李飞飞：为什么需要“世界模型”？

如果把过去十几年的人工智能发展浓缩成一条主线，你会发现一个特别有意思的变化：

AI最初是在“识别世界”，后来开始“生成内容”，再后来开始“理解和推理”，而现在，它正在尝试真正进入世界。

过去几年，ChatGPT、Claude、Gemini等大语言模型（LLM）让我们第一次强烈感受到机器处理知识和语言的能力。它们可以写文章、编代码、回答问题、总结文档，甚至进行复杂推理。

但问题也越来越明显——语言并不是世界本身。

我们生活在一个三维的、动态的、遵循物理规律的世界里。一个机器人要拿起桌上的杯子，并不只是需要知道“杯子”这个词是什么意思；它还需要知道杯子在哪里、它有多大、从什么角度可以抓住、手伸过去会发生什么，以及抓住以后如何移动它。

这正是近年来“世界模型（World Model）”受到越来越多关注的原因。

而在这个方向上，斯坦福大学教授、ImageNet的主要推动者之一李飞飞（Fei-Fei Li）给出了非常系统的一套思考：AI下一阶段的重要问题，不只是让机器更懂语言，而是让机器获得“空间智能（Spatial Intelligence）”。而世界模型，是实现空间智能的重要基础。