李飞飞空间智能与世界模型 - Digest

一句话结论

ChatGPT 证明了语言层的生成能力，但能服务现实行动的 AI 还要保持空间一致性、预测物理后果并规划下一步；这条路线仍早期，产品价值与治理应以可验证的事实和人的主动权为准。

七个分析角度

1. 数据先于局部优化

• “ImageNet 的启示不是盲目扩数据，而是在缺基础设施时先建共同学习资产。”
• “数据、模型和算力能产生乘法效应，但前提是任务与数据分布真的匹配。”
• “世界模型也需要面向空间、视角和物理后果的数据，而非只追加文本。”

2. 语言与世界各司其职

• “能解释怎样接球，不等于能在变化的三维空间中接住球。”
• “语言模型处理符号；空间智能要处理对象、距离、遮挡和因果。”
• “不要把聊天能力的进步直接外推成真实环境中的可靠行动。”

3. 区分渲染、模拟与规划

• “画面好看解决的是渲染，不能替代对状态变化的模拟。”
• “镜头移动后空间仍连续，才说明系统在保存比单帧更强的结构。”
• “规划把状态预测转换为动作序列，是机器人落地还要补上的一层。”

4. 先验证可探索世界

• “一张图生成可移动视角的场景，是把图像产物变成可操作空间的第一步。”
• “影视和游戏可先验证创作效率，机器人训练仍需验证环境是否足以支持策略学习。”
• “Marble 是早期产品，不应被读成通用机器人已经具备世界理解。”

5. 把数据问题看成物理问题

• “三维数据不仅是更多像素，还包含位姿、几何、遮挡和动作后果。”
• “真实世界的反馈决定模拟是否可用，不能只看生成样例是否令人信服。”
• “路线未收敛时，团队判断和实验迭代比叙事上的确定性更重要。”

6. 用事实约束技术叙事

• “资金和演示不能等同于产品成熟度，能力判断仍要回到任务和证据。”
• “应把已发生的错误信息、武器化和教育滥用，与科幻式远期推演分开讨论。”
• “科学家同样可能判断错误，治理规则需要持续用事实修正。”

7. 人的主动权不可外包

• “AI 的价值不仅是替代多少工作，更是是否增加人的选择和能力。”
• “目标、价值取舍和公共使用边界不能默认交给少数公司或模型。”
• “科学家、企业、政府与公众共同参与，才可能让技术能力与责任同步扩大。”

可执行最小闭环

1. 将视觉生成、空间一致性、物理预测和动作规划拆成不同验收项。
2. 对每一项选真实任务评测，不以单张或单段演示视频代替验证。
3. 先在创意生产等低风险场景确认价值，再进入机器人训练和现实执行。
4. 同时记录能力边界、数据来源、副作用和人的接管点。
5. 对政策和产品表述分开标记事实、实验结果、预测与价值判断。

证据边界

本文是 Capihom 对 Bloomberg 李飞飞访谈的二手整理。ImageNet 数字、融资、产品能力、合作关系、引语与世界模型阶段判断均未独立核验；“渲染 / 模拟 / 规划”仅作为本文的工程沟通框架。