當人工智能在文本生成、圖像創作和視頻制作領域掀起變革浪潮時，科學家們卻將目光投向了更深層的挑戰——如何讓機器真正理解物理世界。美國國家工程院、國家醫學院和藝術與科學院三院院士李飛飛近日在社交平臺發布萬字長文《從語言到世界：空間智能是AI的下一個前沿》，引發學術界與產業界的熱烈討論。她直言，當前以大語言模型和圖像分類器為主導的技術范式已觸及天花板，具備空間感知能力的AI將成為突破瓶頸的關鍵。
當前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域頂尖學者罕見達成共識：meta首席AI科學家楊立昆揶揄"螞蟻有六條腿"，紐約大學教授加里·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，暴露出物理規律理解的缺陷。
西湖大學空間智能實驗室負責人劉沛東指出，現有AI系統的核心短板在于缺乏對物理世界的常識性認知。語言模型處理的是人造符號系統，而真實世界遵循物理定律，二者存在本質差異。他以"買咖啡"的指令為例："這需要機器自主分解任務、規劃路徑并應對突發狀況，但當前系統連'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。"這種局限直接導致自動駕駛汽車在復雜路況下的安全隱患，以及掃地機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領域。上世紀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，哈格里夫斯發明珍妮紡紗機革新紡織業，沃森與克里克破解DNA結構之謎。當科學家將這一概念引入AI領域時，他們希望機器能像人類嬰兒般，從觀察世界中自然發展出空間認知能力。
產業界已展開激烈角逐。2025年拉斯維加斯消費電子展上，英偉達推出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開源社區熱榜第二；谷歌DeepMind發布的Genie 3支持實時交互，為游戲開發和教育領域帶來新可能；李飛飛參與創立的World Lab更推出首款多模態產品Marble，用戶可通過文本、照片或3D圖紙生成可編輯的虛擬環境。這些突破背后，是科學家們對"世界模型"的共同追求——這種模擬物理規則的內部系統，能讓AI像人類一樣直覺預判咖啡杯墜落軌跡，而非依賴復雜計算。
但技術突破仍面臨重重障礙。真實世界的復雜性遠超現有數學模型的處理能力，地球內部構造等難以觀測的數據限制著模型精度，暗物質等未解物理現象更讓建模缺乏實驗支撐。群核科技首席科學家周子寒坦言："當前空間智能技術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、機器人、虛擬現實等領域引發變革。"這場關于物理世界理解權的競賽，或許才剛剛拉開帷幕。
