过去两年，大语言模型（LLM）几乎定义了整个 AI 行业的想象力边界。但在语言模型高速进化的同时，另一条更“慢”、却可能更根本的路线，正在被重新推到台前。

这条路线的代表人物之一，就是 李飞飞（Fei-Fei Li）。

她反复强调一个观点：

真正的智能，不只是会“说”和“想”，而是要能在真实世界中理解、预测和行动。

这正是她提出并持续推动的——世界模型（World Model）/ 空间智能（Spatial Intelligence）。

一、李飞飞的世界模型是什么？

简单说，李飞飞的世界模型不是某一个具体模型名字，而是一整套 AI 建模范式的转变。

它关注的不是：

• “这张图里有什么？”
• “这句话什么意思？”

而是：

• 这个世界是什么结构？
• 它如何随时间变化？
• 我在其中行动，会发生什么？

核心定义一句话版：世界模型，是在模型内部构建一个可被感知、推理、预测和交互的三维世界。

这个“世界”具备几个关键特征：

• 是 三维的（3D）
• 是 连续的（随时间演化）
• 是 物理一致的
• 是 可被行动影响的

视觉、语言、动作，并不是终点，而只是进入和读取这个世界的不同接口。

二、李飞飞的世界模型和大语言模型的主要是什么？

如果只用一句话区分两者：

大语言模型学习的是“世界如何被描述”，而世界模型学习的是“世界如何运作”。

更直观一点的对比

LLM 非常擅长总结人类已有知识，但它的“世界”是写在书里的世界。

而世界模型关心的是：即使没有人写下来，我也要知道世界会怎么变。

三、李飞飞的世界模型主要有哪些技术路线？

从当前研究与产业实践来看，世界模型并不是单一技术，而是多条路线并行演进。

1️⃣ 神经隐式 3D 表示（NeRF / Neural Fields）

• 用神经网络表示连续三维空间
• 能从多视角图像重建完整场景
• 是“从视觉走向世界”的重要基础

👉 优点：几何表达强👉 局限：物理与因果较弱

2️⃣ 视频驱动的世界建模（Video World Models）

• 从长视频中学习世界状态与变化规律
• 把“视频”当作时间序列世界观测

👉 优点：时间连续性好👉 局限：可控性与交互性有限

3️⃣ 生成式世界模型（Generative World Models）

• 不只是重建世界，而是生成可交互世界
• 能“想象”未发生的状态

👉 优点：通向仿真、游戏、机器人👉 局限：训练与评估成本极高

4️⃣ 世界模型 + 行动闭环（Action-conditioned Models）

• 世界状态 + 行动 → 下一个世界状态
• 是机器人与自动驾驶的核心路径

👉 优点：真正可执行👉 局限：真实数据昂贵、风险高

四、李飞飞的世界模型当前成熟度如何？

一个现实判断是：

世界模型仍处在“前期工程化 + 中期科研”的阶段。

当前状态可以概括为：

• 感知层（视觉 → 3D）：相对成熟
• 预测层（时间 / 因果）：部分突破
• 通用行动层（像人一样行动）：尚未成熟

它远没有 LLM 那样：

• 可快速 scale
• 可通用部署
• 可直接商业爆发

但它的难度和上限，也远高于语言模型。

五、李飞飞的世界模型主要应用场景是哪些？

世界模型不是“通用对话 AI”，而是通用行动智能的基础设施。

最典型的应用场景包括：

🚗 自动驾驶

• 世界理解、轨迹预测、极端场景模拟

🤖 机器人

• 家庭机器人、工业机器人、具身智能

🕶️ XR / 数字孪生

• 可交互的真实世界映射

🎮 游戏与虚拟世界

• 自动生成、可持续演化的世界

🏭 工业仿真

• 工厂、能源、城市级模拟与优化

一句话总结：凡是“需要在空间中行动”的场景，都离不开世界模型。

六、总结：李飞飞世界模型的未来

如果用一句稍微“有野心”的话来总结：

大语言模型定义了“AI 如何思考”，而世界模型将定义“AI 如何存在”。

李飞飞反复强调的一点是：

• 语言是人类智能的高层接口
• 空间与行动，才是智能的地基

未来很可能不是：

• LLM 取代世界模型而是：
• 世界模型作为底座
• LLM 作为认知与沟通层

真正的下一代 AI，不只是“能聊天”，而是能在世界里理解、预测、行动、并承担后果。而这，正是世界模型真正的价值所在。

图片

文章来自：51CTO