李飞飞重磅长文：空间智能，AI下一个十年的核心战场

　　2025年11月10日，斯坦福大学教授、AI领域泰斗李飞飞发表长篇博客《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》(从语言到世界：空间智能是AI的下一个前沿)，为全球AI发展指明新方向。这位ImageNet数据集的缔造者、现代计算机视觉的奠基人，在深耕AI领域25年后明确提出：以大语言模型(LLM)为代表的现有AI技术已触及瓶颈，而“空间智能”将成为突破这一局限、重塑未来十年AI发展的核心引擎。

　　破题：现有AI的“致命短板”——脱离现实的“黑暗文匠”

　　李飞飞在文中对当前AI发展现状作出精准判读：生成式AI虽已渗透至数十亿人的生活，能生成连贯文本、逼真图像乃至短视频，但其本质仍是“黑暗中的文匠”——精通语言表达却缺乏对物理世界的真实感知，掌握海量知识却无法与现实场景深度互动。这一短板直接导致三大核心目标难以实现：自主机器人未能走进日常生活、AI加速科研的愿景尚未落地、赋能人类创造者的智能工具仍显稚嫩。

　　这种局限的根源，在于现有AI缺乏人类认知的核心脚手架——空间智能。李飞飞以日常场景举例：停车时判断车尾与路缘的距离、半睡半醒间精准倒咖啡、消防员在坍塌建筑中判断险境，这些看似本能的行为，背后是人类通过感知与行动构建的空间认知体系。而当前最先进的多模态模型，在距离估算、物理规律预测等基础任务上表现仅略高于随机水平，生成的视频数秒后便会失去逻辑连贯性，根本无法支撑复杂的现实交互。

　　核心定义：空间智能——连接感知、想象与行动的认知根基

　　在李飞飞的研究框架中，空间智能并非简单的“视觉识别+空间定位”，而是支撑人类与世界互动的底层认知能力，其核心价值体现在三个维度：

　　生存与交互的基础能力

　　从生物进化视角看，空间智能是智能演化的起点。早在语言出现前，原始生物通过感知光线、触感构建的空间认知，便搭建起生存与环境互动的桥梁。人类婴儿在学会说话前，正是通过触摸、爬行、玩耍等空间互动认识世界，这种“感知-行动”循环构成了智能发展的核心链路。

　　想象力与创造力的源泉

　　空间智能是人类创造活动的底层支撑。从史前洞穴壁画到现代电影、电子游戏，所有叙事性创作都依赖于脑海中构建的虚拟空间;工程师通过三维建模发明珍妮纺纱机，沃森和克里克借助物理模型发现DNA双螺旋结构，这些突破都源于对空间关系的精准把控与想象。

　　文明进步的关键驱动力

　　历史上重大科学突破往往离不开空间智能的赋能。古希腊学者埃拉托色尼通过测量不同地区的日影角度，仅用几何推理便计算出地球周长;工业革命时期的机械发明、当代的数字孪生技术，本质都是空间智能在不同时代的技术具象化。

　　破局路径：构建具备三大核心能力的“世界模型”

　　李飞飞指出，实现空间智能的关键，是构建超越现有LLM的“世界模型”——一种能理解、推理、生成并交互虚拟与现实世界的新型生成式模型。这种模型必须具备三大核心能力，才能真正模拟人类的空间认知逻辑。

　　生成性：创造逻辑自洽的世界

　　世界模型需能生成在感知、几何、物理层面保持一致的虚拟世界，无论是还原现实场景还是创造奇幻空间，都必须遵循内在的物理规律与动态逻辑。例如生成一段“杯子掉落”的视频，不仅要呈现视觉上的逼真效果，还需符合重力作用下的运动轨迹、碰撞后的破碎形态等物理规则。更重要的是，模型对当前世界状态的理解，必须与历史状态保持连贯，避免出现逻辑断层。

　　多模态性：融合全维度感知输入

　　与人类通过视觉、听觉、触觉等多渠道感知世界一致，世界模型需具备处理图像、视频、文本、手势、动作等多模态输入的能力。当输入信息不完整时(如仅提供文本描述“红色圆形物体”)，模型应能补全缺失信息，生成符合语义与物理规则的完整世界状态。这种多模态交互能力，让AI能通过人类熟悉的方式理解指令，打破单一输入形式的局限。

　　交互性：实现“动作-状态”的动态反馈

　　世界模型的核心突破在于动态交互——当输入包含动作指令(如“推动桌子”)时，模型需能精准生成世界的下一状态(桌子移动的距离、姿态变化及可能的连锁反应)。进阶阶段，模型还需具备“目标导向”的推理能力，例如输入“将杯子放到书架上”，模型不仅要预测动作后的世界状态，还需规划出实现目标的具体步骤(伸手、抓取、移动、放置等)。

　　攻坚方向：三大技术壁垒与前沿探索

　　构建世界模型的难度远超现有AI技术，李飞飞结合其创立的World Labs研究实践，提出了当前亟需突破的三大技术方向：

　　通用训练任务函数研发

　　现有LLM以“下一token预测”为核心任务函数，简洁且高效，但世界模型需处理几何、物理等多维信息，亟需一种能反映空间规律的通用任务函数。例如通过“场景连贯性预测”任务，让模型学习不同物体间的空间关系与物理约束，为多模态信息融合提供统一目标。

　　复杂训练数据体系构建

　　世界模型需要的不仅是互联网上海量的图像视频数据，更关键的是从中提取深层空间信息的算法。例如从二维视频帧中还原三维空间结构、解析物体运动的物理参数。此外，高质量合成数据、深度信息、触觉数据等特殊模态数据，将在模型训练的关键阶段发挥重要作用。

　　新型模型架构创新

　　现有MLLM和视频扩散模型将数据离散为一维或二维序列，难以处理三维空间关系。李飞飞团队研发的实时生成帧模型(RTFM)已展现新方向——以空间锚定的帧作为记忆单元，在保证生成连贯性的同时实现实时交互。未来还需探索具备三维感知能力的分词机制、动态记忆模块，让模型能高效处理空间信息。

　　结语：空间智能开启AI的“现实联结”时代

　　李飞飞在文末重申，空间智能的价值远超技术突破本身——它将让AI从“语言世界”走进“物理现实”，实现从“辅助创作”到“深度交互”的跨越。当机器人能精准理解家居空间完成家务、AI能模拟分子结构加速新药研发、创作者能在虚拟空间中直观构建创意，AI才能真正成为赋能人类的伙伴。

　　正如ImageNet推动计算机视觉爆发一样，李飞飞相信，空间智能的突破将开启AI的下一个黄金十年。而这一切的起点，正是对“世界模型”的持续探索——让机器像人类一样，通过感知、想象与行动，真正理解我们所处的世界。