斯坦福大學教授、World Labs 聯合創始人李飛飛近日發表了一篇名為《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》（從語言到世界：空間智能是AI的下一個前沿）的長文。

她表示，真正的智能，從來不只是“會説話”——而是理解並駕馭物理世界的能力，即“空間智能”(Spatial Intelligence)。若AI無法掌握空間推理、物體關係與動態預測，所謂的“通用人工智能”終將是空中樓閣。

並強調，空間智能是人類認知的基石，遠早於語言出現。從嬰兒伸手抓握玩具，到科學家通過X射線衍射圖推演出DNA雙螺旋結構;從古希臘人用影子測算地球周長，到工程師設計自動駕駛路徑——這些突破無不依賴對空間、形狀、運動與因果關係的深刻理解。而當前主流大模型雖能流暢生成文本，卻對“杯子放在桌子邊緣是否會掉落”這類基礎物理常識頻頻出錯。

要突破這一瓶頸，李飛飛提出必須構建新一代世界模型（World Model）——一種能對物理環境進行生成、交互與狀態預測的多模態系統。該模型需具備三大核心能力：

• 感知三維甚至四維（含時間），而非僅處理二維圖像;
• 理解動作與結果的因果鏈，例如“推倒積木塔”後的連鎖反應;
• 通過主動交互學習，而非被動接受標註數據。

實現這一目標面臨三大挑戰:新型訓練範式（替代“下一個詞預測”）、從海量視頻中提取深層空間結構、以及支持3D/4D推理的新神經架構。目前，李飛飛團隊正全力攻關，試圖將計算機視覺、具身智能與生成式AI深度融合。

李飛飛認為，空間智能的具體演進路徑為：近期：賦能電影、遊戲與虛擬敍事，實現更真實的動態場景生成；中期：讓服務機器人真正理解家庭環境，安全遞送物品、協助老人；長期：推動科學發現（如分子摺疊模擬）、精準醫療(手術路徑規劃)與沉浸式教育。

此外，李飛飛還重申了其一貫立場：“AI的終極目標不是替代人類，而是擴展人類的能力邊界。”呼籲學界、產業界共建開放、負責任的空間智能生態，確保技術紅利普惠全人類。