AI不再只是处理文本和图像，开始真正理解三维世界

11月13日，人工智能领域迎来一个里程碑时刻。被誉为“AI教母”的斯坦福大学教授李飞飞及其创业公司World Labs，正式推出了首款商用世界模型产品——Marble。这不仅是世界模型赛道的首个商用产品，更被业界视为AI向空间智能演进的关键一步。

世界模型：什么是它让李飞飞如此看重？

世界模型的概念并非全新，但直到最近才从学术论文走向商业应用。那么，究竟什么是世界模型？

在李飞飞看来，当前以大型语言模型为代表的AI虽然擅长处理抽象知识，却如同在 “黑暗中行走” ，缺乏对物理世界的真实理解。而空间智能——即人类用以理解、导航并与三维世界交互的底层能力，将是实现机器真正智能的关键突破。

“人类对世界的理解是整体性的，不仅关乎我们‘看见了什么’，还包括事物在空间上的关系、它们的意义以及彼此的关联。” 李飞飞在近期发表的长文中解释道。

为了赋予机器这种能力，我们需要构建一种全新的“世界模型”，一类能构建环境内部表征的AI系统。李飞飞指出，真正具备空间智能的世界模型必须拥有三大核心能力：

• 生成性：能创造遵守物理定律、空间一致的世界

• 多模态：能处理从图像、视频到动作的多模态输入

• 交互性：能预测世界随时间演变或互动的状态

Marble：与世界深度交互而不仅是观看

Marble作为World Labs的首个商业产品，展示了世界模型技术的成熟度。与传统的AI系统相比，Marble的核心突破在于其能够从有限的视觉输入中预测未来的场景状态。

Marble的几个关键特性：

• 物理预测：给定一个简单场景——如桌面上摆放的积木，Marble能够准确预测如果推动其中一块积木，整个结构将如何反应

• 持久化3D环境：与动态生成世界不同，Marble生成的是持久化、可下载的3D环境，显著减少了场景变形与不一致性

• 多格式导出：支持将生成世界导出为高斯泼溅（Gaussian splats）、网格（meshes）或视频格式

• 不确定性量化：与给出单一预测的传统模型不同，Marble能够明确表示预测中的不确定性

Marble目前已开放免费增值与付费订阅服务，支持用户通过文本提示词、照片、视频、3D布局图或全景图生成可编辑、可下载的3D环境。

定价方面，Marble提供四档订阅方案：免费版支持4次生成（仅文本和图像输入），标准版每月20美元，最贵的旗舰版达到95美元/月，包含75次生成并可解锁全部功能。

为何此刻空间智能成为AI的下一个前沿？

李飞飞在长文中回顾了智能的进化历程。她指出，视觉长久以来都是人类智能的基石，但其力量源于更为根本的能力。

“远在动物学会筑巢、哺育后代、用语言交流或建立文明之前，感知这一简单的行为就已悄然点燃了通往智能的进化火花。” 

这种从外部世界收集信息的能力，在感知与生存之间架起了桥梁。李飞飞认为，感知与行动的循环是驱动智能进化的核心动力，也是自然界创造出人类的根基。

与此形成对比的是，当前的AI系统在空间理解方面仍存在巨大差距。李飞飞坦言，在最先进的MLLM模型在估算距离、方向和心理旋转等任务上，“表现鲜有超过随机猜测的”。它们无法走出迷宫、识别捷径或预测基本的物理现象。

世界模型的竞争格局与应用前景

World Labs并非唯一觊觎世界模型这一圣杯的玩家。在全球范围内，一场无声的竞赛早已展开：

• 谷歌的Genie：仍处于有限研究预览阶段

• DeepMind的Genie：已能够从单张图像生成交互式环境

• Meta：通过超大规模视频训练构建隐式世界模型

• 中国科技公司：如字节跳动、阿里巴巴和百度也纷纷布局相关研究

世界模型的应用前景广阔，沿着一条清晰的路径演进：

短期内，空间智能将赋能创造力，为电影、游戏和建筑领域的创作者提供强大工具。Marble这样的平台能快速生成可探索的3D环境。

中期来看，空间智能将推动具身智能机器人的发展，通过高仿真训练使其成为人类在家庭、实验室中的协作伙伴。

长远看，空间智能有望在科学、医疗和教育领域引发革命，通过模拟实验、辅助诊断和沉浸式学习，极大增强人类在各自专业领域的能力。

世界模型面临的技术挑战

尽管前景诱人，世界模型的发展仍面临重大技术挑战：

• 复杂性挑战：真实世界的物理规则极其复杂，构建统一世界模型需整合大量物理知识

• 计算成本：世界模型的训练和推理需要巨大的计算资源

• 评估难题：世界模型的预测质量难以用简单指标衡量

李飞飞在采访中承认这些挑战的存在：“我们正在攀登一座高山，目前可能只到达了山脚。” 

从ImageNet到World Labs：李飞飞的愿景之旅

李飞飞对视觉与空间智能的追求并非一时兴起。在她踏入AI领域以来，这一直是指引她前行的“北极星”。

正是这一追求，促使她花费数年时间构建了ImageNet——首个大规模视觉学习与基准测试数据集。它与神经网络算法、GPU等现代计算设备一道，成为催生现代AI的三大关键基石之一。

也正因如此，她在斯坦福大学的学术实验室在过去十年里，始终致力于将计算机视觉与机器人学习相结合。

2024年，李飞飞与联合创始人共同创立了World Labs，旨在“首次将这一可能性淋漓尽致地变为现实”。公司在短短几月内就完成约2.3亿美元融资，估值迅速突破10亿美元，成为AI领域最新的独角兽企业。

未来展望：超越语言的人工智能

哲学家维特根斯坦曾说：“我语言的极限，意味着我世界的极限。”对此李飞飞回应：“至少对AI而言，世界远不止于文字。”

空间智能代表了超越语言的新前沿——它是一种将想象、感知与行动融会贯通的能力，为机器真正提升人类生活开启了无限可能。