本文來自微信公眾號：王智遠，作者：王智遠，頭圖來自：視覺中國
A16Z 兩位合伙人 Martin Casado 和 Eric Torenberg 對李飛飛進行一次深度訪談。
網上搜索，會看到片段式的觀點，整體比較跳躍，難以系統理解。因此，我吸收後，重新梳理脈絡，試圖彙報給關注空間智能、世界模型的朋友聽聽：
李飛飛到底在關注什麼？她創辦的新公司 World Labs，究竟想做什麼？這是否預示著 AI 發展的一個新方向？
一
很多人不知道這家公司，2024年，著名人工智慧專家、斯坦福大學教授李飛飛創辦了初創公司 World Labs；這家公司正在探索一個極具前瞻性的方向：開發具備「空間智能」的下一代 AI 系統。
短短三個月內，World Labs 完成兩輪融資，累計籌集資金約 2.3億美元，估值迅速突破 10億美元，成為 AI 領域最新的獨角獸企業。
投資方陣容也非常的強大，包括 a16z、Radical Ventures、NEA、英偉達 NVentures、AMD Ventures 和 Intel Capital 等科技與風投界的重量級玩家。
這些投資機構，國內市場有些你可能沒聽過，不過，不重要；關鍵是：李飛飛首次在這場 A16Z 的訪談中，公開講述了 World Labs 創立背後的理念構建、研究方向和她的宏大願景。
那麼，她到底說了什麼？首先，她回答了一個很尖銳的問題：AI 是否正在從語言模型邁向世界建模？
李飛飛說，是的。
自己不是特別迷戀大語言模型。因為自己以前做過法律工作，那段經歷讓她意識到：光靠說話和寫東西，很難真正理解這個世界。
但這並不意味著，語言模型不重要。
像 GPT、BERT 這些大模型取得的進步，反而讓她更加確信：我們正在走向一個更高級的 AI 階段：這個世界不再只是靠文字描述出來的，是可以被 AI 真正「看到」、「理解」和「重建」的三維空間。
她還引用了馬丁（Martin Casado） 一個觀點：
人類之所以聰明，不只是因為我們會說話，更重要的是我們會「看」，會「動」，會「操作」這個三維世界。
談到這裡，她舉例子說：
DNA 的結構（雙螺旋），是典型的三維結構。如果你只靠文字去想像它長什麼樣，根本想不明白，只有當你真的把它「建出來」，才能理解它的美和複雜性。
還有碳分子，那個富勒烯，長得像個足球一樣的結構，也得靠空間上的想像和建模才能搞清楚。
所以，語言模型雖然重要，但它是一個壓縮過的信息版本；遠遠不能代表真實世界的全貌。真正的智能，要能理解和構建這個三維世界才行。
二
既然這樣，我們不禁要問：世界模型為什麼這麼重要？
李飛飛說，很多人第一次聽到這個詞，覺得有點抽象、很高深。你可以把它理解成：AI 對現實世界的三維理解能力。
什麼意思呢？
就像我們人一樣，會說話、會思考，會看、會動、能感知這個世界的空間結構。
你看一張桌子，知道它是平的，知道上面有什麼東西，還能繞過去、搬起來、放東西上去……這些動作背後，是大腦在構建一個對這個世界的「模型」。
而所謂「世界模型」，是 AI 在嘗試做這件事：把視覺、空間感、動作等多個維度的信息結合起來，真正模擬出一個接近真實的世界。
她打了個特別形象的比方：
遊戲里的場景生成。遊戲設計師不會直接寫一段話告訴你「這裡有一座山、一條河、一座橋」，而會在遊戲引擎里把這些元素真的「建出來」，讓你可以走、可以跳、可以繞路。
AI 的世界模型，在試圖做類似的事：要「理解」它的形狀、位置、與其他物體的關係，甚至它的動態變化，並能預測和操作它。
接著她說了一個特別有意思的設想：
如果一個機器人只能看到二維畫面，那它就像是在一個紙片世界裡生活。它不知道前面的東西是近還是遠，也不知道自己能不能穿過那扇門；只有當它有了三維的理解，才能真正開始在這個世界中自由行動。
所以，世界模型並不僅是技術概念，它是在回答一個更根本的問題：AI 怎樣才能真正理解物理世界。
這也正是李飛飛強調的一點：
語言是高度壓縮的信息，但它丟失了很多細節。要還原真實世界，必須要有空間建模的能力；換句話說，世界模型，才是 AI 實現「通用智能」的關鍵一步。
說到這兒，她還分享了一個親身經歷：
五年前，角膜受傷，好幾個月失去了立體視覺。結果她發現，自己連開車都變得特別困難；明明知道自己車有多大、路邊的車停得多近，但就是判斷不了距離，不得不開得特別慢，生怕蹭到別人。
她說：那一刻才真正體會到，人類對世界的理解，是多麼依賴空間感；這也讓她更加確信，AI 如果沒有這種空間理解能力，那就永遠只能停留在「看得見」但「看不懂」的階段。
二
理論終究要落到實處。問題是，構建一個世界模型，要哪些技術？
李飛飛說，要讓 AI 真正理解、重構三維世界，是一個非常複雜的過程，目前來看，有幾個關鍵的技術方向正在被重點探索。
首先，是從二維圖像到三維重建的能力。
通俗點講，你給 AI 幾張照片，它能還原出一個立體的世界。比如，你從不同角度拍幾張桌子的照片，AI 就能推斷出這張桌子在空間里是怎麼擺放的，甚至能「補全」你看不到的那一面。
這項技術叫 NeRF，全稱是 Neural Radiance Fields，聽起來有點學術，你可以把它想像成一個「會魔法的相機」；它就像你在拼圖，給它幾塊碎片，它就能猜出整幅畫面是什麼樣子的。
有了這個還不夠。
NeRF 雖然重建得准，但它有個問題：計算量太大，運行起來很慢，不適合實時應用。於是，另一個技術就出現了，叫做高斯平面表示法。
什麼是高斯平面表示法（Gaussian Splatting）？
簡單講：把空間中的每一個點看作是一個個小圓球，然後通過小球的位置和顏色，來快速描繪出整個場景的樣子。
你可以想像一下，小時候玩的積木，每個積木都很小，但放在一起就能搭出一座房子。只不過這裡的「積木」，是可以自由變形、移動的小光點。
這個方法的好處是速度快，渲染效率高，特別適合用來做實時交互，比如遊戲、VR 或者機器人導航。
不過，這還不是全部。
還有一個特別火的技術，也在為世界模型提供支撐，那就是常聽說的擴散模型（Diffusion Models）。
擴散模型最開始用於圖像生成，比如你現在看到的很多 AI 繪畫工具，背後都有它的影子；但它的能力不止於此。它也可以幫助 AI 更好地理解和生成三維空間內容。
舉個例子：假如你有一張模糊不清的照片，擴散模型可以通過不斷「去噪」的方式，逐步還原出清晰的畫面。同樣的道理，它也能幫 AI 把一些粗糙的空間數據變得更精細、更真實。
當然，除了模型本身的技術突破之外，還有一點也很重要：多視角的數據融合。
也就是說，AI 不應該只靠一張照片或者一個鏡頭看世界，而是要像人一樣，能從多個角度觀察同一個物體，再綜合判斷它的形狀、位置和運動方式。
這就像，你站在房間的不同位置看一個杯子，每次看到的角度不一樣，但你的大腦會自動把這些信息整合起來，形成一個完整的認知。
AI 也要做到這一點，才能真正理解它所處的環境。所以你看，技術是在一步步地讓 AI 擁有類似人類的空間感知能力。
不過，這些都還是基礎能力。
如果我們想讓 AI 不僅看得見、建得出，還能預測這個世界的變化，那就還得引入另一個重要的方向：物理模擬與動態建模。
也就是說，不只是知道一個物體現在在哪裡，還要能推測它接下來會怎麼動，比如：風一吹樹葉會搖擺，門被推開之後會彈回來，或者一個球滾下樓梯時會發生什麼。
看似簡單的常識，對 AI 來說都是巨大的挑戰。
所以，構建一個世界模型，要多種方法協同工作，包括 NeRF、高斯表示法、擴散模型、多視角融合，以及物理建模等多個方向的共同推進。
聽完後，我才明白，原來 AI 要理解這個世界，得像人一樣，能從多個角度觀察、拼接信息、推理關係、預測變化，這背後是一整套複雜的技術組合拳。
三
既然 AI 已經開始理解三維世界，那能力能落地嗎？它現在已經使用了嗎？
李飛飛說：是的。應用場景遠比我們想像得多。
比如，遊戲行業；很多遊戲公司，不再靠程序員一行行寫代碼來建模場景了，直接讓 AI 根據幾張照片或者一段視頻，自動生成一個逼真的三維世界。
再比如建築行業。
以前設計師畫一張效果圖，可能要幾天時間來建模渲染，現在藉助世界模型的技術，AI 可以在幾分鐘內生成整個空間的立體結構，甚至還能模擬陽光從不同角度照進來時的效果。
還有機器人領域；如果一個機器人只有二維視覺，那就像是在一個紙片世界裡生活，根本不知道前面的東西是近還是遠，能不能穿過那扇門。
還有嗎？當然。
數字孿生，也在為現實世界建立一個虛擬劇本；一座工廠、一棟大樓，甚至是一座城市，都可以通過 AI 建立出一個對應的數字世界，用來做預測、測試和優化。
比如：我們可以先在這個虛擬世界裡模擬一場火災疏散，看看哪裡會出問題，然後再去現實中改進，而不是等到事情發生了才補救。
另外，她特別提到的方向是創意產業。
創造力本質上是視覺化的。很多藝術家、設計師、建築師的靈感，是來自於他們對空間的理解和想像，而當 AI 也能擁有這種能力時，它就不僅僅是工具，而是創作者的夥伴。
所以你看，應用不只是停留在技術論文里，它們正在悄悄地改變很多行業的運作方式；李飛飛也提到，這就像是一場新的生產力革命：
過去我們靠語言描述世界，現在我們能讓 AI 直接「看到」並「重建」這個世界。
四
看來世界模型應用前景比較廣闊，那離真正的廣泛應用還有多遠？目前還面臨哪些挑戰？李飛飛說，方向是對的，目前還有不少難題沒有解決。
關鍵有三點。第一是數據問題。
你要讓 AI 理解三維世界，它得看到足夠多的真實場景，還要有深度信息、空間結構、光照變化等等。
換句話說，AI 要「看懂」這個世界，前提是你得給它提供足夠清晰、足夠全面的「教材」。但現在這些數據要麼很難獲取，要麼成本太高。
其二，算力還是個大問題。
現在的很多技術，比如 NeRF 或者高斯表示法，效果不錯，但對計算資源的要求非常高；跑一個模型要花很長時間、要很貴的顯卡。這在實驗室里可以接受，但要大規模落地應用，顯然不太現實。
還有一個挑戰是泛化能力。什麼意思呢？
現在大多數 AI 模型只能在特定環境下工作得很好，一旦換到陌生的場景中，就容易「看不懂」、「認錯人」或者「走錯路」。
就像你訓練一隻狗只認紅色球，結果換了藍色球，它就不認識了一樣；AI 也一樣，它需要更強的適應性，才能真正走進千家萬戶。
另外，光靠某個厲害的演算法還不夠，得把硬體、軟體、數據、應用場景全都打通才行；這不是一個人、一家公司能完成的事，而是需要整個行業共同推動的一場變革。
所以，雖然世界模型的方向沒錯，前景也很誘人，但現在更像是剛起步的新手，離真正的成熟和廣泛應用，還有一段不短的路要走。
既然世界模型還在路上，那憑什麼你們（World Labs）能推動它往前走？
李飛飛說，要一個能融合多種能力的團隊，而這也是她創辦 World Labs 的初衷之一。
目前團隊成員來自五湖四海，包括計算機視覺專家、圖形學研究者、擴散模型開發者，還有做物理模擬和機器人控制的人才。
她還提到，AI 發展到現在，已經不是「單打獨鬥」就能突破的。過去是一個人寫出一個演算法就火了，現在要做世界模型這種系統工程，必須要有不同背景的人一起干。
她舉了個例子：
團隊里有一位叫 Manu 的研究人員，在 NeRF 和高斯表示法方面有很深的積累；另一位同事叫 Christophor，在擴散模型和生成式 AI 上也非常有經驗。
他們不是在複製別人做過的事，是在探索一條全新的路，這條路沒有現成的地圖，只有靠大家邊走邊畫。
也正是因為這樣，她更加確信：未來的 AI 研究範式，正在從「單一學科」走向「多學科融合」，從「個體英雄」走向「集體智慧」。
五
有這樣一個多元背景的團隊，也意味著在看待 AI 的方式上，會有更多元的視角。
李飛飛作為一個科學家、創業者，同時也曾經從事過法律工作，她也談到一些關於 AI 和人文之間的關係、AI 和教育之間的影響、以及它如何和法律、倫理這些社會系統一起演進的看法。
她說：在過去很長一段時間裡，大家一提到 AI，就想到技術本身，類似於怎麼訓練模型、怎麼提升準確率、怎麼優化演算法。
但其實，真正決定 AI 能走多遠、走多穩的，不只是技術，還有它和社會之間的關係。
拿教育來說：很多學校教 AI 的方式，還停留在「教學生怎麼寫代碼」、「怎麼調參」的階段。她認為，未來的 AI 教育，應該更注重培養學生的批判性思維和社會責任感。
因為 AI 不只是工具，它會影響人的決策、改變社會結構、甚至重塑就業形態。
因此，我們要培養的不只是會寫模型的人，更是能思考這個模型該不該被訓練、它的影響是什麼的人；換句話說，AI 教育不能只教「怎麼做」，還要教「為什麼做」和「應不應該做」。
對於法律方面，她認為：AI 正在越來越多地參與到現實世界的判斷中。比如：說招聘篩選、信用評估、甚至司法判決。那問題就來了：如果 AI 做出了錯誤的決定，誰來負責？
是開發者？使用者？還是 AI 本身？或許，我們必須提前為 AI 設計好規則邊界，否則等到出問題了再補救，可能就來不及了。
最後，她還談到一個特別有意思的點：很多人覺得 AI 是冷冰冰的數學和演算法，她覺得，AI是人類價值觀和技術能力的結合體；我們造出什麼樣的AI，反映的就是我們想成為什麼樣的社會。
所以，AI 發展到今天，它要哲學家、歷史學家、社會學者、教育者、立法者的共同參與。
既然AI是整個社會系統的一場變革，那我們忍不住要問：李飛飛眼中的「空間智能」和「世界模型」，最終會走向哪裡？對未來 AI 發展，又抱有什麼樣的願景？
她說，內心有很多很多想法，早在做計算機視覺研究的時候就埋下了種子。
那時候就在想：
如果有一天，AI 真的能理解這個三維世界，它會怎麼用這種能力？是僅僅用來玩遊戲、建地圖，還是可以做得更多？
她相信，未來AI 不只是「看得到」，還要「看得懂」；不只是「重建世界」，還要「參與世界」；不只是「執行任務」，還要「與人協作」。
換句話說：AI 終極目標，不是替代人類，而是成為人類在物理世界中的智能延伸。
她打了個比方：就像眼鏡讓我們看得更清楚，輪椅幫助我們移動得更遠，而 AI 將成為我們理解和操作這個世界的新工具。
比如：
醫療領域，AI 可以幫助醫生更準確地判斷手術路徑；在建築行業，它可以協助設計師快速搭建虛擬模型。
教育中，它可以成為一個能「走進去」的知識空間，讓學生真正「看到」分子結構、歷史場景、甚至宇宙演化；這不是科幻，而是正在發生的技術演進。
關於 AGI，她也提到一個很關鍵的觀點：
我們今天討論的世界模型，是未來通用人工智慧（AGI）的第一步；真正的 AGI，不只靠語言或文字來理解世界，而是要有空間感知、動態推理、交互能力和創造能力。
這些，才是世界模型所代表的方向。
所以，空間智能、世界模型，不僅是一場技術探索，更是一次關於人機關係、社會進步、以及未來生活方式的重新定義。
從語言到世界，從二維到三維，李飛飛所描繪一個 AI 更懂人、更貼近現實、更能與我們一起生活和工作的時代。
這一切，聽起來宏觀，實現起來難嗎？
從上往下看，確實不容易。如果我們換個角度，從下往上看呢？在中國，像位元組、騰訊、阿里、百度這些領先的企業，已經在嘗試給自己的 AI ToC 產品加上一雙眼睛。
當AI開了天眼之後，會不會倒逼空間智能的加速呢？換句話說，與其構建，不如先讓AI先讀懂世界，何嘗不是一種選擇？有意思的問題，我還在觀察。
你怎麼看？
資料參考：
[1]. a16z. (2025， June 4). How Fei-Fei Li is rebuilding AI for the real world ；YouTube：https://youtu.be/fQGu016AlVo?si=RRZe7RbVsjr3EPHF
本文來自微信公眾號：王智遠，作者：王智遠
本內容為作者獨立觀點，不代表虎嗅立場。未經允許不得轉載，授權事宜請聯繫 hezuo@huxiu.com
本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4432422.html?f=jinritoutiao
-
-
-
-
-
-
-
-
-
-