二十年前，李飛飛主導(dǎo)創(chuàng)建的ImageNet猶如一束火種，點燃了深度學(xué)習(xí)的革命，奠定了現(xiàn)代AI發(fā)展的基石。而今，面對席卷全球的AI浪潮，她再次將目光投向更遠的前沿——她堅信，未來十年AI的真正突破將來自于“世界模型”與“空間智能”的構(gòu)建。

在近日Lenny Rachitsky的深度訪談中，李飛飛不僅回顧了AI從“技術(shù)寒冬”走向“遍地開花”的歷程，更首度揭秘了一段鮮為人知的創(chuàng)業(yè)秘辛：就在九到十年前，自稱AI公司無異于“商業(yè)自殺”，而今卻成為每家企業(yè)爭相標(biāo)榜的身份。她指出，大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)與GPU構(gòu)成了現(xiàn)代AI的“黃金三件套”，但真正的未來，在于讓AI理解我們所處的三維世界。

她強調(diào)，人類是“具身智能體”，我們通過與空間的互動構(gòu)建認知。而當(dāng)前機器人等領(lǐng)域面臨的數(shù)據(jù)困境，正呼喚一種能夠融合感知、推理與物理交互的“世界模型”。這場從二維識別邁向三維理解的認知革命，不僅關(guān)乎技術(shù)演進，更將重新定義人機共生的未來。

在這場一個多小時的對話中，李飛飛搭建了一座通往AI下一個十年的階梯——讓我們看到，空間智能不僅是技術(shù)的必然走向，更是機器理解人類、融入現(xiàn)實世界的認知橋梁。

什么是空間智能？

空間智能作為一個整體概念，強調(diào)的是三維感知、空間推理和多模態(tài)生成三大能力的有機整合，而非簡單疊加。

真正的空間智能系統(tǒng)需要這三種能力緊密協(xié)作，形成一個閉環(huán)系統(tǒng)：三維感知提供對環(huán)境的準(zhǔn)確理解，空間推理基于這種理解預(yù)測可能的變化和交互結(jié)果，多模態(tài)生成則將理解和預(yù)測轉(zhuǎn)化為具體行動或內(nèi)容，這些行動又可能改變環(huán)境狀態(tài)，觸發(fā)新一輪的“感知—推理—生成”循環(huán)。這種閉環(huán)特性使得空間智能具有自我提升的潛力：通過與環(huán)境的持續(xù)交互，系統(tǒng)能夠不斷完善其內(nèi)部模型和行為策略，實現(xiàn)類似人類的經(jīng)驗學(xué)習(xí)過程。

例如，一個智能機器人可能通過反復(fù)嘗試抓取不同形狀的物體，觀察成功和失敗案例，逐步改進其物理模型和操作策略?？臻g智能研究面臨著多重技術(shù)挑戰(zhàn)和科學(xué)問題。

在感知層面，如何在開放、動態(tài)和不確定環(huán)境中實現(xiàn)穩(wěn)健的三維感知仍是一個核心挑戰(zhàn)，特別是對于透明、鏡面反射等復(fù)雜材質(zhì)物體的準(zhǔn)確感知；在推理層面，如何構(gòu)建能夠高效且準(zhǔn)確預(yù)測物理交互的計算模型，同時兼顧計算效率和物理準(zhǔn)確性，是一個關(guān)鍵難題；在生成層面，如何確保生成內(nèi)容的物理可行性和功能合理性，同時保持創(chuàng)造性和多樣性，仍需進行深入研究。

空間智能更本質(zhì)的挑戰(zhàn)在于如何構(gòu)建一個統(tǒng)一的空間表示框架，能夠同時支持高效感知、推理和生成，同時保持計算可行性和擴展性。這種表示需要兼顧幾何精度、物理屬性和語義信息，使系統(tǒng)能夠無縫處理不同類型的空間任務(wù)。

未來空間智能研究的發(fā)展方向可能包括多種路徑。

第一種是向更綜合的多模態(tài)感知發(fā)展，整合視覺、觸覺、聽覺等多種感官通道，構(gòu)建更完整的環(huán)境表征；

第二種是向更深入的物理理解方向發(fā)展，通過物理導(dǎo)向?qū)W習(xí)或可微分物理模擬等方法，使系統(tǒng)能夠?qū)W習(xí)和應(yīng)用更復(fù)雜的物理規(guī)律；

第三種是向更高級的交互生成能力發(fā)展，使系統(tǒng)能夠根據(jù)用戶需求和環(huán)境約束創(chuàng)造適應(yīng)性解決方案。

這些方向的共同目標(biāo)是構(gòu)建能夠自然理解和交互于物理世界的人工智能系統(tǒng)，使機器能夠像人類一樣輕松應(yīng)對各種空間挑戰(zhàn)。

隨著空間智能研究的深入，我們可能見證一個從“單一感知”向“整合理解”，再到“創(chuàng)造性交互”的技術(shù)演進過程。早期的計算機視覺系統(tǒng)主要關(guān)注如何“看見”世界，現(xiàn)代空間智能則強調(diào)如何“理解”世界的結(jié)構(gòu)與規(guī)律，而未來的系統(tǒng)將進一步發(fā)展出如何創(chuàng)造性地“重塑”世界的能力。這一演進路徑類似于人類從嬰兒期的基礎(chǔ)感知，到幼兒期的因果理解，再到成熟期的創(chuàng)造性問題解決的認知發(fā)展過程，這反映了智能系統(tǒng)與物理世界交互能力的自然進階。

隨著這一領(lǐng)域的持續(xù)發(fā)展，空間智能可能成為連接感知人工智能和推理人工智能的關(guān)鍵橋梁，使人工智能系統(tǒng)真正能夠理解和交互于我們生活的三維物理世界。

空間智能：AGI無法跳過的進化階段

空間智能與通用人工智能（AGI）的關(guān)系既是基礎(chǔ)性的，也是戰(zhàn)略性的，二者之間存在著深刻而復(fù)雜的相互依存關(guān)系，這種關(guān)系不僅影響著當(dāng)前人工智能技術(shù)的發(fā)展方向，還有可能決定通用人工智能最終實現(xiàn)的路徑選擇。理解這一關(guān)系，需要我們跳出技術(shù)細節(jié)，審視智能的本質(zhì)特征及其在自然進化和認知發(fā)展中的演化規(guī)律，從而把握空間智能在通用人工智能構(gòu)建中的核心地位和作用機制。

將空間認知發(fā)展研究的啟示應(yīng)用于通用人工智能構(gòu)建，我們可以推斷，真正的通用人工智能可能同樣需要先建立牢固的空間認知能力，然后才能發(fā)展出真正的抽象思維和通用問題解決能力。純粹的語言模型，無論多么強大，如果缺乏對物理世界的基本理解，其通用性可能始終受到根本限制。

近期大語言模型的驚人進展為通用人工智能研究帶來了新的思路和可能性。雖然這些模型主要處理語言數(shù)據(jù)，但它們已經(jīng)展現(xiàn)出令人驚訝的推理能力和知識整合能力。特別值得注意的是，即使沒有直接接觸三維空間數(shù)據(jù)，這些模型也能在一定程度上理解和處理空間概念。

例如，GPT—4 在處理涉及空間關(guān)系的問題時表現(xiàn)出了超出預(yù)期的能力，它能夠理解“把紅色方塊放在藍色圓形的左側(cè)，但在綠色三角形的上方”這樣復(fù)雜的空間指令，盡管它并未直接接觸過三維空間數(shù)據(jù)。

這種現(xiàn)象可能源于語言中隱含的豐富空間知識。如喬治·萊考夫和馬克·約翰遜在《我們賴以生存的隱喻》（

Metaphors We Live By

這些空間隱喻不僅是語言表達的修辭手段，還反映了人類思維本質(zhì)上的空間化特性——我們傾向于通過空間關(guān)系來組織和理解各種概念，包括那些本身并非空間性質(zhì)的抽象概念。大語言模型通過處理大量文本，可能間接學(xué)習(xí)到這些隱含的空間知識，從而對空間概念展現(xiàn)出一定的理解能力。

然而，大語言模型僅通過語言獲取的空間知識很可能存在根本局限。

首先，語言描述往往是高度抽象和簡化的，難以傳達物理世界的全部復(fù)雜性和細節(jié)。

其次，語言學(xué)習(xí)缺乏直接的感知反饋和交互經(jīng)驗，無法建立感知與動作之間的緊密聯(lián)系，而這種聯(lián)系對于真正的空間理解至關(guān)重要。

最后，語言本身是人類基于直接空間經(jīng)驗創(chuàng)造的抽象系統(tǒng)，通過語言間接學(xué)習(xí)空間概念存在著本質(zhì)上的信息損失和扭曲。

在創(chuàng)造性思維方面，空間智能與抽象推理的結(jié)合為通用人工智能系統(tǒng)提供了創(chuàng)新問題解決的可能性。空間智能為通用人工智能系統(tǒng)注入類似的空間化思維能力，可能為其提供更強大的創(chuàng)造性問題解決工具。例如，現(xiàn)代深度學(xué)習(xí)模型已經(jīng)展示了在隱空間（latent space）中進行概念混合和轉(zhuǎn)換的能力，如DALL-E能夠創(chuàng)造出“穿著宇航服演奏薩克斯風(fēng)的鱷魚”這樣的新穎組合圖像。

在整合多感知通道方面，空間智能的貢獻尤為突出。人類空間認知依賴于視覺、聽覺、觸覺和本體感受等多種感官輸入的協(xié)同處理，這種多模態(tài)整合使我們能夠構(gòu)建豐富而穩(wěn)健的空間表征。通用人工智能系統(tǒng)同樣需要這種多模態(tài)整合能力，以應(yīng)對復(fù)雜多變的實際環(huán)境。例如，自動駕駛系統(tǒng)需要整合相機、雷達和激光雷達等多種傳感器數(shù)據(jù)，在不同天氣和光照條件下維持可靠的環(huán)境感知；家庭服務(wù)機器人需要結(jié)合視覺識別、語音理解和觸覺反饋，精確執(zhí)行日常物體操作任務(wù)。

從系統(tǒng)架構(gòu)角度，空間智能可能為通用人工智能提供層次化表征和模塊化組織的范例。人類空間認知系統(tǒng)同時具備多種空間表征，從身體中心的主觀坐標(biāo)系到環(huán)境中心的客觀坐標(biāo)系，從細粒度的局部表征到粗粒度的全局表征，這些表征相互補充，共同支持靈活的空間理解和導(dǎo)航。例如，當(dāng)我們在熟悉的城市中導(dǎo)航時，既使用地標(biāo)和路線等局部空間知識，又依靠心理地圖中的全局幾何結(jié)構(gòu)，同時還能根據(jù)任務(wù)需求靈活切換不同參考系統(tǒng)。

實現(xiàn)真正的空間智能還需要克服當(dāng)前技術(shù)的多重局限。

首先，現(xiàn)有深度學(xué)習(xí)方法通常依賴大量標(biāo)注數(shù)據(jù)，而空間理解和物理推理的標(biāo)注極其昂貴且耗時。

其次，多模態(tài)感知系統(tǒng)在噪聲、部分可觀測和模態(tài)缺失等挑戰(zhàn)面前的魯棒性仍然不足。

再次，現(xiàn)有物理模擬方法在計算效率和逼真度之間存在權(quán)衡，難以同時實現(xiàn)實時性和準(zhǔn)確性。最后，將空間理解與高級認知功能（如規(guī)劃、決策和創(chuàng)造性思維）無縫整合仍然是一個開放性挑戰(zhàn)。

未來空間智能研究的突破性方向包括：自監(jiān)督學(xué)習(xí)方法的創(chuàng)新，使系統(tǒng)能夠從未標(biāo)注的物理交互數(shù)據(jù)中學(xué)習(xí)；神經(jīng)符號混合方法的深入探索，結(jié)合神經(jīng)網(wǎng)絡(luò)的感知能力與符號系統(tǒng)的結(jié)構(gòu)化推理；可微物理模擬的進一步發(fā)展，將物理規(guī)律作為訓(xùn)練約束而非后處理規(guī)則；以及多層次空間表征的設(shè)計，使系統(tǒng)能夠在不同抽象級別上操作空間概念。這些方向的進展將推動空間智能向更高水平發(fā)展，為實現(xiàn)真正的通用人工智能鋪平道路。

總體來說，空間智能與通用人工智能的關(guān)系是深層次、多維度的相互依存，而非簡單的功能疊加。空間智能不僅為通用人工智能提供了感知和理解物理世界的基礎(chǔ)能力，還影響著學(xué)習(xí)機制、交互能力和創(chuàng)造性思維的發(fā)展路徑。

隨著研究的深入，兩者的界限可能逐漸模糊，最終融合為一個統(tǒng)一的智能系統(tǒng)。這種融合的實現(xiàn)將標(biāo)志著人工智能從專用工具向真正通用智能的根本性跨越，開創(chuàng)人機交互和智能技術(shù)應(yīng)用的新紀(jì)元，使人工智能系統(tǒng)能夠自然理解和交互于我們的三維世界，成為人類真正的智能伙伴和助手。

空間智能未來展望：從技術(shù)突破到人機協(xié)同的新紀(jì)元

在人類認知與技術(shù)融合的前沿，空間智能技術(shù)正展現(xiàn)出前所未有的發(fā)展?jié)摿?。從感知與處理環(huán)境的基礎(chǔ)能力，到人機協(xié)同的深度融合，再到探索宇宙的宏大愿景，這一領(lǐng)域正經(jīng)歷著從理論到實踐的革命性變革。

當(dāng)我們站在技術(shù)演進的十字路口，面對能耗挑戰(zhàn)、動態(tài)環(huán)境適應(yīng)、跨場景泛化等瓶頸，創(chuàng)新解決方案正在各個維度涌現(xiàn)。同時，人機關(guān)系的本質(zhì)也在發(fā)生根本轉(zhuǎn)變，從簡單的工具使用邁向相互增強的伙伴關(guān)系。更令人振奮的是，這些進步不僅限于地球表面，而且逐漸延伸至太陽系乃至更遙遠的星際空間，開創(chuàng)了認知與探索的新紀(jì)元。

技術(shù)瓶頸與突破方向

空間智能技術(shù)作為融合感知、認知與決策的綜合系統(tǒng)，其發(fā)展道路既充滿希望，又面臨諸多挑戰(zhàn)。從人類認知演化的角度來看，空間智能的發(fā)展歷程反映了我們對世界理解方式的根本性變革。

早期人類通過直接經(jīng)驗積累空間知識，而今天，我們正借助先進的計算技術(shù)和理論框架，構(gòu)建能夠自主理解和交互于環(huán)境中的智能系統(tǒng)。然而，當(dāng)前空間智能技術(shù)的發(fā)展仍面臨多重技術(shù)瓶頸，這些瓶頸不僅限制了系統(tǒng)性能的提升，還制約了其在復(fù)雜場景中的應(yīng)用潛力。識別這些瓶頸并探索突破路徑，對推動空間智能技術(shù)邁向更高水平具有重要意義。

能耗問題無疑是當(dāng)前空間智能系統(tǒng)面臨的首要挑戰(zhàn)之一。據(jù)麻省理工學(xué)院計算機科學(xué)與人工智能實驗室的研究顯示，現(xiàn)有空間智能系統(tǒng)的能耗普遍是傳統(tǒng)人工智能系統(tǒng)的數(shù)倍，這種高能耗不僅增加了運營成本，而且限制了系統(tǒng)在資源受限環(huán)境中的部署可能性。這一問題的根源在于空間智能系統(tǒng)需要同時處理多模態(tài)感知輸入、構(gòu)建動態(tài)環(huán)境表示和執(zhí)行實時決策，這些操作都是計算密集型的，對處理器和內(nèi)存資源提出了極高要求。

例如，一個典型的自動駕駛系統(tǒng)在實時處理多路高分辨率攝像頭和激光雷達數(shù)據(jù)時，其功耗可達300~500瓦，這遠超普通消費級電子設(shè)備的能耗水平，對車載電源系統(tǒng)構(gòu)成顯著壓力。特別是當(dāng)系統(tǒng)需要在高動態(tài)環(huán)境中進行毫秒級決策時，計算負載的峰值更會導(dǎo)致能耗劇增，這種“能量饑渴”的特性嚴(yán)重制約了空間智能技術(shù)在便攜設(shè)備和長時間工作場景中的應(yīng)用。

算法效率提升同樣是突破能耗瓶頸的關(guān)鍵途徑。當(dāng)前空間智能算法往往采用“盡可能多的數(shù)據(jù)，盡可能復(fù)雜的模型”的設(shè)計理念，這雖然有助于提高系統(tǒng)的感知精度，但也導(dǎo)致了大量冗余計算。通過引入注意力機制和動態(tài)計算圖（Dynamic Computational Graph）技術(shù)，新一代空間智能算法能夠根據(jù)任務(wù)需求和環(huán)境復(fù)雜度動態(tài)調(diào)整計算資源分配。

例如，谷歌研究團隊于2023年提出的Adaptive Depth模型，能夠根據(jù)場景復(fù)雜度自動調(diào)整神經(jīng)網(wǎng)絡(luò)的計算深度，在保持90%識別精度的前提下，平均減少了60%的計算量。類似地，微軟亞洲研究院開發(fā)的時空注意力網(wǎng)絡(luò)（Spatio-temporal Attention Network）通過選擇性地處理場景中的關(guān)鍵區(qū)域和時間段，將三維場景理解任務(wù)的能耗降低了近45%，而精度損失不到5%。

伴隨著各項技術(shù)的持續(xù)迭代與突破，空間智能正在從單純的感知工具向認知計算平臺演進。這種轉(zhuǎn)變不僅體現(xiàn)在功能的豐富和精度的提高，更重要的是系統(tǒng)理解世界和推理決策的方式正在從數(shù)據(jù)驅(qū)動的統(tǒng)計模型向更接近人類認知過程的結(jié)構(gòu)化推理邁進。

人機協(xié)同新范式

人機協(xié)同作為空間智能技術(shù)發(fā)展的核心方向之一，正在經(jīng)歷從簡單輔助到深度融合的根本性轉(zhuǎn)變。傳統(tǒng)的人機交互模式將人與機器視為獨立的實體，人類扮演指揮者角色，機器則作為被動執(zhí)行者，二者之間通過有限的接口進行信息交換。這種模式雖然在特定任務(wù)中行之有效，但在復(fù)雜動態(tài)環(huán)境下卻顯得僵化且效率低下。

隨著空間智能技術(shù)的快速發(fā)展，一種新型人機關(guān)系正在形成，其特征是人與機器的邊界逐漸模糊，雙方能力相互增強，共同構(gòu)成一個功能更強大的整體系統(tǒng)。這種新范式不僅改變了技術(shù)形態(tài)，更深刻地重塑了人類與技術(shù)的關(guān)系本質(zhì)，開創(chuàng)了人機協(xié)同的全新時代。

在空間感知研究方面，學(xué)術(shù)界（而非特指Neuralink）在解碼與空間導(dǎo)航相關(guān)的神經(jīng)活動方面取得了進展。研究團隊通過記錄實驗動物在空間任務(wù)中的神經(jīng)活動，特別是海馬區(qū)域的活動，利用機器學(xué)習(xí)算法分析這些神經(jīng)信號，建立了神經(jīng)活動與空間位置之間的對應(yīng)關(guān)系。

這類研究目前主要在受控實驗環(huán)境中進行，能夠?qū)崿F(xiàn)一定程度的空間信息解碼，但整體技術(shù)仍處于實驗室研究階段，準(zhǔn)確率和穩(wěn)定性仍需進一步提高。相關(guān)研究表明，通過適當(dāng)?shù)挠?xùn)練，實驗動物能夠?qū)W習(xí)使用腦機接口在簡單虛擬環(huán)境中進行基礎(chǔ)導(dǎo)航，但這種能力在環(huán)境變化時往往需要重新適應(yīng)和學(xué)習(xí)。

隨著技術(shù)不斷成熟，人機協(xié)同將從特定領(lǐng)域的專業(yè)工具逐步融入日常生活，成為“環(huán)境智能”的一部分。這種轉(zhuǎn)變將使空間智能輔助變得無處不在卻又不引人注意，像電力一樣成為現(xiàn)代生活的基礎(chǔ)設(shè)施。未來的智能家居、工作場所和公共空間將能夠理解人類需求并提供情境化支持，但是以一種不引人注意、不造成干擾的方式。這種“平靜技術(shù)”的理念可能成為未來人機協(xié)同設(shè)計的核心原則。

人機協(xié)同新范式的興起標(biāo)志著人類與技術(shù)關(guān)系的根本性轉(zhuǎn)變。不同于將技術(shù)視為外部工具的傳統(tǒng)觀念，新范式將人與技術(shù)視為相互增強的伙伴關(guān)系，共同形成更強大的認知系統(tǒng)。這種轉(zhuǎn)變不僅提高了解決問題的效率，還開創(chuàng)了理解和交互世界的新方式。

隨著腦機接口、增強現(xiàn)實和人工智能技術(shù)的持續(xù)發(fā)展，人機協(xié)同的邊界將繼續(xù)拓展，可能最終導(dǎo)致人類認知能力的革命性擴展，開創(chuàng)智能進化的新紀(jì)元。

↓我們還有下面這些活動↓

-End-

2025.12.16

編輯：閃閃 | 審核：孫小悠