

李飞飞的“世界模型”，不过是AI界新一轮“皇帝的新衣”

具身智能机器人GoGoGo

2025-11-24

以下文字来源于轩辕商业评论，作者王思易，编辑张南。

撰文| 王思易

编辑| 张南

设计| 荆芥

近些天，“世界模型”又成了AI研究的热门词。因为“AI教母”李飞飞的创业公司World Labs推出了自己的“世界模型”，供大家测试。

这家公司推出的首款商用世界模型叫Marble，可根据文字生成3D场景。除了文生3D场景以外，给Marble一张照片，它能根据照片的透视关系、光线方向和物体摆放方式，把场景自动补齐成一个3D世界。

Marble确实是能给“世界建模”的AI，但是又有些不对劲。

Hacker News的一名机器学习工程师指出，比起所谓的世界模型，Marble看起来更像是一个单纯的3D渲染模型。

这难道不就是高斯泼溅模型吗？我在AI行业干了这么久，到现在都还是搞不明白“世界模型”里的“世界”究竟指什么。

这里的高斯泼溅，指的是近几年3D建模里的一类新技术。

它把一个场景表示成成千上万个漂浮在空间中的彩色模糊小斑点，再把这些斑点“泼溅”到屏幕上，让它们自然融合成一张图像。

这似乎跟李飞飞所宣称的“世界模型”——能够理解复杂物理世界及其中物体相互关系的AI，乃至于拥有空间智能的AI，相去甚远。

World labs 官网，空间智能（Spatial Intelligence）一词赫然在目

要理解什么是所谓的“世界模型”，我们需先看清当前AI的最大短板：空间智能。

大语言模型的界限

空间智能，即感知、理解和推理三维物理世界的能力。人类婴儿在学会说话前，就已通过抓取物体、玩积木发展出这种本能。

更直观一点，请看这道题：

如果你拆解这个积木块，缺失的是哪一块？

正确答案是中下。

此类对人类而言轻而易举的题目，却是当今最先进AI的盲区。

让我们看看Deepseek的表现：

它叽里咕噜不知道在说啥，但是最后答案选错了。DeepSeek或许连读懂选项的能力都没有。

这道题之所以成为AI的照妖镜，是因为空间推理完全绕开了语言系统。神经科学表明，人类解决此类问题时，大脑活跃的是视觉-运动区域，语言中枢几乎不参与。

如果你自己试着解一遍这道题，你会发现思考过程完全没有依赖语言或文本描述。事实上，空间推理题很难写下一步一步的解题过程。它是一个非符号的、几何化的、动态的模拟过程。

语言模型擅长处理符号和文本，但面对需要脑中构建几何概念、进行心算式的空间旋转，或是推演物体移动的任务时，就暴露出短板。

有研究甚至发现，从事体力或手工工作的蓝领工人在某些空间任务上表现得更好，而长期伏案的白领反而容易犯难。

此类智能，显然对于智能机器人来说是必须的。

“世界模型”研究正是试图弥补这一短板。

所以，我们最好不要把“世界模型”按照字面上理解为一个“对世界的建模”，而是把它当成空间推理这道难题的未知解x。

现在我们可以清楚地看到，Marble解决不了这个问题。Marble本质上是一个高级的3D内容生成工具。但生成一个房子的3D模型，并不等于理解了这个房子的物理结构、承重原理，或者一个球在屋内滚动的轨迹。实际上，Marble所生成的世界连重力和大地都没有，地面没有碰撞体积，用户可以直接穿地而出。

或许正是因为如此，在Marble自己的博客上，虽然屡屡提及“世界模型”与“导出高斯散射体、网格和视频”，但几乎完全没有提到空间智能。

其他人都在做什么“世界模型”？

谷歌（确切说是旗下DeepMind实验室）今年也高调发布“世界模型”，推出了名为Genie的系列模型。

今年8月份发布的Genie 3被称为“通用交互式世界模型”，能够根据文本提示实时生成3D环境，与李飞飞的Marble类似。

当然，两者也有区别。Genie的核心价值不在于为创作者提供工具，而在于提供一个模拟训练场，让AI智能体可以在里面不断尝试、学习。Genie允许用户通过文本实时改变世界事件（promptable events），比如突然下一场雨、出现一只龙等。这种可控的虚拟世界可以考验AI的适应性：研究者可以抛出各种“意外情况”观察智能体的反应，从而训练出更灵活健壮的AI。

DeepMind明确表示，推出Genie系列的目标之一就是训练通用智能体，因为在逼真的模拟世界中练习是通往空间智能的必经之路。也就是说，Genie 3本身不拥有空间智能，而是用来训练空间智能的训练场。

但是，目前Genie 3仍处于限量研究预览状态，场景持续时间受限。换言之，Genie 3还只是个封闭的测试场，并不能让AI在里面“生活”几小时乃至几天自主成长。

然后，值得一提的是杨立昆（Yann LeCun），Meta首席AI科学家，于11月11日曝出计划从Meta离职，准备创立自己的世界模型公司。

不过，杨立昆离职不是因为他发现了什么机会，而是因为他不喜欢28岁的新新资本家亚历山大·王（Alexandr Wang）空降做他的上司。

相比李飞飞和谷歌偏向工程产品化的做法，杨立昆的“世界模型”更多是指一种理念和架构。

他多次公开表示，仅靠大语言模型堆规模无法实现AGI，必须赋予AI类似动物的常识物理和预测能力，即构建内部的世界模型。他将世界模型与自监督学习、认知架构并列为迈向通用智能的三大技术支柱。

杨立昆提出的世界模型概念，强调AI应能自主从环境中学习（而非全依赖人工标注），整合多模态感知，形成对世界的因果认知。

理想的世界模型应该具备：

表示复杂对象和事件关系的能力；

推演因果和时间依赖的能力；

融合符号和连接主义表征的能力。

杨立昆想让AI学到人类幼儿常识：知道物体不会凭空消失、明白遮挡关系、预判“如果我推杯子它会掉下桌子”之类的基本物理直觉。这需要通过海量自监督训练，让AI自己从未标注的数据中学会世界规律。

具体实现上，杨立昆近年来提出了数种探索，如：可预测编码架构（Predictive architecture）、能嵌入世界模型的认知自导引（cognitive architecture）等。

他的团队开发过自监督预测模型（如Facebook的 I-JEPA）来训练AI预测部分图像，以逼近世界模型对环境预测的能力。

杨立昆可能没有引人注目的Demo，但他忠实地走在AI研究这条路线上。

对比杨立昆，Marble选择的是一条更聪明的路，既然真正理解世界太难，那就先把世界画得足够好看，这就像用4K超清滤镜拍了一群不会演戏的演员，观众惊叹于画质却忘了剧情逻辑不通。

我们正目睹一场经典的术语通胀：

从“图像分析”到“计算机视觉”再到“视觉基础模型”最后到“世界模型”；

从“文本生成”到“大语言模型”再到“推理模型”再到“代理”最后到“超级智能”。

每一次名词升级，都伴随着融资额、估值与PPT页数的指数增长，却不总是对应真实能力的同等提升。

连李飞飞这样曾经以严谨著称的学者，也开始参与这种“先把结论说出来，再慢慢往里填内容”的游戏时，我们确实有理由担忧：有人建造真正的世界模型，而有人只是在为我们渲染海市蜃楼。

END

关于我们

具身智能®是智能科学发展的新范式

“具身智能^®”是西安中科光电精密工程有限公司用于转载智能科学、机器人技术及具身智能^®领域研究进展的微信公众号平台，致力于传播前沿资讯与深度洞察。

“具身智能^®机器人”公众号作为原创内容平台，定期发布关于具身智能^®的核心观点、技术突破及行业趋势分析，旨在推动智能科学与机器人技术的深度融合与创新发展。诚挚邀请您加入“具身智能^®”与“具身智能^®机器人”线上平台，共同探索智能科技的未来。

公司的核心优势在于：

原创理论：2019年基于科技部重大专项基金的支持，突破具身智能^®底层理论，突破“物理空间小样本条件下精细结构识别”科学问题，让机器“理解”空间，解决“精准智能识别”和 “自主智能规划”两大核心技术。原创理论的特点：数学架构，“边”端布局，对数据、算力要求低。

该突破是智能科学底层关键问题——“四维时空感知、理解并自主运动规划”的基本路径；是链接大语言模型与运动执行系统（人形机器人、机器狗、无人车），通达通用人工智能的桥梁。

技术能力及技术成熟度：智能识别（对象的精准识别能力）-识别准确率100%（基于已经验数学语言）；精准操控（精细结构的理解和处理能力）-物品及物品细节特征精准识别，不确定对象中的焊接场景精度0.5mm，精密装配场景精度10μm；复杂场景的自主的运动规划及移动规划（新场景的适应能力）—场景模型导入或一次性信息摄入，能快速布置在新场景中使用，具有基于地形学及知识图谱处理未知场景的能力，工业、军用、家庭场景均适用。
成果应用情况：基于具身智能^®技术架构指导的智能机器人，已实际应用于自主智能工业机器人产品及国家重大任务中，解决了多项核心难题；具身智能^®视觉终端，可用于电磁拒止环境下无人机、无人车基于地形与空间分析的自主导航，用于通用人形机器人导航与精准操控。自主智能工业机器人在面向离散制造领域的不确定对象中的焊接、装配、检测等场景中实现批量落地应用；国家重大任务中，自主机器人可在非结构化场景中实现自主识别、自主规划、自主决策以及自适应控制，已得到实质性验证。