斯坦福大学教授、World Labs 联合创始人李飞飞近日发表了一篇名为《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）的长文。

她表示，真正的智能，从来不只是“会说话”——而是理解并驾驭物理世界的能力，即“空间智能”(Spatial Intelligence)。若AI无法掌握空间推理、物体关系与动态预测，所谓的“通用人工智能”终将是空中楼阁。

并强调，空间智能是人类认知的基石，远早于语言出现。从婴儿伸手抓握玩具，到科学家通过X射线衍射图推演出DNA双螺旋结构;从古希腊人用影子测算地球周长，到工程师设计自动驾驶路径——这些突破无不依赖对空间、形状、运动与因果关系的深刻理解。而当前主流大模型虽能流畅生成文本，却对“杯子放在桌子边缘是否会掉落”这类基础物理常识频频出错。

要突破这一瓶颈，李飞飞提出必须构建新一代世界模型（World Model）——一种能对物理环境进行生成、交互与状态预测的多模态系统。该模型需具备三大核心能力：

• 感知三维甚至四维（含时间），而非仅处理二维图像;
• 理解动作与结果的因果链，例如“推倒积木塔”后的连锁反应;
• 通过主动交互学习，而非被动接受标注数据。

实现这一目标面临三大挑战:新型训练范式（替代“下一个词预测”）、从海量视频中提取深层空间结构、以及支持3D/4D推理的新神经架构。目前，李飞飞团队正全力攻关，试图将计算机视觉、具身智能与生成式AI深度融合。

李飞飞认为，空间智能的具体演进路径为：近期：赋能电影、游戏与虚拟叙事，实现更真实的动态场景生成；中期：让服务机器人真正理解家庭环境，安全递送物品、协助老人；长期：推动科学发现（如分子折叠模拟）、精准医疗(手术路径规划)与沉浸式教育。

此外，李飞飞还重申了其一贯立场：“AI的终极目标不是替代人类，而是扩展人类的能力边界。”呼吁学界、产业界共建开放、负责任的空间智能生态，确保技术红利普惠全人类。