當(dāng)人工智能在文本生成、圖像創(chuàng)作和視頻制作領(lǐng)域掀起變革浪潮時，科學(xué)家們卻將目光投向了更深層的挑戰(zhàn)——如何讓機(jī)器真正理解物理世界。美國國家工程院、國家醫(yī)學(xué)院和藝術(shù)與科學(xué)院三院院士李飛飛近日在社交平臺發(fā)布萬字長文《從語言到世界：空間智能是AI的下一個前沿》，引發(fā)學(xué)術(shù)界與產(chǎn)業(yè)界的熱烈討論。她直言，當(dāng)前以大語言模型和圖像分類器為主導(dǎo)的技術(shù)范式已觸及天花板，具備空間感知能力的AI將成為突破瓶頸的關(guān)鍵。

當(dāng)前AI的"能說會道"與"笨手笨腳"形成鮮明對比。社交平臺上，用戶用豆包生成的照片常出現(xiàn)荒誕場景：沙漠中的駱駝大如猛犸象，兔子與長頸鹿的脖子長度混淆。OpenAI的文生視頻模型Sora更鬧出國際笑話——其發(fā)布的螞蟻視頻中，這種六足昆蟲竟被畫成四條腿。這一失誤讓兩位人工智能領(lǐng)域頂尖學(xué)者罕見達(dá)成共識：meta首席AI科學(xué)家楊立昆揶揄"螞蟻有六條腿"，紐約大學(xué)教授加里·馬庫斯則警告"今天搞錯螞蟻，明天就可能算錯月球軌道"。升級后的Sora2雖提升了畫面流暢度，但男子揮舞棍子的流蘇仍會時隱時現(xiàn)，暴露出物理規(guī)律理解的缺陷。

西湖大學(xué)空間智能實驗室負(fù)責(zé)人劉沛東指出，現(xiàn)有AI系統(tǒng)的核心短板在于缺乏對物理世界的常識性認(rèn)知。語言模型處理的是人造符號系統(tǒng)，而真實世界遵循物理定律，二者存在本質(zhì)差異。他以"買咖啡"的指令為例："這需要機(jī)器自主分解任務(wù)、規(guī)劃路徑并應(yīng)對突發(fā)狀況，但當(dāng)前系統(tǒng)連'球滾出可能意味著有兒童追逐'這樣的因果推理都難以完成。"這種局限直接導(dǎo)致自動駕駛汽車在復(fù)雜路況下的安全隱患，以及掃地機(jī)器人因誤判障礙物而將貓糞涂抹滿地的尷尬場景。

空間智能的概念源于教育心理學(xué)領(lǐng)域。上世紀(jì)80年代，霍華德·加德納在多元智能理論中將其定義為對空間信息的感知、操作能力，涵蓋三維思維、圖形敏感等維度。這種能力在人類文明進(jìn)程中屢建奇功：埃拉托色尼通過日影測量地球周長，哈格里夫斯發(fā)明珍妮紡紗機(jī)革新紡織業(yè)，沃森與克里克破解DNA結(jié)構(gòu)之謎。當(dāng)科學(xué)家將這一概念引入AI領(lǐng)域時，他們希望機(jī)器能像人類嬰兒般，從觀察世界中自然發(fā)展出空間認(rèn)知能力。

產(chǎn)業(yè)界已展開激烈角逐。2025年拉斯維加斯消費電子展上，英偉達(dá)推出Cosmos世界模型，可生成物理感知視頻；群核科技開源的SpatialLM空間語言模型登上AI開源社區(qū)熱榜第二；谷歌DeepMind發(fā)布的Genie 3支持實時交互，為游戲開發(fā)和教育領(lǐng)域帶來新可能；李飛飛參與創(chuàng)立的World Lab更推出首款多模態(tài)產(chǎn)品Marble，用戶可通過文本、照片或3D圖紙生成可編輯的虛擬環(huán)境。這些突破背后，是科學(xué)家們對"世界模型"的共同追求——這種模擬物理規(guī)則的內(nèi)部系統(tǒng)，能讓AI像人類一樣直覺預(yù)判咖啡杯墜落軌跡，而非依賴復(fù)雜計算。

但技術(shù)突破仍面臨重重障礙。真實世界的復(fù)雜性遠(yuǎn)超現(xiàn)有數(shù)學(xué)模型的處理能力，地球內(nèi)部構(gòu)造等難以觀測的數(shù)據(jù)限制著模型精度，暗物質(zhì)等未解物理現(xiàn)象更讓建模缺乏實驗支撐。群核科技首席科學(xué)家周子寒坦言："當(dāng)前空間智能技術(shù)多停留在圖像理解層面，李飛飛提出的范式若能突破，將在自動駕駛、機(jī)器人、虛擬現(xiàn)實等領(lǐng)域引發(fā)變革。"這場關(guān)于物理世界理解權(quán)的競賽，或許才剛剛拉開帷幕。