本文深入探讨了"AI教母"李飞飞从ImageNet到World Labs的研究轨迹转型，及其在人工智能认知范式上的革命性意义。研究分析了李飞飞如何从2D图像识别奠基者转变为3D空间智能先驱，揭示了她在AI认知三层跃迁——从"感知符号"到"理解场景"再到"行动于世界"——中的核心贡献。论文系统阐述了空间智能作为AGI关键瓶颈的技术内涵，梳理了World Labs采用NeRF、高斯球面渲染与物理仿真融合的技术路径，并前瞻性分析了空间智能在机器人、创意产业、虚拟世界等万亿级市场的应用前景。研究表明，李飞飞的空间智能研究不仅代表着AI认知范式从"语言理解"到"世界交互"的根本转变，更将为通用人工智能的实现奠定坚实基础。

关键词：李飞飞；空间智能；World Labs；3D世界模型；人工智能；ImageNet

1 引言：李飞飞的视觉智能进化之路

在人工智能发展史上，李飞飞的名字与两个里程碑式的项目紧密相连：ImageNet与World Labs。2009年，这位当时还在普林斯顿大学任助理教授的研究者，带领团队"下载了整座互联网"的图像，构建了包含千万级规模的图像识别数据库ImageNet，从而激活了深度学习的潜力，让"数据即燃料"的范式成为主流-1。这一项目不仅为后续AlexNet在2012年的突破性表现奠定了基础，更标志着计算机视觉从算法驱动到数据驱动的革命性转变。

然而，李飞飞的技术理想从未脱离现实世界的结构。十五年后的2024年，她再次投身"数据建模"一线，但这次瞄准的是一个维度更高、结构更复杂的对象——三维世界-1。她创立的创业公司World Labs，致力于构建新一代"世界模型"，目标是在虚拟空间中重建、模拟甚至生成一个可供AI感知、理解与操作的三维环境。"我称它为第三代基础模型：语言是第一代，图像是第二代，世界才是终极场景。"她如是说-1。

本文旨在系统梳理李飞飞从ImageNet到World Labs的学术历程转型，深入分析她提出的"空间智能"概念对人工智能发展的革命性意义，并前瞻性探讨这一技术方向在未来AI应用场景中的无限可能。

2 空间智能：AI认知世界的下一个前沿

2.1 从2D到3D：AI认知的根本局限与突破

在李飞飞看来，当前以大语言模型为代表的AI系统存在一个根本性局限："GPT会说话，但AI还不懂世界"-3。她精辟地指出，大多数AI模型，包括ChatGPT和Midjourney，实际上就像一个"看不见场景的说书人"。它们可以模仿语言风格，生成图片风格，但面对一个房间、一条街道、一个工厂，它们既不知道这些场景怎么连在一起，也无法在其中"走动"或"做事"-3。

李飞飞用简洁的语言解释了空间智能的根本难题："语言是一维的序列，图像是二维的像素网格，而世界，是3D+时间的连续体"-1。这一洞见直指当前AI技术的核心缺陷——缺乏对三维物理世界的基本认知能力。她进一步以亲身经历说明这一点：五年前，她因角膜受伤失去了几个月的立体视觉，结果发现连开车都变得异常困难。"尽管我了解自己的车和路面情况，但在没有立体视觉的情况下，估计自己与路边停车的车之间的距离变得异常困难。"这段经历让她深刻体会到空间感知对人类的重要性，以及AI缺乏这种能力的根本局限-2。

2.2 空间智能的概念与重要性

李飞飞将"空间智能"定义为"机器在3D空间和时间中感知、推理和行动的能力"-6。她认为，空间智能与语言智能同样重要，甚至从进化角度看来更为基础。"语言是人类大脑进化过程中最晚出现的模块之一，而空间感知系统则早在节肢动物时代就已存在，至今已有五亿年的历史。"-2

在进化视角下，李飞飞分析了感知与环境理解如何成为智能发展的关键推力："每当我们能够从环境中获取更多信息时，进化的力量就会推动能力和智能向前发展。如果你感觉不到环境，你与世界的关系就非常被动；你是否吃或被吃是一种非常被动的行为。但是，一旦你能够通过感知从环境中获取线索，进化压力就会真正增加，从而推动智能向前发展。"-9这一观点不仅解释了生物智能的演进，也为人工智能的发展方向提供了重要参考。

2.3 空间智能与AGI的必然联系

李飞飞明确指出："没有空间智能，通用人工智能就不完整"-7。她强调，通用语言模型解决的是知识表达问题，而空间智能解决的是生存与行动问题，后者才是构建智能代理（Agent）的关键基底-1。如果没有空间建模，所有的"行动建议"都只是纸上谈兵。

对于AGI的实现路径，李飞飞提出了她的判断："AGI的下一步，不在于更聪明的语言模型，而在于更可靠的世界模型。"-1这一观点在当今大语言模型蓬勃发展的背景下显得尤为清醒和重要。她认为，LLM只解决了智能的抽象层部分，而真正的智能必须能够落地到物理世界中-1。

2.4 实现空间智能的三大挑战

李飞飞将实现空间智能面临的挑战总结为三个层级-1：

维度爆炸：语言模型处理的是token序列，而空间建模需要理解三维结构及其随时间变化的动态属性，数据维度与计算复杂度指数上升。
感知病态性：视觉系统只能获取二维投影，但AI却要基于此还原完整场景的三维结构，包括被遮挡部分、物体间的相对位置与大小。这在数学上是一个"病态问题"—小误差会被无限放大。
生成与重建的统一：空间智能模型既要能重建已知场景，也要像生成模型那样"幻想"未知结构，从扫描现实到虚拟合成，两端之间是一个连续谱。

表1：空间智能实现的三大挑战

挑战	核心问题	具体表现	潜在解决路径
维度爆炸	数据维度与计算复杂度指数增长	3D+时间连续体远超语言和图像的数据复杂度	高效表示方法、专用硬件、算法优化
感知病态性	从2D投影推断3D结构的数学不适定性	小误差被无限放大，遮挡部分难以推断	多视角融合、先验知识注入、概率建模
生成与重建的统一	在已知与未知之间建立连续谱	既要准确重建，又要合理生成未知部分	混合式数据策略、物理引擎约束、生成式AI

3 World Labs的技术路径与战略布局

3.1 从Language到World：LWM的提出

当OpenAI、Google、Anthropic等公司竞相开发更大的语言模型时，李飞飞选择进入一片尚未开垦的领域，提出LWM（Large World Model）——要训练一个能理解、模拟并操作现实3D世界的AI系统-3。这一方向的战略价值已得到资本市场的认可：World Labs在短短三个月内完成两轮融资，累计筹集资金约2.3亿美元，估值直指10亿美元，投资方包括a16z、NEA与Nvidia NVentures等顶级机构-3。

李飞飞强调，World Labs的目标不是做"图像模型的升级版"，而是在打造一个真正用于智能体运行的世界模型底座——无论是机器人、自动驾驶系统，还是沉浸式XR环境，统统需要它-1。她将这种能力称为"生成-感知一体化"，区别于过去那种将计算机视觉与生成模型分离对待的做法-1。

3.2 多技术融合的路径

World Labs采用了一种多技术融合的路径来解决空间智能的挑战。李飞飞在接受采访时透露，公司正探索多种技术方向的协同推进-8：

NeRF技术：让AI学会从多张照片合成出3D空间，实现从二维图像到三维重建的能力。
高斯球面渲染：将空间中的每一个点视为小圆球，通过小球的位置和颜色快速描绘整个场景，显著提升渲染效率。
扩散模型：通过"去噪"方式逐步还原清晰画面，将图像生成能力扩展到三维空间内容的理解与生成。
多视角数据融合：使AI能像人类一样从多个角度观察同一物体，综合判断形状、位置和运动方式。

李飞飞特别强调了物理仿真与动态建模的重要性：不仅要知道物体现在在哪里，还要能推测它接下来会怎么动，如风吹树叶摇摆、门被推开后弹回等物理现象-8。这些看似简单的常识，对AI来说却是巨大的挑战。

3.3 数据策略与算力需求

面对空间智能训练数据的稀缺性，World Labs选择了"混合式数据策略"—人工采集现实场景数据、合成训练数据，并引入物理与语义先验，用小而精、结构性强的数据替代纯粹的规模驱动-1。这一策略与ImageNet时期形成鲜明对比，反映了李飞飞对数据本质理解的深化。

空间智能的训练需要巨大的计算资源。李飞飞坦言："这是大量的计算。这是公共部门无法承受的计算类型。这就是我很高兴能休假（投身私营部门）的部分原因。"-4她也一直倡导公共部门应获得更多计算资源，推动与国会、参议院、白宫等合作创建NAIRR（国家AI研究资源），确保公共部门在AI创新中不掉队-4。

3.4 李飞飞的创业哲学与团队建设

从科研到创业，李飞飞坦言自己总是选择"最难的那条路"-1。她在分享中说道，从读博时期在几乎没有导师支持的环境中坚持计算机视觉，到ImageNet建设初期几乎没人相信数据驱动方法，她早已习惯了"没有人铺路的地方自己开一条路"-1。

在World Labs，她坚持的唯一标准是："找那种不怕困难、不怕没人认同的人。"她称之为"intellectual fearlessness"（知识无畏）—一种在没有路线图的情况下也能长期投身于构建工作中的精神-1。这种文化显然与当前AI领域追逐热点的短期主义形成鲜明对比。

李飞飞特别强调了寻找"完美合伙人"的重要性。她需要的不仅是具备丰富经验的投资者，更是愿意与创业者风雨同舟，并能提供富有洞察力建议和资源的伙伴-2。a16z的Martin Casado正是符合这一标准的人选，他不仅懂计算机科学和人工智能，还了解市场产品，并能引领团队进入市场-2。

表2：World Labs的核心技术体系

技术层次	关键技术	功能作用	优势特点
感知与重建层	NeRF（神经辐射场）	从多张2D图像重建3D场景	重建精度高，可补全不可见面
	高斯球面渲染	实时渲染3D场景	速度快，适合交互应用
理解与推理层	多视角融合	综合多角度信息理解物体	模拟人类多角度认知方式
	物理仿真引擎	模拟物体运动与交互	引入物理规律约束
生成与交互层	扩散模型	3D内容生成与增强	生成内容精细、真实
	生成-感知一体化	统一场景重建与生成	连接现实与虚拟生成

4 空间智能的万亿级应用前景

4.1 机器人与自动驾驶：从感知到行动的闭环

李飞飞指出，"机器人不仅指的是人形机器人或自动驾驶汽车，还包括许多介于两者之间的'具身智能机器'。"-2这些机器必须能够理解并适应其所处的三维空间环境，并在此环境中进行训练，最终能与人类协作完成任务，而这一切都离不开空间智能。

她举例说，在一个真实的厨房里，AI不仅要识别出"锅""勺子""灶台"，还要理解空间结构，比如"锅在灶台上，勺子在锅里"，并推理"如果移动锅的位置，勺子也会被带动"-1。这些空间逻辑不仅依赖图像识别，更需要物理模拟能力和空间推理能力。

当前机器人技术的瓶颈在于，如果一个机器人只有二维视觉，那就像是在一个纸片世界里生活，根本不知道前面的东西是近还是远，能不能穿过那扇门-3。而拥有空间智能的机器人则能真正理解环境，实现从感知到行动的完整闭环。

4.2 创意产业与数字孪生：创造而不仅是描述

李飞飞预计，创造力领域将是空间智能的重要应用场景。"创造本身就是高度视觉化和空间化的，涉及到设计、电影、建筑和工业产品设计等领域。"-2这些领域不仅仅是娱乐产业的一部分，它们也与生产力、制造业和工程息息相关。

World Labs的一个目标，就是要让AI能参与真正的空间创作，比如用语言生成3D建筑图纸、理解舞台的空间布局、协助工业设计师重构复杂设备-3。这种能力将极大降低创意工作的门槛，提升创作效率。

在数字孪生领域，李飞飞描绘了这样的前景："一座工厂、一栋大楼，甚至是一座城市，都可以通过AI建立出一个对应的数字世界，用来做预测、测试和优化。"-8例如，可以在虚拟世界中模拟火灾疏散，看看哪里会出问题，然后再去现实中改进，而不是等到事情发生了才补救。

4.3 虚拟世界与增强现实：超越二维屏幕的体验

对于虚拟世界和增强现实，李飞飞认为空间智能将是这些技术的"操作系统"-6。她提到，佩戴AR眼镜的人可能不需要任何专业技能，就能修理汽车或完成复杂的操作-6。通过空间智能，虚拟世界与现实世界的融合将大大增强人类与机器的互动能力。

她举例说："如果我在高速公路上爆胎了，我该怎么办？现在，我打开了一个'如何更换轮胎'的视频。但是，如果我能戴上眼镜，看看我的车发生了什么，然后在指导下完成这个过程，那就太酷了。"-4这种基于空间智能的交互体验，将彻底改变我们学习新技能的方式。

贾斯汀·约翰逊（李飞飞的学生，World Labs联合创始人）进一步指出，随着空间智能技术的成熟，未来我们可能不再需要使用手机、平板等不同尺寸的屏幕。"如果你能够将虚拟内容与物理世界无缝融合，那么对所有这些屏幕的需求就会减少。"-6这一展望预示着空间智能可能带来的颠覆性交互革命。

4.4 市场规模与行业影响

市场数据已经画出轮廓：Grand View Research预测，全球空间计算市场将以20.4%的年复合增长率从2022年的1025亿美元增长至4698亿美元（约3.4万亿人民币）；IDC更指出，AR/VR将以38.6%年复合增长率增长，并成为大模型落地的放大器-3。未来，谁先让AI获得空间感，谁就可能在XR、机器人、数字孪生等万亿级新战场中占住入口，定义规则。

李飞飞强调，空间智能"不是某个行业的小模块，而是像语言一样，是通用的智能能力"-3。这意味着它将渗透到几乎所有行业，成为未来AI融入生活和工作的共通语言。从医疗（理解人体3D结构）到教育（沉浸式学习），从制造（工业设计）到娱乐（游戏与影视），空间智能将重新定义我们与数字世界互动的方式。

5 从ImageNet到World Labs：AI认知的范式革命

5.1 李飞飞的研究轨迹：一以贯之的视觉智能追求

回顾李飞飞的研究轨迹，从ImageNet到World Labs，贯穿始终的是她对视觉智能的执着追求。她在访谈中回顾道："从我作为研究生进入人工智能领域开始，我就有一个梦想，我认为这是一个长达一百年的梦想，即让智能体能够讲述世界的故事。"-7

ImageNet解决的核心问题是让系统能够识别图像中的物体，如"这里有一只猫""那是一把椅子"等-7。而随着深度学习的爆发，李飞飞和她的学生开始探索让AI描述整个场景的能力，这是人类视觉智能的基础能力。她曾告诉自己："如果我在临终前能够创造一个能够讲述场景故事的算法，我就成功了。"-7这一目标在2015年左右随着图像字幕生成的突破而实现。

然而，李飞飞并未止步于此。她意识到，即使AI能够描述场景甚至生成它们，仍然缺乏对世界的真正理解。正如她所说："我们一直在训练AI用文字生成图片，但没有教它这些图像背后的世界是什么样。"-3这一认识促使她向空间智能这一更为艰难的方向迈进。

5.2 认知范式的三层跃迁

李飞飞的工作推动了AI认知范式的三层跃迁：

从"感知符号"到"理解场景"：ImageNet让AI能够识别物体，而后续的场景描述研究则让AI能够理解物体之间的关系，讲述场景故事。
从"理解场景"到"行动于世界"：World Labs的目标是让AI不仅能够理解和描述世界，更能够在世界中行动，预测变化，并进行交互。
从"语言理解"到"世界交互"：当前的大语言模型主要处理抽象符号，而空间智能则要求AI具备对物理世界的直接理解能力。

李飞飞用极富画面感的语言描述这一转变："语言是一维的序列，图像是二维的像素网格，而世界，是3D+时间的连续体。"-1这不仅是技术方向的调整，更是AI认知范式的根本变革。

5.3 对AI未来发展的意义

李飞飞的空间智能研究对AI未来发展具有深远意义。首先，它指出了实现AGI的关键路径——世界模型而非更大的语言模型。她明确表示："没有空间智能，通用人工智能就不完整。"-7

其次，这一研究方向可能带来人机交互方式的革命。随着空间智能技术的发展，我们与AI的交互将不再局限于二维屏幕上的文字对话，而是能够在三维空间中自然进行。李飞飞展望道，这种技术将成为AR/VR的"操作系统"，帮助人类增强能力-6。

最后，空间智能的研究反映了AI领域从"重感知"到"重认知"再到"重行动"的演变趋势。李飞飞的主题演讲"从看到做"（From Seeing to Doing）恰如其分地概括了这一转变-9。她强调："视觉与互动和做事密切相关，无论是对动物还是对AI代理都是如此。这与语言背道而驰。从根本上说，语言是一种用于传达想法的交流工具。"-9

6 结论：迈向具有空间智能的AI未来

李飞飞从ImageNet到World Labs的旅程，代表了一条连接AI过去与未来的清晰脉络。她的工作从让AI"看见"物体，到"描述"场景，再到"理解"并"行动于"三维世界，完成了一次又一次的认知跃迁。这一轨迹不仅映射出她个人学术视野的拓展，更指引着人工智能发展的方向。

空间智能作为AI认知的下一个前沿，其意义不仅在于技术进步，更在于它将为AI打开通向物理世界的大门。李飞飞创立的World Labs，正是这一方向的先行者。通过构建能够理解、推理和交互于三维世界的AI系统，她试图解决的不仅是技术难题，更是AI与物理世界融合的根本问题。

在AI领域追逐更大语言模型的背景下，李飞飞选择回归智能的本质——在世界中生存与行动的能力。这一选择既反映了她对技术发展趋势的深刻洞察，也体现了一位科学家对真正智能的执着追求。从ImageNet的数据驱动，到World Labs的空间智能，李飞飞始终在开辟AI发展的新路径，引领着我们向更具理解、更富行动力的AI未来迈进。

随着空间智能技术的成熟，我们有望见证AI从"对话世界的观察者"转变为"行动于世界的参与者"，这将开启人工智能与人类社会的全新互动篇章。李飞飞的工作，正是这一变革的先声

收录于