•
李飛飛最新長文：AI很火，但方向可能偏了
AI很會說話，但還不會理解世界。
前幾天，Google的Gemini 3 Pro發佈，朋友圈瞬間刷屏。很多人都在感嘆：Google一出手，就知有沒有。下一代模型，是不是參數更多？能支援更長的上下文？照這麼發展下去，是不是真的要實現AGI（通用人工智慧）了？
但是，著名電腦科學家、美國國家工程院院士、史丹佛大學教授李飛飛卻不這麼認為。11月10日，她就發佈了一則長文，系統闡述了她對目前AI大模型的看法。總結一下，大概是：
目前AI卷參數，卷演算法的方向，可能跑偏了。模型不理解世界，就實現不了真正的智能。
為什麼這麼說？什麼又叫“理解世界”？這和我又有什麼關係？
系統整理了一下我的理解，和你分享。
你一定知道ChatGPT，或者Google的Gemini。你也一定用過DeepSeek、豆包。這些產品背後的核心技術，都是大語言模型（LLM）。
大語言模型做的事情，簡單來說，是“預測下一個詞是什麼”。你問它，“床前明月光”，它就能預測，後邊幾個詞大機率是“疑是地上霜”。
靠著這種看似簡單的“接茬”能力，在吃下了大量資料之後，大模型已經進化到了驚人的地步。它能通過律師資格考試，也能做複雜的奧數題。
那，這樣子下去，是不是很快就有能自主學習、完成任務的通用人工智慧了?
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？這個箱子能塞進後備箱嗎？它卻大機率會瞎蒙，還會出現“杯子鬆手後飛上天”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）。
想像一下。有一位秀才，在一間黑屋子裡，讀過一萬本關於蘋果的書。他知道，蘋果通常和“紅”、“甜”、“圓”出現在一起，他知道，蘋果的化學分子式，牛頓被蘋果砸中的故事。如果讓他寫一篇關於蘋果的論文，他寫得不比專家差。但是，如果你把一個真的蘋果遞到他手裡，他卻不知道這是什麼。
今天，語言大模型的“智慧”，本質上靠的是語言的統計規律，而並非紮根現實。
這也解釋了，為什麼你的AI助手，動不動就會“胡說八道”。因為，如果AI只遵照語法通順，它完全可以認為，太陽會從西邊升起。即便這在物理世界裡，不可能發生。
它讀了萬卷書，卻從未行萬里路。
那怎麼辦？
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，會處理很多資訊。你的眼睛，要判斷杯子和嘴邊的距離；你的手部肌肉，要根據杯子的重量，精確調整抓握的力度；你的皮膚，要感知杯壁的溫度，防止燙傷；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？你有沒有在心裡默念，把肱二頭肌收縮30%，手腕向左旋轉5度？沒有。整個過程，靠的是感知、想像、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，是能在不確定的世界中持續預測、行動、達成目標。這不能靠大腦憑空產生。
舉個例子。嬰兒是怎麼知道因果關係的？
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連接：把積木推倒，必然導致“嘩啦”一聲。邏輯的雛形，因此開始。
再舉個例子。沃森和克里克，是怎麼發現DNA雙螺旋結構的？
要知道，當時他們手裡，只有一張像是模糊的“X”的照片。靠這張照片，推導不出DNA結構。
沒辦法，他們只好像搭積木的小孩一樣，用金屬棒和鐵絲，試圖復現DNA的空間結構。直到某個瞬間，他們把模型轉到雙螺旋的角度，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。
偉大的發現，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 億年進化“視覺”，只花了最後幾萬年進化“語言”。因為感知世界，遠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。
什麼是，預測下一幀世界？舉個例子。
你手裡拿著一個玻璃杯，然後鬆開了手。現在，你的腦子裡是不是立刻就預測到了：杯子掉下去，砸在地上，摔碎了？你不需要等它真的碎，你的腦子已經預測到了。
這就是“預測下一幀世界”。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，就能推匯出“手伸進火裡->皮膚燒傷”的物理必然性。
預測下一個詞，遵循的是“語法邏輯”；而預測下一幀世界，遵循的是“物理邏輯”。這就是李飛飛認為，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麼，把地上的髒衣服撿起來。但在世界模型生成的房間，你可以蹲下來看床底、拉開抽屜。因為房間裡有重力、有光影，還有遮擋關係。
這和目前的AI視訊，也有本質區別。因為AI視訊，只是“看上去理解了世界”，本質上還是在黑屋子裡，預測下一個像素。
比如，吃漢堡。雖然AI視訊可以預測到，當人的嘴到了漢堡上，漢堡大機率會變形、會缺少一塊，但它並不理解，漢堡為什麼是軟的，以及，人咬下一口之後，那一塊漢堡其實是到了人的嘴裡。它也沒辦法換個位置，看看漢堡的面包底是不是焦了。
預測下一幀世界。理解了。可是，這要怎麼做到？
語言，說白了就是一個詞接著一個詞，是一維的序列訊號。但世界是三維的，甚至還要加時間維度。重力決定了蘋果怎麼掉，原子結構決定了光線怎麼反射。要預測下一幀世界，就得讓語義、幾何、物理規律保持一致，這比處理語言複雜太多了。
李飛飛也很坦率，聊了幾個他們團隊還在死磕的方向。
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函數：預測下一個詞。世界模型，也能找到這樣一個簡單優雅的公式嗎？目前還需要努力。
比如，找資料。
要訓練具有空間智能的世界模型，就得找到海量空間資料。去那找？他們正在開發一種，從網際網路上的二維視訊裡，提取空間資訊的演算法。
過去的AI，是在用機率“猜”下一個詞；未來的AI，或許能用物理“算”下一幀世界。
李飛飛的World Labs，已經做出了一款叫Marble的產品。
具體網址：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。
是不是還挺有意思的？幾秒鐘內，它不僅識別出了裡面的桌子、椅子，還腦補出了空間位置。雖然還很粗糙。可能是我只上傳了一張照片的原因。
那麼，如果未來的AI真的如李飛飛所說的那樣，有了空間智能，又意味著什麼？
首先，對於普通人來說，是AI進入現實社會，所帶來的極大便利。
一旦空間智能成熟，離機器人走入家庭，就真的不遠了。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，將變成現實。甚至再進一步，讓奈米機器人在血管裡送藥。
而當AI基於空間智能，掌握了從現實中抽象出規律的能力，它們或許，就能像牛頓和愛因斯坦一樣，擁有“科學家的直覺”。從而，真正發現規律、進行創新。
接著，對於創業者來說，加持空間智能的AI，可能意味著一些新的機會。
比如，真正“可控”的視訊生成。
現在的視訊AI（比如 Sora），雖然厲害，但還是有點“抽盲盒”。它可以生成一隻貓。但你很難控制貓的走位、光影的角度。這對商業廣告、電影製作來說，就有點難操作。甲方要求臉必須再轉15%，你不能說“AI 隨機生成的我改不了”。
李飛飛在訪談裡就舉了一個例子。他們和索尼的一家虛擬製作公司合作，用了Marble搭建場景，可以自由地選擇拍攝角度，生產效率提升了40倍。
比如，做一些“想像成真”的ToC產品。
例如，裝修。拍一張毛坯房的照片，說改成北歐風，暖色調。幾秒鐘後，你就可以得到一個可以到處走，還能修改沙發位置的虛擬樣板間。例如，3D相簿，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，看看牆上的掛曆，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。有團隊找上門，表示想用這個技術，來治療“恐高症”。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，賣合成資料，給做機器人的公司。
本質上，這就是給機器人，開了一間學校。你不需要造機器人，你只需要生產特定領域的“教材”。比如，專門生產“怎麼修汽車”的資料，賣給修車機器人公司；專門生產“怎麼做手術”的資料，賣給醫療機器人公司。
精確地把“想像”變成看得見、摸得著的“真實”，也許是接下來最大的機會之一。
好了。總結一下。
為什麼AI現在這麼厲害，但還是會犯一些低級錯誤？可能因為，它沒有真正理解世界，而只是在統計規律中找答案。所以未來，AI的發展方向，可能要拐一下，從預測下一個詞，到預測下一幀世界。也就是真正掌握，空間智能。
那，這個方向對不對？會不會通向真正的智能？
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。參數越來越大，算力越來越強，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。機器人可能真的能進入家庭。甚至，AI可能真的能像科學家一樣，從現實中發現規律，而不只是從資料中總結規律。
當然，這一切都還很早。Marble，還很粗糙。世界模型的“公式”還沒找到，空間資料也還不夠。但至少，通往智能的那個未來，又多了幾分念想。
畢竟，科技進步從來不是一條直線。
繞點遠路，沒啥。 (創業邦)