大模型会写诗写代码，却不会倒水开门。李飞飞万字长文指出：AI真正的下一站，不是语言智能，而是空间智能——理解世界、预测变化、参与行动，才是真正的智能革命。编辑：前沿在线 编辑部
为什么我们在讨论“空间智能”？
过去几年，大模型的快速演化让我们习惯了一个“说得越来越像人”的AI世界。它能写文案、能画图、能编代码、能演讲、能陪聊，仿佛进入了智能的黄金时代。
但当我们真正问自己一个问题：“这些AI，能走进现实世界吗？”答案依然是——还远着呢。
它能写出十种喝水的方式，却倒不好一杯水。它能生成极美的卧室图，却连“开门进房间”的物理结构都不理解。它能模拟医生问诊，却不会扶老人过马路。
这并不是AI不够聪明，而是它的“聪明”停留在一种语言层面：理解句子、预测词语、生成符号。这种“认知智能”，其实是一种“屏幕里的智能”。
李飞飞这篇万字长文中反复强调一点：AI 革命走到了一个被语言“封印”的天花板上。
现在的 AI，看起来能言善道，但实际上像“黑暗中的文豪”，对世界毫无经验。她直言：“AI 只会描述世界，但它不会生活在世界里。”
而要让 AI 真正走进物理世界，具备“行动力”，空间智能（Spatial Intelligence）就是我们必须跨过的下一个台阶。
人类智能的起点：不是语言，而是空间
我们通常以为，语言是人类智能的起点。
但李飞飞提醒我们，事实刚好相反。一个婴儿在学会说话之前，就已经会做很多事了：抓玩具、摸轮廓、扔东西、摔东西，甚至盯着水滴滚落发呆。
表面上看，这只是好奇心，实际上，这是空间智能在生长——通过观察与试错，婴儿在“身体力行”地理解世界的规则。
空间智能，不是用来说话的，而是用来活着的。
在日常生活中，我们每一项动作，几乎都建立在对空间的直觉理解上：停车靠边，要判断轮胎与马路牙子的距离；接住飞来的钥匙，需要估算速度与轨迹；
不看杯子倒水，依赖的是对物体形状和位置的记忆。这些事情我们做得毫不费力，但背后都涉及复杂的空间计算。
更重要的是，人类文明的重大跃迁，往往就靠这类“空间感”触发灵感。古希腊的埃拉托色尼通过观察太阳影子的角度，测出了地球的圆周；
18世纪的哈格里夫斯将多个纺锤并列排布，创造出纺织效率提升八倍的“珍妮纺织机”；沃森与克里克则在摆弄铁丝模型中，摸索出 DNA 的双螺旋结构——这些伟大发现，不是“算”出来的，是“看”出来、是“摆”出来的，是靠空间理解而非语言逻辑建构的。
李飞飞说得直接：空间智能是行动的基础，而不是表达的产物。语言帮助我们沟通，但空间理解才帮助我们生存、创造和进步。
为什么当前AI不具备空间智能？
尽管我们已经拥有了令人惊叹的AI语言能力、图像生成能力和代码编写能力，但在“理解世界”这件事上，它依然像个纸上谈兵的孩子。
李飞飞指出，今天的大模型，学到的是“语言的皮肤”，不是“世界的骨架”。
这是因为当前AI的主流学习方式，都是基于“符号”——文字、标签、像素，它们学习的是词与词的关系、图与图的相似度，而不是物体与空间之间的真实互动关系。
它们并不知道“水会流下来”、“影子在光照下会变形”、“玻璃是透明的”，它们只是根据训练数据生成“看起来像的东西”。
于是你会发现，AI生成的图像虽然精美，但常出现奇怪的物理错误：水从杯子外流出来、影子方向反了、手有六根指头。这不是算力的问题，而是“没有物理常识”的问题。
再看机器人，表面上已经能抓取、能行走，甚至能“装配零件”，但这些行为大多建立在“高度定制”的环境里——比如专用轨道、特定参数、脚本控制。换个场景，它就“手忙脚乱”。
机器人无法像人类那样在复杂环境中做出泛化判断，更无法真正理解“物体之间的关系”和“下一步该怎么做”。
AI在屏幕里看起来很聪明，一旦进入现实世界，就会暴露“空间盲点”：不会判断距离、不会识别障碍、不会预测结果。
李飞飞说，这是因为它们没有“住在世界里”，它们只是“读取了关于世界的描述”。而要让AI真正走出“屏幕边界”，它需要的不只是看图说话，而是“参与世界”的能力。
这，正是空间智能的起点。
世界模型：让 AI 走出屏幕，进入现实
如果说语言智能让AI学会“说话”，那么世界模型（World Models），就是让AI开始“做事”的关键。
李飞飞在文章中提出，空间智能的核心载体，不是多模态大模型，而是具备世界建模能力的生成模型——这是一种全新的AI范式，它不再只生成文本、图片或视频，而是生成一个“可以持续存在、可以交互变化”的世界。
AI第一次从“语言描述”走向“物理构建”。
她将世界模型的核心能力，拆解为三大要素，我们可以用一张“人类类比表”来帮助理解：
这背后的转变非常关键：传统大模型训练的是“下一句文本”，世界模型训练的则是“下一帧世界状态”。
这意味着，AI不再是复述者、描述者，而是变成了一个“参与者”、“构建者”，甚至是“行动者”。
想象一下：你告诉AI“请帮我布置一个适合8人聚会的客厅”，它不仅生成图纸，而是直接生成一个完整、可交互的3D场景；
你说“把水壶拿给我”，它不是理解“语言”，而是理解你与水壶的空间关系，预测路径、避障、抓取、递交——这一切依赖的不是语言，而是具身感知+空间推理+行为预测的整体智能。
李飞飞创立的 World Labs 正是在做这件事。
他们开发的 Marble 系统，正是一个能接收多模态输入（语言、图像、动作指令），并生成一致的3D交互场景的世界模型系统。
Marble 不再只是“生成画面”，而是能“维持一个世界”，让用户在里面走动、探索、建构。
世界模型，是让AI走出屏幕、进入现实的通道。它将AI从“会讲故事”进化为“能创造世界”的新物种。
空间智能会重做哪些行业？
当AI拥有空间智能，它就不再是一个“内容生成器”，而变成一个“现实世界的协作伙伴”。李飞飞认为，这种能力的落地将带来四个最重要的行业变革方向：
1）创意产业：从“画画”到“构建世界”
过去的AI创作，是生成图像、生成音乐、生成短片——它们都停留在二维屏幕里。空间智能的加入，让创作从“表现”走向“构建”。
导演可以直接生成一个可进入、可漫游的虚拟电影场景，而不是靠绿幕加后期；
游戏开发者可以快速模拟多种物理互动机制，加速剧情与环境的迭代；
建筑师可以提前“走进”尚未建成的空间，对结构与流线做出更人性化的优化。
这一切的前提是：AI能理解空间逻辑、构建三维世界，并支持与人互动。
李飞飞举了一个生动的例子：过去我们是用图纸“想象房子”，未来我们是“在AI生成的房子里走一圈再决定改哪里”。
2）机器人：从工具，走向协作伙伴
如果说空间智能是AI的核心感知能力，那么机器人就是其行动延伸。
未来的机器人，不再是机械臂、仓储搬运、流水线操作员，而是具备空间理解力的“行动者”与“助手”。
比如家庭助手：它能理解你“刚喝完水”的动作，就去厨房拿水壶补满杯子，而不是等你下指令；
比如实验室助手：它能自主协作实验流程，把研究者从重复性的操作中解放出来。
这种“看懂人+理解空间+预测行动”的协作能力，正是空间智能带来的跃迁。
AI不是拿来“替你做事”的，而是“跟你一起做事”的。
3）科学与医疗：多维模拟，加速突破
很多科学突破依赖的是空间结构的直觉。
例如药物开发，研究者需要理解分子的三维结合机制；材料设计，需要评估结构变化对性能的影响；医疗影像，需要医生在脑海中重建器官与病变位置。
空间智能 AI，可以在这些环节中扮演关键角色：它可以模拟无数可能的空间组合，加速推演，缩短试错周期。甚至在手术前，AI可以基于患者CT/MRI影像生成全息模型，让医生“预演手术”，提升成功率。
这是“从理解语言，到理解物体”的跨越，也是AI真正参与到“理解世界结构”的开始。
4）教育：抽象知识，沉浸式体验
空间智能，还会深刻改变教育方式。过去我们靠想象力“理解原子结构”“看懂地球公转”“学习电磁场的方向”。
但对于很多学生来说，这些“看不到、摸不着”的知识，始终停留在记忆层面。
而拥有空间智能的AI，可以构建沉浸式教学场景：让你走进细胞内部、绕着DNA结构飞一圈、在古战场上穿梭、在数学几何中旋转。
知识不再是讲述的，而是“进入”的。
教育变成一场“空间旅程”，不仅提升理解，更激发好奇心。
李飞飞总结得很清晰：空间智能不是炫技，而是真正的“新型生产力”。它重构的不只是工具，而是重塑“人如何与世界互动”的方式。
为什么李飞飞强调“增强人，而不是替代人”？
当“AI会说话”这件事变得越来越自然，我们开始焦虑“它是不是要抢我的工作”。
而李飞飞在这篇万字长文中反复强调一个基本立场：“AI不是来替代人类的，而是来增强人类的。”
语言模型的崛起，让不少职业变得不安全——写PPT、写邮件、写脚本似乎都可以被AI代劳。
但这正是“语言智能”的局限：它只能处理符号，无法理解动机、情境与人本身。
而空间智能带来的AI，则走向了另一个方向：从“替代”走向“协作”。李飞飞举了许多例子：
- 在护理机构中，AI可以协助照护人员进行环境监控、搬运、提醒等操作，但不会剥夺老人的生活自主权。
- 在科研实验室中，AI机器人可以代替人类完成高度重复、标准化的操作，但发现科学规律的核心思考，依然由人来完成。
- 在设计创作中，AI可以帮助快速生成空间草图与可交互场景，但真正有情感、有文化语义的“表达”，仍然需要人类的灵感点燃。
这是一个本质性的理念差异：语言AI是“你说我做”，而空间AI是“你做我帮”。
后者强调配合、补位与增强——正如她所说的：“AI 的价值，不是取代人类的劳动，而是让我们做到原本做不到的事。”
这种“人机协作”的价值观，不仅是李飞飞20多年AI研究者身份的总结，也是她在创业中亲自实践的底层信念。
她不谈AGI神话，也不渲染AI末日，她只关心一件事：AI要如何为人类赋能，为人的尊严、能力与选择，留出更大的空间。
AI 的未来不是更好说话，而是更会做事
我们已经见证了语言智能带来的“认知革命”——从GPT-3到GPT-4，再到多模态模型如GPT-4V、Claude 2、Gemini Ultra，AI变得越来越能说、越来越能写。
但李飞飞在这篇文章中提醒我们：真正的智能，不止于“说得漂亮”，更要“做得正确”。
空间智能，将开启另一场“行动革命”。它让AI不再是坐在屏幕后讲道理的“语文课代表”，而是走到现实中和人协同的“实习工程师”、”助理科学家“、”家庭照护员“、”创意导演“。
我们可以这样描绘未来AI的三重跃迁：
- 从阅读世界：AI能理解人类语言、图像、视频等符号信息；
- 到理解世界：AI能建立空间模型、推理物理关系、预测动态；
- 再到建设世界：AI能创造、操作、协同，成为现实行动的参与者。
这正是从“Words”走向“Worlds”的进化。
而这场进化，也正是李飞飞提出的下一站AI：空间智能的意义所在。
不是为了打造另一个神一样的AGI，而是为了让人类更自由地生活、创造与关怀；不是为了更快地替代人类，而是更深地增强人类。
真正的智能，不是能背多少书，而是能用知识去触碰现实。
真正的未来，不是更好说话，而是更会做事。
真正的AI，不是造一个语言的宇宙，而是建一个理解世界、参与世界的“新物种”。
这，就是李飞飞心中，AI的下一站。
