在OpenAI、Anthropic等公司狂卷大语言模型（LLM）的当下，斯坦福大学教授李飞飞与Meta首席AI科学家杨立昆（Yann LeCun）正带领团队研发"世界模型"（World Models），试图让机器真正理解三维现实世界。

大语言模型本质上是个"超级文字预测器"，它通过分析海量文本里的词汇关联来生成回答，但李飞飞在a16z播客中指出："语言并非自然存在，人类能构建文明，靠的远不止语言。"MIT教授Jay Wright Forrester早在1971年就提出：人类所有决策都基于脑中的"模型"，就像我们不会在脑子里装下真实的城市，而是用概念和关系来抽象表征。

2024年，李飞飞联合风投机构创立World Labs，带着2.3亿美元启动资金喊出目标：把AI从二维像素平面提升到三维世界，赋予其和人类一样的空间智能。"空间智能是理解、推理、互动并生成三维世界的能力。"李飞飞在NoPriors播客中解释。这种技术可能率先落地创意领域、机器人控制，甚至像Meta和Anduril等公司设想的那样，用于军事场景，帮助士兵在战场上预判敌情。

但最大瓶颈在于数据：人类花了几个世纪积累语言文本，可空间智能的数据却极度匮乏。"现在闭眼画你周围的3D模型，没经过训练的人很难做到。"李飞飞坦言，这需要更复杂的数据工程，从采集到合成全链条突破。

在Meta，杨立昆的团队用视频数据训练模型，通过多层抽象把画面转化为简化表征。"关键是不预测像素级细节，而是在抽象层面建模，过滤掉不可预测的噪音。"他在巴黎AI峰会上解释，这样就能用更简单的"积木块"来推演世界变化轨迹。

“真正的智能系统必须快速学习新任务、理解物理世界、具备常识推理和长期记忆，这些都是大语言模型目前的短板。就像人类婴儿通过玩积木理解空间规律，AI也需要在模拟环境中构建世界运行规则。”

当硅谷还在为GPT-5的参数竞赛狂欢时，这些学者已把目光投向更底层的认知革命。世界模型或许不会像ChatGPT那样一夜爆红，但它可能是AI从"会说话"到"懂生活"的关键一跃。

参考资料：https://www.msn.com/en-us/news/technology/top-ai-researchers-say-language-is-limiting-heres-the-new-kind-of-model-they-are-building-instead/ar-AA1GDW1t