2025 年春，李飞飞荣获「伊丽莎白女王工程奖」，以表彰其在计算机视觉与深度学习领域的奠基性贡献。作为 ImageNet 项目的核心推动者，她开创了数 据驱动的视觉识别方法，也提出「以人为本」的 AI 理念，在硅谷的商业化浪潮中始终保持对 AI 伦理、社会价值与去人性化风险的警觉。然而，其少数 派身份使她处于在科研成就与产业实践之间的微妙地带，引发持续讨论。 2025 年春，普林斯顿大学物理学学士、加州理工学院计算神经科学博士李飞飞教授荣获「伊丽莎白女王工程奖（Queen Elizabeth Prize for Engineering）」，这一奖项被视为「工程领域的诺贝尔奖」。评审团表彰了李飞飞在计算机视觉与深度学习中的奠基性工作，认为她的研究「让机器第一 次以接近人类的方式看见世界」。 「工程不止是算力与算法，更是责任与共情。」李飞飞在领奖演讲中强调，技术的突破并不等于理解的进步。对于 AI 加速的时代，她始终保持着一种警 觉：算法在重构语言、图像与知识体系的同时，也在重塑社会的权力结构与人类的自我感知。AI的最大风险在于「去人性化」，她在个人回忆录 The Worlds I See 序言中写道，「如果人工 ...

AI行业现状与影响 - AI被视为文明级技术，影响范围深远，触及每个人的生活、工作和未来[2] - 当前AI技术的权力集中在少数大型科技公司手中，主要来自美国[3] - AI投资金额巨大，行业正处于快速发展阶段[2] 技术发展方向 - 空间智能被定义为AI下一个前沿，即理解、感知、推理并与三维世界互动的能力[1][4][25] - 空间智能与语言智能互为补充，是视觉智能的延续和拓展[4][25] - World Labs公司开发的Marble模型能够根据简单提示生成三维世界，应用场景包括设计构思、游戏开发、机器人仿真训练和AR/VR教育[26] 市场竞争格局 - 中美两国被公认为全球AI领域的领先国家[24] - 中国AI专利和论文数量激增，Deepseek等产品引发关注[24] - 全球多个地区都渴望在AI领域占据一席之地[24] 就业市场影响 - AI技术正在深刻改变劳动版图，Salesforce公司50%客服岗位已交给AI处理[28] - 技术革新将带来岗位重塑，个人需要持续学习，企业和社会也需承担责任[1][28] - 历史经验表明，蒸汽机、电力、电脑等技术都曾经历阵痛期[28] 能源消耗挑战 - 训练大型模型需要消耗大量电力，数据中心能源需求巨大[31] - 能源领域的创新是关键解决方案，需要发展更多可再生能源[1][31] - 各国需要审视能源政策和产业结构，为可再生能源投资提供契机[31] 技术应用前景 - AI应用前景广阔，涵盖软件工程、创意、医疗保健、教育和金融服务等领域[31] - 市场将持续扩张，AI可作为助手或协作工具提升人们的生产力和福祉[31] - 技术突破需要投入大量资源，为研究提供资金支持至关重要[31] 教育理念应对 - 在AI时代应注重培养孩子的求知欲、批判性思维和责任感等传统价值观[1][30] - 教育需要关注孩子的主观能动性、尊严和个性发展，而非单纯焦虑专业选择[30] - 避免依赖AI偷懒，要正确使用工具进行有效学习[33] 内容真实性风险 - AI技术可能被用于制造虚假图像、虚假声音和虚假文本[33] - 信息真实性问题既是AI面临的挑战，也是社交媒体主导的交流方式带来的问题[33] - 需要防止技术被滥用，确保信息的真实性和可靠性[33]

AI发展路径与当前局限 - 现代AI的黄金配方是神经网络、大数据与GPU的结合，ChatGPT的成功仍基于此配方[4][5] - 单纯依靠扩大数据规模和算力的Scaling Law不足以实现智能突破，当前AI仍难以完成精确计数物体、推导物理定律等对人类简单的任务[1][8] - 距离具备创造力、抽象能力和情感智能的AI系统还有很长的路，需要根本性的技术创新而非简单堆叠算力[1][9] 对AGI概念的看法 - AGI定义模糊，更像营销话术而非严谨科学术语，科学家应关注解决根本性技术挑战而非概念争论[1][7] - AI与AGI的区别不明确，该领域核心问题始终是机器能否像人一样思考和行动[7] 空间智能与世界模型的前景 - 语言智能不足，人类在关键场景依赖空间智能，研究空间智能对机器人、具身智能发展有极大作用[3][9] - 世界模型是推动AI下一阶段发展的关键，能生成完整虚拟世界并让智能体互动推理，是机器人规划操作的基础[9][10] - 空间智能可增强人类在空间理解、物体操作和现实世界任务中的能力，并影响设计、工程和科学发现[10] 机器人技术与创业挑战 - 机器人领域数据极难获取，缺乏结构化动作标注，且涉及物理系统、硬件等复杂因素，"苦涩的教训"不完全适用[15][16] - 自动驾驶发展近20年仍未完全成熟，而三维空间操控物体的机器人技术面临更大挑战[3][16] - AI创业竞争空前激烈，涉及模型技术之争和顶尖人才争夺，World Labs团队拥有约30人[12][14] 历史项目与核心理念 - ImageNet项目收集了1500万张图片、2.2万个物体类别，为现代AI发展奠定基础[5] - AI进步是几代研究者共同积累的成果，而非个人奇迹[6] - World Labs产品Marble能通过一句话或一张图像生成可探索的三维世界，核心关注空间智能而非仅生成视频[11]

AI发展历程与驱动力 - 21世纪初AI领域处于漫长寒冬，更常被称为机器学习，公众关注度低且资金投入少[10][14] - 2006-2007年启动ImageNet项目，从互联网搜集1500万张图像并打上22000个类别的精准标签，该项目开源并启动年度挑战赛[21][23] - 2012年多伦多大学研究团队使用2块英伟达GPU和ImageNet数据训练出AlexNet，标志着深度学习与现代AI起步的关键时刻[23][24] - 大数据、神经网络和GPU构成现代AI发展的黄金三件套[6][26] - 2015年中至2016年中，硅谷大厂刻意避谈AI一词，一年后AI拐点出现，众多公司开始将自己定位为AI公司[26] 世界模型与空间智能 - AI未来十年的下一个前沿是空间智能与世界模型，其核心在于将语言之外的智能、具身AI机器人和视觉智能串联起来[28][33] - 世界模型被定义为一个基础层，通过输入一张图或一句话即可生成一个可无限探索的3D世界，人们可在此基础上进行推理、交互和创造[37][38] - 人类作为具身智能体同样能从世界模型和空间智能中获益，例如科学家通过2D X射线衍射照片在脑海中构建3D模型从而发现DNA双螺旋结构[39] - 2024年通过TED演讲系统化阐述空间智能和世界模型理念，并创办World Labs公司以推动该领域发展[34][36] 技术应用与行业影响 - World Labs推出的Marble平台应用于电影虚拟制片、游戏互动内容及机器人模拟训练等领域[41] - 在电影拍摄中，Marble平台通过描述生成可导航的3D世界，使虚拟摄像机自由走位且场景可反复修改，艺术家团队称制作时间缩短40倍[43] - 游戏开发者可将Marble生成的世界导出至游戏引擎用作关卡原型，助力小团队打造大片级场景而不受美术资源限制[43] - 机器人领域面临数据困境，其输出为真实三维世界中的动作，训练数据极难获取，需通过遥操作、合成环境等方式收集[44][45] - 机器人是物理系统，更像自动驾驶汽车而非大语言模型，需同时解决算法模型、硬件本体和应用场景问题，发展路径漫长且挑战多维[45][46] 研究理念与未来方向 - 智能通过大数据学习获得，关键是为机器人提供足够多且多样的世界经验，Marble平台通过提示词生成各种场景供机器人在虚拟世界练习[46] - 在AI与AGI之间没有清晰科学界限，AGI更像营销用语而非严谨科学术语，其定义未统一[26] - 研究者应关注最令人兴奋且难以入眠的科学问题，而非仅聚焦盈利最多的领域，同时不过度放大失败可能性，并重视团队协作价值[47]

文章核心观点 - AI的本质是“智能”的延伸，而非“人工”，是人类理解世界能力的拓展[3][10] - 推动AI发展的核心三要素始终是数据、神经网络和GPU算力，这一组合构成了现代AI的基石[6][24][26] - 当前AI发展的关键瓶颈和未来机遇在于“世界模型”，其旨在解决机器在空间、视觉和行动上理解世界的难题，是连接语言智能与具身智能的桥梁[3][34][40] - 单纯依靠大数据和算力扩展的“苦涩教训”路径在机器人等具身智能领域可能行不通，因为面临数据难以获取、物理系统复杂性等独特挑战[4][47][48] - 公司World Labs发布的全球首个大规模世界模型Marble，展示了生成可导航、可交互三维世界的技术能力，并在影视制作、游戏开发、机器人模拟等领域展现出应用潜力[39][53][59][60] AI发展历程与驱动要素 - AI学科诞生于20世纪50年代，经历了从早期逻辑系统、专家系统到机器学习、神经网络的发展阶段[16][17] - 2006至2007年启动的ImageNet项目，通过整理1500万张网络图片和22000个概念分类，为AI提供了关键的大规模数据集[23] - 2012年成为深度学习与现代AI的开端，多伦多团队利用ImageNet数据、NVIDIA的两块GPU，成功训练出在物体识别上取得突破的神经网络[23][24] - 在2016年前后，科技公司曾因市场接受度问题而避免使用“AI”一词，这一情况在约2017年后发生根本性逆转[28][29][30] - ChatGPT的成功本质仍是数据、神经网络和GPU三要素共同作用的结果，而非技术路径的根本改变[25][26] 世界模型的概念与重要性 - 世界模型是一种基础能力，旨在让机器能够推理、互动并创造世界，其核心是从二维信息理解三维甚至四维世界的能力[3][34][41] - 与大型语言模型不同，世界模型关注的是空间智能，对于机器人、自动驾驶、科学发现（如从二维X射线衍射图推理三维DNA结构）等领域至关重要[40][44] - 公司World Labs于2022年开始布局世界模型研究，认为其与语言模型同等重要甚至互补，是AI未来的关键方向[3][39][53] - 世界模型的应用可显著提升效率，例如在影视虚拟制作领域，有案例显示其能将制作时间缩短40倍[59] 机器人与具身智能的挑战 - 在机器人领域应用“苦涩教训”（即简单模型+大数据）面临两大挑战：训练数据与输出动作难以完美对齐，以及机器人作为物理系统的复杂性[4][47][48] - 机器人训练数据稀缺，尤其缺乏体现真实三维动作的数据，网络视频虽有价值但存在对齐问题，需补充遥操作或合成数据[47][48] - 机器人更接近自动驾驶汽车，不仅需要“大脑”（算法模型），还需要“身体”（硬件）和具体的应用场景，其产品化涉及供应链、硬件成熟度等多方面因素[4][49] - 与在二维平面上运动的自动驾驶汽车相比，在三维世界中行动并操控物体的机器人面临更长的技术发展路径[49] World Labs与Marble产品进展 - World Labs由四位深耕技术研究的联合创始人资助，团队约30人，主要为研究员和研究工程师，致力于将前沿模型与产品结合[53][65] - 公司推出的产品Marble是全球首款允许通过文本或图像提示生成可导航、可交互三维世界的模型[53][54] - Marble采用点状可视化设计，旨在帮助用户理解模型运行并提升体验愉悦感，该特性受到用户积极反馈[55] - 目前Marble已应用于电影虚拟制作、游戏开发、机器人模拟训练及心理学研究等多个领域，展现出横向应用潜力[59][60] - World Labs的技术路线强调空间智能超越二维视频生成，专注于在深度空间中创造、推理和互动[63] 对AGI与未来技术发展的看法 - AGI（人工通用智能）更像一个营销词汇而非严谨科学概念，AI本身即是追求机器像人一样思考和行动的“北极星”目标[32][33] - 当前技术路径（扩展数据、算力、模型）虽能继续推进，但仍需重大创新以解决AI在抽象推理、情感智能、科学发现（如推导物理定律）等方面的不足[34][35][36] - 人类智能以极低功耗（约20瓦）完成复杂任务，这凸显了生物智能的高效性与当前AI技术的差距[52] 人才与行业生态观察 - AI领域竞争激烈，主要体现在模型、技术和高成本人才的争夺上[67][68] - 对于职业发展，建议关注自身热情、团队使命和所能产生的影响，而非过度纠结细节或盲目追逐热点[71][72] - 斯坦福以人为本AI研究所（HAI）的建立，旨在推动AI在科研、教育、政策等领域的负责任发展，并加强科技界与政策制定者（如华盛顿、布鲁塞尔）的沟通[73][74]

文章核心观点 - 空间智能是人工智能发展的下一个前沿领域，将推动大语言模型实现下一次质的飞跃 [4][6] - 构建具备空间智能的“世界模型”是解锁AI在创造力、机器人、科学、医疗和教育等领域潜力的关键技术路径 [8][16][18] - 世界模型需具备生成性、多模态和交互性三大核心能力，其技术挑战远超以往，但应用前景将深刻重塑人类与物理及虚拟世界的交互方式 [4][18][21] 空间智能的定义与重要性 - 空间智能是人类认知的脚手架，支撑着从日常动作到科学发现等一系列与物理世界互动的基础能力 [11][14] - 当前AI（如多模态大语言模型）的空间能力远未接近人类水平，在估计距离、方向、大小及预测物理规律等任务上存在根本性局限 [14][15] - 缺乏空间智能导致AI与物理现实脱节，无法安全驾驶汽车、引导家庭与医院中的机器人，或创造全新的沉浸式学习与娱乐体验 [16] 世界模型的核心能力与技术挑战 - 生成性：模型需能生成遵守物理定律、空间一致的虚拟世界，并保持世界状态的连贯性 [4][18][19] - 多模态：模型需能处理从图像、视频、深度图到文本指令、手势、动作等多种形式的输入 [4][19][20] - 交互性：模型需能根据输入的动作或目标，预测并输出世界的下一个状态 [4][20] - 技术挑战规模超越以往，需克服在通用训练任务函数、大规模多模态训练数据以及新型模型架构与表征学习等方面的巨大壁垒 [21][22][23] 世界模型的应用潜力 - 创造力：赋能电影人、游戏设计师、建筑师等创作者快速构建、迭代和探索三维世界，变革叙事与沉浸体验 [26][28][29] - 机器人：通过生成高质量仿真数据，扩展机器人学习，实现具备空间感知能力的人机协作伙伴及多样化的具身形态 [30][31][32] - 科学、医疗与教育：在科学研究中模拟实验、在医疗领域加速药物研发与辅助诊断、在教育领域实现沉浸式学习，增强人类专长与发现能力 [33][34][35] 行业发展趋势与公司进展 - World Labs公司成立于2024年初，致力于世界模型的基础性突破，其开发的Marble平台是全球首个可通过多模态输入生成一致性3D环境的世界模型 [8][23][26] - 行业共识认为，下一代世界模型将使机器在空间智能上达到新层次，开启AI理解与创造世界的时代，需要整个AI生态系统的集体努力 [24][26][27]

文章核心观点 - 空间智能是人工智能的下一个前沿领域，其核心是构建能够理解、推理并与复杂物理世界互动的“世界模型” [8][16][26] - 世界模型需具备生成式、多模态和互动性三大核心能力，以解锁超越当前大语言模型的机器空间智能 [27][29][30] - 空间智能的应用将重塑创意产业、机器人技术和科学研究，其发展需要整个AI生态系统的集体努力 [38][44][48] 空间智能的定义与重要性 - 空间智能是人类认知的基石，使我们能够通过感知与行动的循环来理解和互动物理世界 [18][21] - 该能力驱动着从日常活动（如停车）到专业领域（如科学发现）的推理与规划 [18][21] - 当前AI在空间任务上表现不佳，例如估算距离或心理旋转物体，其能力远未达到人类水平 [22] 构建世界模型的技术框架 - 世界模型必须能生成遵循物理定律且在几何和动态上保持一致的世界 [27] - 模型需处理多模态输入，如图像、视频、文本指令和动作，并预测完整的世界状态 [29] - 当给定动作或目标时，模型应能输出与之协调的世界下一个状态 [30] - 技术挑战包括定义新的通用训练任务函数、利用互联网规模的数据以及开发新的模型架构 [32][33][34] 当前进展与案例 - World Labs已开发出名为Marble的平台，能通过多模态提示生成并维持一致的三维环境 [37][40] - 该平台展示了实时生成性帧基模型等创新架构，旨在实现高效生成和空间持久性 [35][37] 应用领域与前景 创意产业 - 空间智能将变革故事叙述和设计，使创作者能快速构建可探索的三维世界，不受预算或地理限制 [40][42] - 应用包括为电影、游戏、建筑和工业设计提供新的叙事维度和沉浸式体验 [42][43] 机器人技术 - 世界模型将通过模拟数据弥合训练差距，规模化机器人学习，以理解、导航和互动物理世界 [44] - 未来机器人可作为人类协作者，在实验室或家庭等场景中扩展劳动力，但需与人类目标对齐 [45] 科学、医疗与教育 - 在科学研究中，空间智能可模拟实验、测试假设并探索人类无法触及的环境 [48] - 医疗健康领域有望通过分子相互作用建模和医学影像分析加速药物发现与诊断 [48] - 教育将受益于沉浸式学习体验，使抽象概念触手可及，并支持安全的技能练习 [49]

来源 | 李飞飞最新长文：AI的下一个十年——构建真正具备空间智能的机器 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 本文只做学术分享，如有侵权，联系删文 就在昨晚，关于其投身的空间智能，斯坦福大学教授李飞飞发表了一篇长篇博客《From Words to Worlds: Spatial Intelligence is AI's Next Frontier》。 在文中，李飞飞详细解读了「 空间智能究竟是什么？它为什么重要？我们如何构建它？我们又如何使用它？ 」她同时阐述了真正的空间智能世界模型必须实现的 核心框架： 构建具有故事讲述者想象力的 AI、具备第一响应者流畅性的 AI 以及以科学精确性进行空间推理 。 1950 年，当计算机还只是自动化的算术和简单逻辑时，艾伦・图灵提出了一个至今仍余音不绝的问题：机器能思考吗？他拥有非凡的想象力，看到了一个超越时代 的可能 —— 智能或许可以被「构建」，而非「诞生」。这一洞见开启了一个持久而伟大的科学征程 —— 人工智能（AI）。在我投身人工智能研究二十五年后 ...

文章核心观点 - AI发展的下一个关键前沿是“空间智能”，旨在解决当前AI（尤其是大语言模型）缺乏对物理世界常识和空间规律理解的根本缺陷 [1][4][12] - 空间智能被定义为连接感知、想象和行动的终极能力，是推动AI实现下一次巨大飞跃并迈向通用人工智能（AGI）的关键 [3][4][14] - 实现空间智能需要构建超越现有范式的“世界模型”，该模型需具备生成性、多模态和交互性三大核心能力 [14][15][16][17] 当前AI的局限性 - 当前AI被比喻为“黑暗中的文字匠”，虽掌握海量抽象知识，但对物体形状、力学作用、空间导航等物理世界常识几乎一无所知 [1][12] - 顶尖多模态模型在估算距离、方向、尺寸或进行物体“心理旋转”时表现接近随机猜测，无法预测基础物理现象，导致生成视频在数秒后失去连贯性 [12] - 这种缺陷严重限制了自主机器人、沉浸式元宇宙体验等应用的发展，使其仍处于早期概念或雏形阶段 [1][8] 空间智能的定义与重要性 - 空间智能是人类认知的基石，支撑着从日常动作（如停车、接钥匙）到专业活动（如消防员救援、科学家发现DNA结构）的一切空间互动 [9][10][11] - 它是想象与创造的根基，从史前岩画到现代工业设计、数字孪生和机器人训练，都依赖于基于空间的想象力 [10] - 对AI而言，空间智能意味着超越语言界限，通过想象、推理、创造与互动来理解世界，而不仅仅是描述世界 [13] 实现空间智能的技术路径 - 核心是构建“世界模型”，这类新型生成模型需能理解、推理、生成及与语义-物理-几何-动态复合的虚实世界互动 [14] - 模型需具备三大能力：1）生成性：创造符合几何与物理规律的虚拟空间 [15]；2）多模态：处理图像、视频、文本、手势等多样输入 [16]；3）交互性：基于行动推演世界状态，并能推导达成目标的行动序列 [17] - 面临的关键技术挑战包括：定义新型通用训练目标函数、获取并处理大规模多模态训练数据、开发能处理三维/四维信息的新型模型架构 [18][19] 空间智能的应用前景 - 在创意产业，如World Labs的Marble平台，可使电影制作人、游戏设计师快速创建可探索的3D世界，降低传统3D设计成本，开启新维度的叙事与沉浸式体验 [20][22][23] - 在机器人技术领域，世界模型能通过模拟数据缩小模拟与现实差距，训练机器人具备感知、推理、规划和行动能力，应用于实验室辅助、家庭护理等场景 [24][25] - 长远来看，空间智能将深刻影响科学（模拟实验、加速材料研究）、医疗保健（药物发现、医学影像诊断）和教育（沉浸式学习、技能培训）等领域 [26][27] 行业影响与未来展望 - 空间智能被视为AI未来十年的决定性课题，其发展需要整个AI生态系统（研究人员、创新者、企业、政策制定者）的共同参与 [21] - 该技术旨在增强人类能力而非取代人类，目标是提升创造力、加速发现并放大人类关怀，同时尊重人类的判断力、创造力和同理心 [21][27] - 公司如World Labs已展示初步成果（如Marble模型），但完全释放空间智能潜力仍面临严峻挑战，是未来十年的核心研发方向 [20][28]

文章核心观点 - 当前人工智能的发展范式存在核心局限，过度依赖语言模型而缺乏对物理世界的理解，行业需要从“语言智能”向“空间智能”进行根本性的范式转换 [5][6][15] - 空间智能是人工智能的新疆界，其目标是构建能够理解、推理并与语义、几何、物理和动态上都极为复杂的真实或虚拟世界互动的“世界模型” [6][16][21] - 李飞飞及其创立的World Labs公司正致力于构建世界模型，其首个产品Marble已能通过多模态输入生成并维持一致的三维环境，为创意、机器人、科学发现等领域带来变革 [6][22][24][26] 空间智能的定义与重要性 - 空间智能是人类认知的脚手架，驱动着推理、规划以及与物理世界的互动，是想象力和创造力的基础 [10][12][13] - 当前最先进的多模态大语言模型在空间感知能力上存在根本性局限，其表现往往不比随机猜测好多少，无法有效估算距离、方向、尺寸或预测基本物理现象 [14][15] - 空间智能将连接想象、感知与行动，为机器在医疗健康、创意表达、科学发现和日常辅助等领域真正改善人类生活开辟可能 [15][24][29] 世界模型的技术框架与原则 - 构建具备空间智能的人工智能需要世界模型，其能力远非当今的大语言模型所能及，该领域尚处萌芽阶段，是未来十年最具决定性的挑战 [16][21] - 世界模型需具备三大基本能力：生成性（生成具有感知、几何和物理一致性的世界）、多模态（处理多种形式的输入）、交互性（能根据输入的动作输出下一个状态） [17][19][20] - 实现世界模型面临巨大技术障碍，包括需要定义通用的训练任务函数、利用互联网规模的图像视频数据作为训练材料、以及开发超越当前范式的新模型架构 [23] 空间智能的应用前景 - 在创造力领域，World Labs的Marble平台将为电影制作人、游戏设计师等提供前所未有的空间能力和编辑可控性，快速创建可完全探索的三维世界 [22][26][27] - 在机器人技术领域，世界模型将通过提供模拟数据和训练环境，规模化机器人学习，使其成为能在各种场景下协助人类的伙伴与协作者 [24][28][32] - 在更长远的未来，空间智能将深远影响科学、医疗和教育领域，例如加速药物发现、增强医学影像诊断、以及实现沉浸式学习等 [29][30]