夜雨聆风一段五分钟出头的视频剪辑，最近在X上被反复截成要点转发。画面里，斯坦福教授、World Labs联合创始人兼CEO李飞飞坐在Bloomberg Tech 2026的演播室里，语气平静地说出一句足以让整个AI行业坐立不安的话，
"LLM understand words, but world models aim to understand the 3D physical world."
「大语言模型理解的是词，世界模型要理解的，是三维的物理世界。」
这条转述帖来自科技资讯账号@SciTechera，采集时已经收获约1.8万次浏览。帖子把李飞飞与主持人Emily Chang长达数十分钟的对谈，压缩成七条要点，条条扎向AI圈最敏感的神经：教育要被重塑、人形机器人的融资远远不够、她拒绝使用"AGI"这个词、以及最惹眼的一条，聊天机器人的巅峰期，可能已经过去了。
五亿年的进化故事，十亿美元的选择
面对"大家都在拼命做大语言模型，你却融了约十亿美元去做大世界模型"的提问，李飞飞没有讲产品路线图，而是讲了一个更大的故事：
"The case for us is a 500 million year story ， that animal intelligence starts with seeing and moving in the physical world."
「我们的理由，是一个五亿年的故事，动物智能，始于在物理世界里看见与移动。」
她说，生命先学会感知与行动，才拥有后来的语言与文明。人类工作与生活里的大部分内容，包括创作里想象出来的世界，说到底是对物理世界的感知、推理与互动。所以World Labs把全部精力压向"空间智能"（Spatial Intelligence），选择的路径，叫世界模型（World Model）。
▲ SciTechera整理转发的视频摘要，中英对照要点列表，采集时约1.8万次浏览。
"世界模型"被用烂了？她给出三分法
"世界模型"这个词，这两年被用得有点泛滥，好看却不物理的火焰视频、能瞎编剧情的语言互动游戏、严格到每一帧都算力学的仿真系统，都被扣上同一个名字。李飞飞在Bloomberg现场给出了自己的分类：
- 渲染器（Renderer）
：把好看的像素铺在屏幕上，服务的是人的眼球，不承诺物理和几何精确 - 规划器（Planner）
：服务机器和机器人，根据当前状态，给出下一步动作 - 模拟器（Simulator）
：三者的关键枢纽，同时服务人和机器，尊重结构、物理与动态
她说：
"The third kind, which I think is the linchpin of the three, is a simulator."
「第三种，我认为是三者的关键枢纽，是模拟器。」
World Labs主攻的，正是这条最难啃的模拟层。a16z把这段判断转发放大，播放量超过11万。
▲ a16z官方账号转发李飞飞对渲染器/规划器/模拟器的三分论述，播放量11万+。
社区里的反应也不统一。有人说模拟器把世界模型从"生成看起来合理的画面"推到了"推理接下来会发生什么"，这是视觉玩具和真智能层之间的分界线。也有人反问：没有足够精准的物理引擎，这套分类会不会只是又一轮风投PPT式的重新命名？
六十亿美元的人形机器人，钱还不够
Emily Chang抛出一个尖锐的对比：人形机器人赛道已经砸进约60亿美元融资，可现实里，让一台机器人利落地把碗放进洗碗机，依然是个难题。
李飞飞的回答没有回避：
"$6 billion is too small."
「六十亿美元，太少了。」
机器人学，在她看来会是人类工业化进程里最重要的革命之一。对照自动驾驶和语言模型砸下的真金白银，六十亿美元的规模称不上夸张，行业需要的是有想法的投入，而不只是炒作的热度。解锁世界建模与模拟层，正是这场投入里最关键的一环。
教育要重新洗牌，AGI这个词她懒得聊
访谈里，李飞飞花了不少篇幅讲教育。
"AI must change learning. AI must change K-to-16 learning… one of the biggest opportunities for humanity in the next decade."
「AI必须改变学习方式，必须改变从幼儿园到高中的教育，这是人类在未来十年里最大的机遇之一。」
理由并不复杂，当AI已经在标准化考试、乃至国际数学奥赛这类测评上超过"平均水平的人类"，继续用旧尺子衡量学生，只会制造大量挫败感和无效的努力。她真正想说的：让孩子少一些对AI的恐惧，多学会怎么用这些工具去做过去做不到的事，同时保有驾驭AI的主体性。
被问到"AGI"这个词，她的态度很干脆：
"I don't engage with the term AGI…"
「我不纠缠"AGI"这个词……」
她说，AI学科的奠基者梦想的是"能思考、能行动的机器"；她把科学探索和真正改善人们生活的产品绑在一起，医疗、教育、创意、照护。别人管这叫AGI也好，叫别的名字也好，她在意的是实际影响。
被问到"希望今年交付一样明年还会被讨论的东西"时，她给出的答案更像一份愿望清单：
"I hope that we will be shipping a model of spatial intelligence that will inspire incredibly exciting product opportunities that people haven't seen before."
「我希望我们能交付一个空间智能模型，激发人们从未见过的、令人振奋的产品机会。」
半年前的理论底稿："黑暗中的文案高手"
Bloomberg现场的判断，早在半年多前就有过更完整的铺垫。2025年11月，李飞飞在自己的Substack上发表长文《From Words to Worlds》，把大语言模型的成就与局限，画进同一幅画面：
"Large language models … remain wordsmiths in the dark; eloquent but inexperienced, knowledgeable but ungrounded."
「大语言模型……依然是黑暗中的文案高手，能言善道却缺乏经验，知识丰富却根基不牢。」
▲ 李飞飞本人账号发布长文时的金句卡片，"wordsmiths in the dark"段落。
这句话后来被反复引用，原因不难理解：它精准地刺破了聊天机器人时代的滤镜。她举的例子极其日常，倒车时估计车距、伸手接住抛来的钥匙、在拥挤的人群里穿行、不看杯子也能把咖啡倒进去。这些能力，人类靠的是空间智能，跟语言关系不大。
消防员在浓烟弥漫、随时可能坍塌的建筑里，靠肢体姿态和共享的专业直觉协作；孩童在牙牙学语之前，就已经通过玩耍构建起对世界的模型。埃拉托色尼用影子的几何测出地球周长；沃森与克里克靠一个三维分子模型，才"看见"DNA双螺旋的结构。她的结论是：
"Spatial Intelligence is the scaffolding upon which our cognition is built."
「空间智能，是我们认知得以建立的脚手架。」
三层理解：为什么"会说话"还差一截
把这套判断讲给完全不懂AI的人听，可以拆成三层。
第一层，大白话：聊天机器人很会说话，但还搞不懂一个房间里东西怎么摆、怎么动。第二层，类比：它像一名读过一万本驾驶手册、却从没上过路的考生，理论满分，方向盘一转就露怯。第三层，机制：世界模型需要在内部维持一份几何和物理都自洽的世界状态，并对每一个动作做前向推演；渲染只是这份状态投射出的一种画面，规划则是另一种投射。
为了达成这一点，李飞飞在长文里给出了三个必要条件，生成性（能生成语义、几何、物理、动态都一致的世界，当下状态要接得上历史状态）、多模态（图像、视频、深度信息、文本、手势、动作，拼出尽量完整的世界状态）、交互性（给定一个动作或目标，能推算出下一个世界状态，更强的模型甚至能建议下一步该做什么）。
她也承认，这次的挑战比过去任何一次AI议题都大，世界要服从重力、光学、动力学，维度远远高于一串一维的文字符号。给幼儿看一段办公室巡视视频，问他数了几把椅子，孩子靠空间记忆基本能答对；今天最顶尖的多模态模型，却常常在这类任务上栽跟头，根源在于它欠缺稳定的三维场景表征：椅子被遮挡后再露面，身份可能对不上；镜头一转，计数就乱了，跟是否认得"椅子"两个字，关系不大。
World Labs和它的产品Marble
李飞飞和Justin Johnson、Christoph Lassner、Ben Mildenhall在2024年联合创立World Labs，官网上写着：
"World Labs is a leading spatial intelligence company, building frontier models that can perceive, generate, reason, and interact with the 3D world."
「World Labs是一家领先的空间智能公司，构建能够感知、生成、推理并与三维世界互动的前沿模型。」
公司拿到过两轮公开报道的融资，2024年前后约2.3亿美元起步，2026年初再拿到约10亿美元，专门用来推进空间智能的研究。产品线的核心叫Marble：输入文本、图片、视频甚至360度全景，就能生成一个空间一致、可以走进去、可以编辑的三维世界，还能同时导出高斯溅射（用于视觉浏览的Gaussian Splats）和碰撞网格（能接入物理引擎的collision meshes），渲染器和模拟器之间的边界，被有意打通。
▲ World Labs官网首页，导航栏包含Marble Labs、Spark、Create with Marble等产品入口。
2026年6月的官方博客里，她把这套判断落成了文字：语言模型学的是文本的统计结构，世界模型学的，是空间与时间的统计结构，光照怎么变化、没拍到的角度长什么样、物体受力之后如何响应。
质疑的声音：理解，还是更精巧的模拟？
认同的声音之外，也有人反问。账号@_DaCon在评论区留下一个很尖锐的类比：地图终究不等于地形。模型或许只是在模拟理解，而非真的理解，这中间的距离，可能比想象中更远。也有人提醒：没有足够精确的物理引擎，这套三分法终究只是又一轮换了包装的概念游戏；高质量的三维和动作数据本就稀缺，研究成本高得吓人。
评论区里还流传更广的一个判断，来自Evan Kirstel：如果李飞飞的判断成立，聊天机器人的时代，可能只是一场热身。
▲ 网友@_DaCon对"理解"与"模拟"边界提出质疑，评论获得关注。
这种张力，恰恰是这场讨论最有意思的地方，她自己也承认，通用的训练目标还没找到像"预测下一个词"那样优雅的答案；架构上，不能把三维世界简单地压进一维或二维的序列里；连她本人也用自动驾驶二十年的落地周期提醒同行：方向找对了，路程未必会短。
从看见物体，到走进世界
李飞飞被公众记住，很大程度上是因为ImageNet，那套让深度学习在视觉识别上真正起飞的大规模数据集与基准。往后，她在斯坦福把计算机视觉和机器人学习结合起来做研究；现在，她想让模型不止"看懂"一张图片里有什么，而是生成一个可以走进去、可以互动的三维环境。
这条职业轨迹，更像一条延续了二十多年的直线，从让机器认出"椅子"这个标签，到让机器真正走进摆着椅子的房间。
有一个细节，常被中文报道引用：李飞飞曾经因为角膜受伤，暂时失去立体视觉。哪怕她清楚记得自己车身的尺寸，也很难判断和路边车辆之间的距离，只能极低速地挪动。这段经历后来成了她解释"三维不可替代"最有力的注脚，二维图像理解得再强，一旦丧失深度和空间关系，日常最基本的行动能力，也会立刻掉线。
尾声：五亿年，压进几年的研究里
五亿年前，视觉与运动让生命卷进了更激烈的演化竞争。几十年前，图灵那个著名的问题，把"机器能思考吗"钉进了计算机科学的起点。过去几年，一块聊天窗口，让上亿普通人第一次摸到了AI的门槛。李飞飞现在指向的，是排在这些之后的又一步：当机器真正开始在人类共享的三维世界里行动，关于智能的讨论，才算从纸面落地。
它会改变产品长什么样，也会改变人类衡量"进步"的尺子：从数模型多能说、能考多高的分，转向它能不能更安全、更有创造力地，和这个物理世界相处下去。
