李飞飞押注空间智能：生成的世界，如何“经得起折腾”？

AI 生成的世界为何“中看不中用”

AI 生成的大多数世界“中看不中用”，根本原因是 AI 少了一本“底账”：一份记住世界里有什么、每次行动改变了什么、并且能被检查和回滚的状态记录。

李飞飞押注的空间智能，被视为世界模型的主流路线之一。这条路线的基本构想是，让 AI 从识别二维画面，走向理解、推理和生成可进入、可操作、可持续编辑的三维世界。但真正的考验在于：一个“站得住”的世界，是怎样构建出来的？

要回答这个问题，不妨先回到一个更基础的追问：当 AI 的交付形态从“画面”变成“三维世界”，互动方式从“观看”变成“进入和操作”，到底意味着什么？它意味着 AI 交付的内容开始拥有时间属性：对象需要在多轮操作中保持身份，规则要承受真实行动，局部修改也要与已经成立的关系相容；系统还得从每一次行动的后果中，修正自己对世界的理解。

李飞飞将这组能力概括为 Renderer、Simulator 与 Planner——通俗地说，一个负责把世界“画出来”，一个负责记住“世界现在是什么样、行动之后会变成什么样”，一个负责决定“下一步做什么”；三者之间的连接，尤其是模拟与规划共享的状态层——也就是那本“底账”，直接决定了一个生成世界能否继续运行。

状态层为何难以持续运转

然而，维持这一状态层持续运转并非易事。空间世界的开放性和交互组合的无限性，意味着任何预置规则都无法穷尽所有可能情形。系统必须在实际运行中不断遭遇未知、记录冲突并修正假设。说白了，就是让系统从每一次操作中自动学习。

当这种“自我纠错”从零散的补丁升级为一整套固定流程时，行业称之为递归自我改进（Recursive Self-Improvement, RSI）：系统将“状态—目标—行动—新状态—验证—反馈”保存为完整轨迹；在真实交互中识别能力缺口；自动生成新任务和困难样本；再经独立评测、版本门控与回滚，驱动下一轮迭代。

反过来看，空间世界也恰好为这一闭环提供了理想的试验场。它有明确的对象、可执行的动作和可外部核验的结果，使“从可观看世界，到可计算状态，再到持续行动与学习的自主空间智能”不再停留于技术想象，而成为一条可逐步验证的工程路径。

生成式 AI 能造出怎样的世界？

生成式 AI 的输出正在获得空间属性：人可以进入、操作，并在其中继续创作。三维世界把感知、推理、代码、物理和交互压进同一项任务，也因此成为前沿模型少见的综合试验场。

Kimi K3 的官方演示里，一段自然语言最终变成浏览器中的程序化开放世界：骑乘、森林、村庄、山地、水体和天气处于同一运行画面中。它展示了模型将三维推理、代码生成、工具调用和视觉反馈串成一条完整工作流的能力。

GPT‑5.6 与 Codex 构建的 MiniTown 则更进一步。房屋和道路之外，分区、居民日程、车辆与昼夜循环也被组织在同一状态里。一幅城市画面由此获得了时间、规则和行为，背后则是资产组织、规则编写、引擎执行和反复检查。

所谓“一句话生成”，实际压缩了一条很长的生产链：拆解意图、检索资产、求解空间关系、执行脚本、检查渲染结果，再修复空场景、穿模、对象缺失与状态丢失。时间轴把演示和系统区分开来——桌子移动后仍要保有身份，门的开合需要更新通行区域，局部换材质也应限定影响范围。世界开始接受行动，状态维护随即进入智能系统的核心。

一个可运行世界如何被构建

一个可运行空间至少包含三类状态：语义状态说明对象是什么、承担什么功能；几何状态保存尺寸、位置、边界与拓扑；运行状态记录门是否打开、角色在执行什么任务、路径是否仍然有效。三者必须绑定在同一对象生命周期中。

系统还要区分“编辑世界”和“在世界中行动”：删除一面墙是在改规则，推开一扇门则是在规则内运行，两者需要不同的权限、依赖和回滚方式。

这使世界生成越来越像软件编译与持续集成。自然语言先被翻译成目标与约束，空间模型提出结构，资产系统补齐对象，求解器处理边界、碰撞和关系，引擎执行并渲染，验证器再决定新状态能否提交。每次修改都应继承上一个稳定版本，并把重算限制在受影响区域。

整条链可以压缩为“表示—转移—验证”：描述当前世界，计算行动带来的变化，再检查新状态是否满足几何、物理和任务目标。通用模型理解意图，专用空间模型求解位置与约束，状态层让模型、资产、求解器和引擎围绕同一个世界协作。评估也随之从首轮画面扩展到有效质量、首次有效时间与单位有效结果成本。工程链能否压低返工，同时维持既有状态，决定了世界生成能走出演示多远。

三条技术路线的能力边界

目前，构建可运行三维世界的技术路径主要沿着三条路线展开：以视觉生成驱动的感知式世界生成、以对象身份、规则为核心的符号化／程序化世界生成，以及正在形成的融合架构。

三者起点不同、优势各异，但正朝同一方向收敛。视觉表征开始吸收对象身份和可操作状态，程序化系统则补入视觉经验、连续空间与开放环境泛化。融合架构试图用统一的中间表示承接两者，关键检验发生在行动之后：观察与状态能否同步更新。

真正的瓶颈：世界造出来了，但等不起、也改不动

感知式路线把大量世界信息压在画面或潜在表征里，错误往往藏在镜头之外；符号化路线把对象和程序显式写出，错误则常藏在代码和工具状态之后。它们的表象不同，根因相近：生成结果承担了过多世界状态，却缺少一份独立、可验证、可增量更新的底账。

今天的产品门槛集中在两个问题上：多久能拿到第一个可继续工作的场景；局部修改之后，它能否保持原有身份和关系。影响范围不清、约束无法自动复核，系统便会退回整场重算、多轮截图和人工审阅。

用户实际等待的是第一个通过几何、功能和任务检查的结果。单轮生成即使很快，只要接受率偏低，时间仍会被资产检索、渲染、碰撞检测、视觉审阅和反复修复吞掉。SceneOrchestra 在同一 A6000 环境复测时，LayoutGPT、Holodeck、SceneOrchestra 和 SceneWeaver 的平均运行时间从 2.3 分钟延伸到 91 分钟；World Labs 文档把 Draft、完整 World 和高质量 Mesh 分别放在约 2 分钟、10 分钟和更长时间的量级上。

这意味着，生成速度本身不是瓶颈，有效结果的产出速度才是。系统若不能在第一次返回后快速收敛到可提交状态，用户就会陷入“等一个能用的世界”而不是“看一个能看的世界”。

状态底账如何改变生成范式

把状态层从生成结果中独立出来，是空间智能走向可工程化的关键一步。状态层不再只是模型的输出缓存，而是一份可查询、可校验、可回滚的世界记录。它让每一次行动都有据可查，让每一次修改都能被限定在影响范围内，让系统在失败时不必推倒重来。

这种转变也改变了评估方式。过去看一张图是否好看，现在看一个世界是否“经得起折腾”：对象能否在多次操作后保持身份，规则能否在真实行动中保持一致，局部修改能否不破坏已经成立的关系。有效质量、首次有效时间和单位有效结果成本，成为比单轮生成速度更重要的指标。

当状态层成为系统的核心，递归自我改进才有了落点。系统可以从每一次真实交互中保存完整轨迹，识别能力缺口，自动生成新任务和困难样本，再经独立评测、版本门控与回滚，驱动下一轮迭代。空间世界因此不只是生成式 AI 的展示场，更是一个可以持续学习、持续修正的试验环境。

从可观看世界到可计算状态

李飞飞提出的 Renderer、Simulator 与 Planner，本质上是在描述一种新的交付形态：AI 不再只交付画面，而是交付一个可以被进入、被操作、被编辑的世界。这个世界的核心不是渲染质量，而是状态一致性。

当对象需要在多轮操作中保持身份，规则需要承受真实行动，局部修改需要与既有关系相容，系统就必须拥有一份独立于画面的底账。这份底账记录世界里有什么、每次行动改变了什么、哪些状态可以被检查、哪些修改可以被回滚。没有它，生成的世界就只能停留在演示层面，无法进入真实工作流。

空间智能的工程路径因此变得清晰：从可观看世界，到可计算状态，再到持续行动与学习的自主空间智能。每一步都需要状态层的支撑，每一步也都让状态层变得更加重要。生成式 AI 的下一阶段，或许不是画得更像，而是记得更牢、改得动、经得起折腾。