刚刚，李飞飞指出了AI被忽视的关键缺陷------AI仍然是个"黑暗中的文字匠"。
在科技巨头纷纷宣称即将实现通用人工智能的喧嚣中，李飞飞用万字长文定义了AI未来十年。昨晚，斯坦福大学教授、AI领军人物李飞飞发表了题为《从文字到世界：空间智能是AI的下一个前沿》的长文。
李飞飞认为，要让AI实现更长远的目标，即真正实现AGI，空间智能至关重要，这也是该文章的核心观点。
她在文章中明确指出现有大语言模型的根本局限：它们本质上是"黑暗中的文字匠"，能言善辩却无实际经验，知识渊博但缺乏现实根基。这一判断直接挑战了当前仅通过扩展参数和数据就能实现AGI的主流观点。
空间智能，即人类理解、导航并与三维世界交互的底层能力，正是当前AI系统最缺乏的核心要素。
作为人类，我们可以轻松地接住抛来的钥匙、在拥挤人行道穿行而不碰撞，或是半睡半醒间准确将咖啡倒入杯中。然而，就是这些我们习以为常的物理交互，成为了机器难以企及的空间智能。
这种能力的缺失使得AI在与物理世界交互时显得极其笨拙。李飞飞指出，最先进的多模态大语言模型在估算距离、方向、大小等任务上，表现往往不比随机猜测好多少。它们无法进行"心智旋转"物体，不能导航迷宫识别捷径，也难以预测基本的物理规律。
空间智能的双重挑战：数据与算法
实际上，关于空间智能的研究并不算少，但其发展缓慢的背后，是远比文本处理复杂的数据与算法挑战。这也是为什么语言模型发展如此迅速，而世界模型似乎难以实现更大的突破。
这或许也是AGI短期难以实现的核心障碍。
互联网为AI训练提供了海量文本数据，但适合训练空间智能的三维空间数据却极为稀缺。人类通过"感知-行动"循环来学习世界，而当前的AI缺乏这种与环境的持续互动能力。
谷歌DeepMind首席执行官Demis Hassabis曾在一档播客节目中指出，缺乏一致性是AGI至今无法实现的关键因素。这种一致性在空间智能中体现为感知、几何与物理规则的一致性，而当前AI生成的视频往往在几秒钟后就失去连贯性。
李飞飞提出，实现空间智能需要构建全新的"世界模型"，这种模型必须具备三大核心能力：
1.生成性，能创造遵守物理定律、空间一致的世界；
2.多模态，能处理从图像、视频到动作的多模态输入；
3.交互性，能预测世界随时间演变或互动的状态。
具身智能：从感知到行动的关键路径
作为当下的热门领域，具身智能是否能为空间智能提供突破点？李飞飞的观点暗示了肯定的答案。
她在文章中提到，自主机器人的愿景依然诱人却遥远。这并非技术悲观主义，而是对现实挑战的清醒认知。当前的机器人只能在高度受限的环境中执行简单操作，远未达到在复杂现实场景中自主行动的水平。
真正的突破可能来自于将计算机视觉与机器人学习相结合的研究路径。李飞飞在斯坦福的实验室过去十年一直致力于此。这种结合创建了从感知到行动的闭环，是实现空间智能的关键步骤。
具身智能的意义在于为AI提供了学习物理规则的"身体"。就像婴儿通过玩耍与环境互动来认识世界一样，具身智能体可以通过与环境的互动获得对物理世界的直观理解。
通往AGI的技术路径：世界模型的三大突破
实现AGI需要在世界模型的技术架构上取得根本性突破。
生成性世界模型需要解决物理一致性问题。当前AI生成的视频虽然令人惊艳，但常常违反物理规律。李飞飞认为，世界模型必须能够生成无穷无尽、多种多样的模拟世界，这些世界在几何、物理和动态上保持一致。
多模态处理需要超越简单的文本-图像对应。理想的世界模型应该能处理各种形式的输入------图像、视频、深度图、文本指令、手势或动作，并预测或生成尽可能完整的世界状态。
交互性是实现真正智能的关键。李飞飞强调，世界模型必须能够根据输入的操作预测世界的演变。这种能力将使AI不再是被动的信息处理器，而是能够主动与环境互动的智能体。
AI下一个十年：从语言到世界
李飞飞的文章描绘了AI发展的范式转变：从追求更大的语言模型转向构建更理解物理世界的智能体。
这一转变的意义不亚于从专家系统到深度学习的转变。它要求我们重新思考AI的发展方向：不再仅仅满足于处理抽象知识，而是要创建能够理解并与物理世界交互的系统。
实现这一目标需要跨学科的努力。正如李飞飞创建的World Labs所展示的，计算机视觉、机器人学、认知科学等领域的深度融合将是关键。
李飞飞的长文或许为我们提供了清醒的认识：AGI不会在短期内实现，因为我们还没有解决最基础的空间智能问题。
但是通过专注于世界模型的构建，通过跨学科的深入合作，我们可能最终会迈向真正智能的系统。
大家怎么看？欢迎交流讨论~