它能告诉你十种喝水的正确姿势，但让它倒一杯水就傻眼了。它能生成漂亮的房间效果图，却不知道门应该怎么开。它能模拟医生跟你问诊，但真让它扶个老人过马路，根本做不到。说白了，现在的AI只会说不会做，就像个只读过书没干过活的书呆子。
很多人以为语言是智能的基础，但事实正好相反。你看小孩子，还不会说话的时候就已经会抓东西、扔东西、摸来摸去了。这些动作看起来简单，其实是在学习空间规则。
我们每天做的事情，停车要判断车轮和马路牙子的距离，接钥匙要估算飞过来的速度和轨迹，倒水不看杯子也能倒准，这些全靠对空间的理解。这些能力对人来说太自然了，根本不用想就能做到，但背后涉及的计算其实很复杂。
人类历史上那些重大发现，很多都是靠空间理解得来的。古希腊的埃拉托色尼看太阳影子的角度，算出了地球周长。沃森和克里克摆弄铁丝模型，摸索出了DNA的双螺旋结构。这些发现不是算出来的，是看出来、摆出来的。
12月初，科技日报报道了一个机器人实验室的情况。研究人员让机器人学习抓取不同形状的物体，传统方法是给机器人编程，告诉它每种物体该怎么抓。
但遇到新物体就不行了。后来他们改用空间智能的方法，让机器人通过观察物体的三维形状，自己判断抓取点。虽然还在实验阶段，但这个思路跟人类婴儿学抓东西是一样的。
机器人也是一样。工厂里的机器人看起来很厉害，能装配零件，能搬运货物。但那都是在高度定制的环境里，轨道是固定的，参数是预设的，全靠脚本控制。换个环境就不行了。它们不会像人一样随机应变，不会理解物体之间的关系。
人民网11月底报道过一个案例。某物流公司引进了一批智能分拣机器人，在测试环境里表现完美，但到了实际仓库就问题不断。因为实际环境里包裹大小不一，摆放位置也不规则，机器人经常识别不出来该怎么抓。技术人员说，这些机器人只学会了"看图抓货"，没学会"理解空间"。
李飞飞说得很直接，这些AI没有"住在世界里"，只是"读了关于世界的说明书"。要让它们真正有用，必须让它们学会参与世界，而不只是描述世界。
李飞飞提出的解决方案叫"世界模型"，这不是普通的多模态大模型，而是能生成一个完整的、可以持续存在、可以交互的世界。传统大模型训练的是"下一句话"，世界模型训练的是"下一帧世界状态"。
再比如你说"把水壶拿给我"，普通AI理解的是这句话的意思。世界模型理解的是你和水壶之间的空间关系，它要规划路径，避开障碍物，判断怎么抓取，怎么递给你。这不是语言理解，而是空间推理和行为预测。
新华社12月中旬报道了建筑设计领域的一个应用。某建筑公司用AI生成了一个虚拟建筑模型，设计师可以直接"走进去"体验空间感，发现原来图纸上看不出来的问题。比如走廊太窄，采光不好，动线不合理。这种沉浸式体验让设计质量提高了不少。
这就是世界模型的价值，它把AI从"会讲故事"变成了"能创造世界"。
热门跟贴