AI很會說話，但還不會理解世界。

前幾天，Google的Gemini 3 Pro發(fā)布，朋友圈瞬間刷屏。很多人都在感嘆：谷歌一出手，就知有沒有。下一代模型，是不是參數(shù)更多？能支持更長的上下文？照這么發(fā)展下去，是不是真的要實現(xiàn)AGI（通用人工智能）了？

但是，著名計算機(jī)科學(xué)家、美國國家工程院院士、斯坦福大學(xué)教授李飛飛卻不這么認(rèn)為。11月10日，她就發(fā)布了一則長文，系統(tǒng)闡述了她對目前AI大模型的看法?？偨Y(jié)一下，大概是：

目前AI卷參數(shù)，卷算法的方向，可能跑偏了。模型不理解世界，就實現(xiàn)不了真正的智能。

為什么這么說？什么又叫“理解世界”？這和我又有什么關(guān)系？

系統(tǒng)整理了一下我的理解，和你分享。

01

大語言模型，就像讀了很多書，但沒出過門的秀才

你一定知道ChatGPT，或者谷歌的Gemini。你也一定用過DeepSeek、豆包。這些產(chǎn)品背后的核心技術(shù)，都是大語言模型（LLM）。

大語言模型做的事情，簡單來說，是“預(yù)測下一個詞是什么”。你問它，“床前明月光”，它就能預(yù)測，后邊幾個詞大概率是“疑是地上霜”。

靠著這種看似簡單的“接茬”能力，在吃下了大量數(shù)據(jù)之后，大模型已經(jīng)進(jìn)化到了驚人的地步。它能通過律師資格考試，也能做復(fù)雜的奧數(shù)題。

那，這樣子下去，是不是很快就有能自主學(xué)習(xí)、完成任務(wù)的通用人工智能了?

不一定。雖然語言大模型看上去很厲害，但如果問它一些特別簡單的問題，比如，這輛車離那棵樹有幾米？這個箱子能塞進(jìn)后備箱嗎？它卻大概率會瞎蒙，還會出現(xiàn)“杯子松手后飛上天”的情況。

它們雖然懂物理公式，卻不懂物理常識。對此，李飛飛打了個比方。大概意思是，大語言模型，就像黑暗中的秀才（wordsmiths in the dark）。

想象一下。有一位秀才，在一間黑屋子里，讀過一萬本關(guān)于蘋果的書。他知道，蘋果通常和“紅”、“甜”、“圓”出現(xiàn)在一起，他知道，蘋果的化學(xué)分子式，牛頓被蘋果砸中的故事。如果讓他寫一篇關(guān)于蘋果的論文，他寫得不比專家差。但是，如果你把一個真的蘋果遞到他手里，他卻不知道這是什么。

今天，語言大模型的“智慧”，本質(zhì)上靠的是語言的統(tǒng)計規(guī)律，而并非扎根現(xiàn)實。

這也解釋了，為什么你的AI助手，動不動就會“胡說八道”。因為，如果AI只遵照語法通順，它完全可以認(rèn)為，太陽會從西邊升起。即便這在物理世界里，不可能發(fā)生。

它讀了萬卷書，卻從未行萬里路。

02

語言可以瞎編，但物理世界不會撒謊

那怎么辦？

李飛飛說，這就要讓AI，掌握“空間智能”了。

舉個例子。喝咖啡。

你的大腦在這一瞬間，會處理很多信息。你的眼睛，要判斷杯子和嘴邊的距離；你的手部肌肉，要根據(jù)杯子的重量，精確調(diào)整抓握的力度；你的皮膚，要感知杯壁的溫度，防止?fàn)C傷；你的手腕，要配合身體的傾斜，保持杯口的水平，防止咖啡灑出來。

在這個過程中，你用到語言了嗎？你有沒有在心里默念，把肱二頭肌收縮30%，手腕向左旋轉(zhuǎn)5度？沒有。整個過程，靠的是感知、想象、行動。

這種“不通過語言，理解物理世界，和物理世界互動的能力”，就是空間智能。

而李飛飛也認(rèn)為，有了空間智能加持的AI，才會通向真正的，智能。因為智能的本質(zhì)，是能在不確定的世界中持續(xù)預(yù)測、行動、達(dá)成目標(biāo)。這不能靠大腦憑空產(chǎn)生。

舉個例子。嬰兒是怎么知道因果關(guān)系的？

他坐在地上，把積木推倒，積木嘩啦一下散落在了地上。他覺得好玩，又推了一次。又是嘩啦一聲。一次次的物理互動中，他逐漸建立了一條神經(jīng)連接：把積木推倒，必然導(dǎo)致“嘩啦”一聲。邏輯的雛形，因此開始。

再舉個例子。沃森和克里克，是怎么發(fā)現(xiàn)DNA雙螺旋結(jié)構(gòu)的？

要知道，當(dāng)時他們手里，只有一張像是模糊的“X”的照片。靠這張照片，推導(dǎo)不出DNA結(jié)構(gòu)。

沒辦法，他們只好像搭積木的小孩一樣，用金屬棒和鐵絲，試圖復(fù)現(xiàn)DNA的空間結(jié)構(gòu)。直到某個瞬間，他們把模型轉(zhuǎn)到雙螺旋的角度，咔嚓一聲，一切都對上了。那一刻，他們沒有說話，但他們看到了生命的真相。

偉大的發(fā)現(xiàn)，往往先在空間中成型，才被翻譯成語言。

所以，李飛飛才會說：“看”和“動”，不是低級的本能，而是高級智能的基石。大自然花了 5 億年進(jìn)化“視覺”，只花了最后幾萬年進(jìn)化“語言”。因為感知世界，遠(yuǎn)比描述世界要難得多，也重要得多。

語言可以瞎編，但物理世界不會撒謊。

03

AI的未來，或許是從預(yù)測下一個詞，到預(yù)測下一幀世界

什么是，預(yù)測下一幀世界？舉個例子。

你手里拿著一個玻璃杯，然后松開了手。現(xiàn)在，你的腦子里是不是立刻就預(yù)測到了：杯子掉下去，砸在地上，摔碎了？你不需要等它真的碎，你的腦子已經(jīng)預(yù)測到了。

這就是“預(yù)測下一幀世界”。擁有了這個能力，AI不需要讀萬卷書來記住“火是燙的”，模擬與世界的互動，就能推導(dǎo)出“手伸進(jìn)火里->皮膚燒傷”的物理必然性。

預(yù)測下一個詞，遵循的是“語法邏輯”；而預(yù)測下一幀世界，遵循的是“物理邏輯”。這就是李飛飛認(rèn)為，掌握空間智能的AI該做的事情。她把它稱為，世界模型。

之前，如果你讓AI畫一個“凌亂的房間”，它會生成一張像模像樣的圖片。但是，你沒辦法看看桌子底下有什么，把地上的臟衣服撿起來。但在世界模型生成的房間，你可以蹲下來看床底、拉開抽屜。因為房間里有重力、有光影，還有遮擋關(guān)系。

這和目前的AI視頻，也有本質(zhì)區(qū)別。因為AI視頻，只是“看上去理解了世界”，本質(zhì)上還是在黑屋子里，預(yù)測下一個像素。

比如，吃漢堡。雖然AI視頻可以預(yù)測到，當(dāng)人的嘴到了漢堡上，漢堡大概率會變形、會缺少一塊，但它并不理解，漢堡為什么是軟的，以及，人咬下一口之后，那一塊漢堡其實是到了人的嘴里。它也沒辦法換個位置，看看漢堡的面包底是不是焦了。

預(yù)測下一幀世界。理解了?？墒?，這要怎么做到？

語言，說白了就是一個詞接著一個詞，是一維的序列信號。但世界是三維的，甚至還要加時間維度。重力決定了蘋果怎么掉，原子結(jié)構(gòu)決定了光線怎么反射。要預(yù)測下一幀世界，就得讓語義、幾何、物理規(guī)律保持一致，這比處理語言復(fù)雜太多了。

李飛飛也很坦率，聊了幾個他們團(tuán)隊還在死磕的方向。

比如，找公式。

大語言模型之所以成功，是因為找到了一個簡單的任務(wù)函數(shù)：預(yù)測下一個詞。世界模型，也能找到這樣一個簡單優(yōu)雅的公式嗎？目前還需要努力。

比如，找數(shù)據(jù)。

要訓(xùn)練具有空間智能的世界模型，就得找到海量空間數(shù)據(jù)。去哪找？他們正在開發(fā)一種，從互聯(lián)網(wǎng)上的二維視頻里，提取空間信息的算法。

過去的AI，是在用概率“猜”下一個詞；未來的AI，或許能用物理“算”下一幀世界。

04

精確地把“想象”變成“真實”，也許是下個時代最大的機(jī)會之一

李飛飛的World Labs，已經(jīng)做出了一款叫Marble的產(chǎn)品。

具體網(wǎng)址：https://marble.worldlabs.ai/。

只要你提供一句描述，一張照片，它就可以生成一個可以探索的空間。

我試著上傳了一張我們新辦公室的照片，沒想到還真能行。

（圖片來自：Marble）

是不是還挺有意思的？幾秒鐘內(nèi)，它不僅識別出了里面的桌子、椅子，還腦補(bǔ)出了空間位置。雖然還很粗糙?？赡苁俏抑簧蟼髁艘粡堈掌脑颉?/p>

那么，如果未來的AI真的如李飛飛所說的那樣，有了空間智能，又意味著什么？

首先，對于普通人來說，是AI進(jìn)入現(xiàn)實社會，所帶來的極大便利。

一旦空間智能成熟，離機(jī)器人走入家庭，就真的不遠(yuǎn)了。它能理解“花瓶是易碎的，要繞著走”；能理解“地上有水，要先拖干”。讓機(jī)器人幫你疊衣服、整理雜亂的玩具房、甚至照顧老人起居，將變成現(xiàn)實。甚至再進(jìn)一步，讓納米機(jī)器人在血管里送藥。

而當(dāng)AI基于空間智能，掌握了從現(xiàn)實中抽象出規(guī)律的能力，它們或許，就能像牛頓和愛因斯坦一樣，擁有“科學(xué)家的直覺”。從而，真正發(fā)現(xiàn)規(guī)律、進(jìn)行創(chuàng)新。

接著，對于創(chuàng)業(yè)者來說，加持空間智能的AI，可能意味著一些新的機(jī)會。

比如，真正“可控”的視頻生成。

現(xiàn)在的視頻AI（比如 Sora），雖然厲害，但還是有點“抽盲盒”。它可以生成一只貓。但你很難控制貓的走位、光影的角度。這對商業(yè)廣告、電影制作來說，就有點難操作。甲方要求臉必須再轉(zhuǎn)15%，你不能說“AI 隨機(jī)生成的我改不了”。

李飛飛在訪談里就舉了一個例子。他們和索尼的一家虛擬制作公司合作，用了Marble搭建場景，可以自由地選擇拍攝角度，生產(chǎn)效率提升了40倍。

比如，做一些“想象成真”的ToC產(chǎn)品。

例如，裝修。拍一張毛坯房的照片，說改成北歐風(fēng)，暖色調(diào)。幾秒鐘后，你就可以得到一個可以到處走，還能修改沙發(fā)位置的虛擬樣板間。例如，3D相冊，給一張老房子的照片，就能得到一個3D空間。你可以看看桌上的擺設(shè)，看看墻上的掛歷，再次回到小時候。

李飛飛提到了一個讓我特別意外的場景：心理治療。有團(tuán)隊找上門，表示想用這個技術(shù)，來治療“恐高癥”。通過瞬間生成的虛擬懸崖，就能幫病人一步步克服恐懼。

又比如，賣合成數(shù)據(jù)，給做機(jī)器人的公司。

本質(zhì)上，這就是給機(jī)器人，開了一間學(xué)校。你不需要造機(jī)器人，你只需要生產(chǎn)特定領(lǐng)域的“教材”。比如，專門生產(chǎn)“怎么修汽車”的數(shù)據(jù)，賣給修車機(jī)器人公司；專門生產(chǎn)“怎么做手術(shù)”的數(shù)據(jù)，賣給醫(yī)療機(jī)器人公司。

精確地把“想象”變成看得見、摸得著的“真實”，也許是接下來最大的機(jī)會之一。

最后的話

好了?？偨Y(jié)一下。

為什么AI現(xiàn)在這么厲害，但還是會犯一些低級錯誤？可能因為，它沒有真正理解世界，而只是在統(tǒng)計規(guī)律中找答案。所以未來，AI的發(fā)展方向，可能要拐一下，從預(yù)測下一個詞，到預(yù)測下一幀世界。也就是真正掌握，空間智能。

那，這個方向?qū)Σ粚Γ繒粫ㄏ蛘嬲闹悄埽?/p>

我不知道。但至少，這是一個值得嘗試的方向。因為目前的大語言模型，確實遇到了瓶頸。參數(shù)越來越大，算力越來越強(qiáng)，但一致性，總也沒有特別好的解決方案。

而且，如果這個方向真的走通了，確實會帶來一些變化。機(jī)器人可能真的能進(jìn)入家庭。甚至，AI可能真的能像科學(xué)家一樣，從現(xiàn)實中發(fā)現(xiàn)規(guī)律，而不只是從數(shù)據(jù)中總結(jié)規(guī)律。

當(dāng)然，這一切都還很早。Marble，還很粗糙。世界模型的“公式”還沒找到，空間數(shù)據(jù)也還不夠。但至少，通往智能的那個未來，又多了幾分念想。

畢竟，科技進(jìn)步從來不是一條直線。

繞點遠(yuǎn)路，沒啥。

參考資料：

1、From Words to Worlds: Spatial Intelligence is AI’s Next Frontier

2、谷歌開發(fā)者指南：Introduction to Large Language Models | MachineLearning

觀點/ 劉潤主筆/ 景九編輯/ 歌平版面/ 黃 靜

這是劉潤公眾號第2783篇原創(chuàng)文章。未經(jīng)授權(quán)，禁止任何機(jī)構(gòu)或個人抓取本文內(nèi)容，用于訓(xùn)練AI大模型等用途