过去几年，AI 最热闹的战场一直在语言里。

它能写诗、写代码、写商业计划书，也能陪人聊天、总结论文、生成图片和视频。我们一度以为，智能的终点也许就是一张巨大的语言之网：万物皆可被描述，世界终将被文字驯服。

但李飞飞给出了另一个方向。

她认为，AI 的下一站不只是更会说话，而是要真正理解世界。不是理解“桌子”这个词，而是理解桌子的高度、材质、遮挡关系、受力方式；不是生成一段关于房间的描述，而是生成一个可以走进去、转身、观察、编辑、互动的空间。

这就是她所说的世界模型，也是 World Labs 正在押注的方向。

一、从 ImageNet 到 World Labs，李飞飞一直在问同一个问题

理解李飞飞的世界模型，不能只看今天的 3D 生成产品。

她真正关心的问题，其实从 ImageNet 时代就开始了：机器如何看见世界？

ImageNet 曾经推动了现代计算机视觉的爆发。它让机器从大量标注图像中学习物体、场景和视觉模式。某种意义上，它教会机器“认出”世界：这是猫，这是车，这是椅子，这是街道。

但认出，不等于理解。

一个模型可以识别“椅子”，却未必知道椅子能坐、会挡路、从侧面看是什么样，被推倒后会发生什么。它可以描述厨房里有柜子、桌子、灯光，却未必能在脑中维持一个稳定的三维空间。

这就像一个人背熟了地图上的地名，却从未真正走进城市。他知道“左边有一条街”，但不知道转角后的风、台阶的高度、店铺之间的距离。

所以，李飞飞这一次把问题推进了一层：机器不仅要看见世界，还要在内部建立一个可推演的世界。

二、什么是世界模型？不是视频生成，而是“脑内宇宙”

很多人听到“世界模型”，第一反应会把它理解成更高级的视频生成：输入一句话，生成一个更真实、更连贯、更长的视频。

这只说对了一小部分。

真正的世界模型，不只是画面漂亮，而是要理解空间、时间、物理和行动之间的关系。

比如，你给 AI 一张房间照片。普通图像模型看到的是二维像素，世界模型要推断的是：这间房有多深？墙后是什么？桌子挡住的地方可能有什么？从门口走到窗边会经过哪些路径？灯光从哪里来？物体之间是否符合真实比例？当人推开椅子，椅子会如何移动？

换句话说，世界模型要学的不是“像素如何排列”，而是“世界如何运行”。

它既要能生成世界，也要能模拟世界，还要能帮助智能体在世界中做出行动。这就是它与语言模型最大的不同。

语言模型擅长处理符号。世界模型必须处理空间。

语言模型擅长预测下一个词。世界模型要预测下一个状态。

语言模型像一位博学的讲述者。世界模型更像一座可进入、可触碰、可试错的数字沙盘。

三、为什么大语言模型还不够？

今天的大语言模型已经非常强大，但它们仍然有一个根本短板：它们主要生活在文字和符号里。

它们可以告诉你“杯子在桌子上”，但这句话背后的空间关系、物理稳定性、视角变化、动作后果，并不是语言本身能完整承载的。

人类理解世界，并不是从文字开始的。

婴儿还不会说话时，就已经知道物体会掉落、障碍要绕开、东西藏起来后仍然存在。我们倒水、停车、接钥匙、穿过人群，靠的不是一句句语言推理，而是一种深层的空间直觉。

李飞飞把这种能力称为“空间智能”。

空间智能是人类智能的底座之一。它连接感知、想象、推理和行动。没有空间智能，AI 可以很会回答问题，却很难真正进入物理世界。

这也是为什么机器人迟迟没有像聊天机器人那样爆发。现实世界太复杂了。一个家庭厨房里有形状不同的杯子、湿滑的台面、会移动的人、遮挡的视角、不可预测的小狗。对人类来说，这些是生活常识；对机器来说，这是一个满地机关的迷宫。

世界模型的意义，就是给 AI 一个能在内部“预演世界”的能力。

四、Marble：从“生成图片”到“生成空间”

World Labs 的第一个产品 Marble，可以被看作李飞飞世界模型路线的一次产品化尝试。

它不是简单生成一张图片，而是尝试从文本、图像、视频等输入中生成一个空间一致、可以探索、可以编辑的 3D 世界。

这件事听起来像魔法，但背后的技术追求非常朴素：让 AI 不再只生成一个角度的视觉幻觉，而是生成一个在不同视角下仍然稳定的空间。

过去的很多生成式 AI 像舞台布景，正面看很惊艳，绕到背后就露馅。世界模型要做的，是让布景变成建筑，让画面变成场所。

这也是 Marble 最值得注意的地方：它把 AI 创作从“出图”推向“造境”。

对创作者来说，这意味着一个新工作流正在出现。

过去，导演要搭景，游戏设计师要建模，建筑师要反复渲染，教育者要制作复杂的交互场景。未来，一个想法可能先变成一段文字，再变成一间房、一条街、一座城市、一整个可以漫游和修改的世界。

AI 不再只是帮你写故事，而是帮你搭出故事发生的宇宙。

五、世界模型真正改变的，是“想象力的工业流程”

世界模型最先落地的领域，很可能不是机器人，而是内容创作和空间设计。

原因很简单：创意行业对“可视化”和“快速迭代”的需求极高，同时对物理精度的容错也更大。

电影、美术、游戏、建筑、展陈、广告、教育，都可能被这种能力重塑。

一位导演可以快速生成不同风格的场景，测试镜头走位；一个游戏团队可以在早期就探索世界观空间；建筑师可以让客户提前走进尚未建成的空间；老师可以把细胞、古城、天体运动变成学生能进入的课堂。

这不是把创作者替换掉，而是把创作者从繁琐的前期搭建中解放出来。

过去，想象力要穿过软件、预算、团队、工期组成的重重关卡。世界模型让想象力获得一条更短的通道。

它像一台造梦的脚手架机器：不替你决定梦的意义，但能更快搭起梦的骨架。

六、更远处，是机器人和现实世界

当然，李飞飞关注世界模型，不只是为了让人类更快做 3D 场景。

更大的野心在机器人。

机器人要真正进入家庭、医院、工厂、实验室，不能只靠语言指令。它必须理解空间，理解物体，理解动作会改变什么。

比如，一个护理机器人要给老人倒水。它不仅要听懂“倒杯水”，还要知道杯子在哪里，水壶有多重，桌面是否稳定，人的手在什么位置，倒多少不会溢出，老人伸手时应该如何避让。

这不是一句话能解决的问题。这需要一个持续更新的世界模型：看见当前状态，预测下一状态，选择下一步行动。

在这个意义上，世界模型是通往具身智能的一座桥。

没有它，机器人只是把语言模型装进机器壳里。看起来聪明，动起来笨拙。

有了它，机器人才可能从“听懂命令”走向“理解处境”。

七、难点也很硬：世界比语言更倔强

不过，世界模型不是把大语言模型放大就能得到的东西。

语言是线性的，一个词接着一个词。世界是多维的，有空间、时间、材质、光照、重力、遮挡、动力学、因果关系。文字可以模糊，物理世界不太讲情面。

一个句子写错了，读者可以脑补。一个机器人抓错了杯子，杯子会碎。

这也是世界模型最难的地方：它既要有生成模型的想象力，又要有模拟器的可靠性，还要有规划器的行动能力。

漂亮不够，必须一致。

逼真不够，必须可计算。

能看不够，还要能做。

这也是为什么李飞飞把它称为未来十年的关键挑战。世界模型不是一个小功能，而是一整套 AI 范式的迁移：从语言中心，走向空间中心；从内容生成，走向环境生成；从回答问题，走向理解处境。

八、AI 的下一次跃迁，可能发生在“空间”里

过去十年，AI 的主线是识别和生成。

机器学会识别图片里的物体，学会生成文字、图像、声音和视频。但这些能力大多还停留在屏幕表面。

李飞飞的世界模型路线，试图让 AI 穿过屏幕，进入空间。

这可能会带来一个新的转折：AI 不再只是信息工具，而成为世界构建工具。

它可以为人类生成训练环境、创作场景、设计空间、科学模拟，也可以成为机器人理解现实的内部引擎。

当然，现在的世界模型仍处在早期。它还远没有达到真正理解现实世界的程度，也无法马上解决通用机器人的所有问题。但方向已经出现：AI 的竞争，正在从“谁更会说”转向“谁更懂世界”。

语言让机器进入了人类知识的大厅。

视觉让机器看见了大厅里的物体。

而世界模型，试图让机器知道自己站在哪里、能走向哪里、碰到什么会发生什么。

这听起来像一件很遥远的事，但它也许正是 AI 从工具变成伙伴的关键一步。

未来的 AI，不仅会回答“世界是什么”。

它还会生成一个世界，推演一个世界，并在这个世界里，和我们一起行动。