「AI 教母」、ImageNet 奠基人李飛飛近日在個人 Substack 發表長文《From Words to Worlds》，引起全球 AI 圈廣泛關注。李飛飛認為，AI 的下一步不在語言，而在世界。她並將這項能力稱為「空間智慧」（Spatial Intelligence）。

李飛飛文章被譽為「AI 下個十年的路線宣言」，並提出一個核心觀點：今天的 AI 能言善辯、知識淵博，但缺乏對世界的真實感知，它們只是「黑暗中的文字匠人」。

李飛飛在後續 Podcast 中進一步解釋，過去十多年，她依靠 ImageNet 幫助機器「看懂圖像」，而現在，她和團隊在新創 World Labs 推動讓 AI 能在 3D 環境中感知、預測和行動的技術。

當 AI 真正能「看懂世界」，它不再只是回答問題或生成文字，而能在家庭、工廠、醫院、城市道路中自主導航、判斷風險和規劃動作。

這將不僅改變演算法，更可能重塑工作方式、城市基礎設施以及職業生態。

語言模型的局限

李飛飛指出，目前的大模型雖然在語言和圖像生成上表現出色，但一旦面對真實世界，就暴露出根本性缺點。

她以一個簡單測試為例：讓模型觀看一段辦公室影片，數一數椅子的數量，這對幼兒來說毫無難度，但對 AI 卻是一個挑戰。

其中的問題就在於，現有模型缺乏對物體的距離、方向、位置等空間感知，也無法理解物理變化，只能用文字描述而無法真正行動。

李飛飛認為，想要突破這一限制，單純增加模型參數並不足以解決問題，AI 必須學會「看懂世界」，這也就是她提出的「空間智慧」概念。

她指出，語言模型處理的是線性資訊，一句話接著一句話的「平面推理」，而空間智慧則涉及動作、位置、時間、因果關係交織的立體認知。

世界模型與 Marble：AI 能動的關鍵

為此，李飛飛提出了「世界模型」（World Model）的概念。與語言模型不同，世界模型能讓 AI 在生成的 3D 世界中互動、行走、操作物品，並進行推理。

舉例來說，給模型一個「臥室」的提示，它不僅能生成圖像，而是能創造一個可探索、可互動的立體空間；在指令「把水壺從桌子移到台子」下，模型也能理解物體位置、移動過程及最終擺放位置。

在此基礎上，李飛飛的團隊於 2024 年創立 World Labs，並在不到一年時間推出原型產品 Marble。

Marble 是全球首個能生成真正 3D 世界的生成模型，用戶只需輸入文字或圖片，就能創造可互動、可沉浸式體驗的立體場景，例如廢棄工廠、月球基地或山谷木屋。

與現有影片生成技術不同，Marble 不只是讓人「觀看世界」，而是可以「走進世界」，直接與場景互動。

李飛飛指出：「影片只能看，但 Marble 可以動、可以逛、可以互動。」AI 不只是輸出影像，而是能自己組織一個「真實世界」。

這項技術已在創作領域初步落地，李飛飛透露，與索尼 (SONY-US) 合作拍攝影片時，使用 Marble 後製作時間縮短了四十倍。

而到了未來，這套技術有望讓個人創作者、VR 遊戲開發者、動畫團隊，以及教育與科研工作者，都能以更低成本創造沉浸式世界。

空間智慧將改變創作與工作

值得注意的是，空間智慧的影響不僅在創作領域，也將深刻影響機器人、科學研究、醫療和教育。

在創作領域，創作者不再需要從草圖與建模開始，而是能用一句話生成一個世界，並走進世界開始創作，不但大幅降低了創作門檻，也改變了敘事方式。

在機器人訓練中，傳統方法依賴大量現實場景數據和人工規則，而世界模型可以生成多樣化虛擬環境，讓機器人自主學習，降低成本並提高效率。

在醫療領域，沉浸式 3D 場景可用於影像診斷或心理學研究，幫助專業人員更好理解病患反應。

在教育中，學生更是可以走進細胞、火山或化學反應的模擬世界，將抽象知識具象化，提高理解深度。

李飛飛認為，AI 的目標不是取代人類，而是增強人類能力。語言只是智慧的一部分，而空間智慧才能讓 AI 在世界中真正行動和創造，進而改變我們的生活和工作方式。