）相当？

李飞飞：首先，存在不同种类的大型世界模型。我们致力于创建具有显式3D表示的世界模型，以赋能机器人、游戏、娱乐和设计等领域。还有一类通常被称为世界模型的其实是视频生成模型。目前我们的模型规模并没有那么大。从宏观视角来看，GPT-5的训练量大约在10的26次方flops（每秒浮点计算）左右，而我们的Marble模型在规模上仍要小几个数量级。

主持人：这仅仅是因为没有足够的数据来喂给这些模型吗？

李飞飞：我认为两者兼而有之。规模化确实始于数据和模型参数，数据起到了重要作用。但另一方面，这个领域还处于早期阶段。Transformer论文发表于2016年左右，语言模型的发展已经快十年了，而世界模型是一个新得多的领域。虽然过去两年我们降低了一些科学风险，但仍处于探索模型架构的相对早期阶段，所以规模较小。不过考虑到我们实验室以及整个领域的进展，接下来的几年将会非常令人兴奋，我们将见证大型世界模型在Scaling Law（规模定律）曲线上的飞跃。

主持人：这让我很着迷。语言模型是在互联网上免费、公开的数据上训练的，获取海量数据相对容易。但物理数据很难获取，因此合成数据（Synthetic Data）变得至关重要，同时你也需要以更慢的速度去收集真实数据。这带来了哪些限制？世界模型的进步速度会因此变慢吗？我们会拥有通用机器人，还是因为数据限制只能拥有专用机器人？

李飞飞：这是一个信息量很大的问题。在World Labs，我们采取混合数据策略。我非常羡慕研究语言的朋友，因为语言数据的输入是完全可观测的、单一模态的，且含义清晰。而像素或体素构成的3D世界则要混乱得多。为了突破技术极限创造3D、4D世界，我们必须意识到我们并没有海量的3D数据。因此我们采取分层混合方法：利用互联网规模的文本、图像和视频，结合模拟数据，再加上真实世界采集的数据。这就像自动驾驶公司花费数十年收集真实和模拟数据一样。

至于速度，虽然数据获取难，但算力在增强，芯片在进步，整个生态系统也在成熟。我们现在合作的数据供应商在三年前甚至不存在。合成数据确实发挥了很好的作用，而且我们正在制作的模型也将反过来为模拟世界贡献数据，形成飞轮效应。

关于通用机器人，这几句话就能概括，但做起来很难。我在斯坦福运营机器人实验室十多年，作为科学家，我必须承认这是一个极具挑战的问题。看清北极星并不意味着旅程会很短。回想2006年，我和同事带领团队创造了第一辆在沙漠行驶138英里的自动驾驶汽车，当时我们预言20年后会有自动驾驶汽车。直到去年，Waymo才开始在城市街道大规模运行，这确实是一段漫长的旅程。

汽车与机器人的区别在于，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，加上手部模拟的极高难度、视觉的精准度以及空间理解的需求，挑战巨大。这就是我创立World Labs的原因。我不喜欢过度承诺，但这确实是我们致力于解决的重要问题。

主持人：最后，对于企业界人士，他们应该如何看待世界模型、物理AI以及你正在思考的整个领域？

李飞飞：虽然我的思维方式有时候还像个研究生，总想着要有免费食物才行，但对于企业而言，World Labs非常乐意与合作伙伴交流。世界模型和空间智能是一项横向技术。我们谈论机器人、模拟和沉浸式交互娱乐，但这不仅仅局限于此。我们还没有深入探讨医疗保健、教育产品、现场服务、金融服务、农业制造、仓储检测以及城市规划等领域。利用空间智能我们可以做的事情还有很多，这确实是下一个前沿领域，我邀请大家无论是与我们合作还是独立开展研究，都加入到这个进程中来。