当许多人还在死磕大模型优化时，美国斯坦福大学教授、人工智能（AI）领军人物李飞飞已将目光投向下一个10年。

近日，李飞飞领导的World Labs（世界实验室）宣布3D世界生成模型Marble向全体用户开放，仅用一张图片就能创造出一个持久存在的三维虚拟世界。与此同时，她发表长篇博客表示：“AI的下一个10年，属于空间智能。”这不仅是一次技术产品的发布，更是一个对AI未来演进方向的判断，李飞飞看到了什么？

惊艳与瑕疵并存，三维生成之门已开启

Marble官宣开放，让无数开发者和爱好者迫不及待地投身测试，结果是喜忧参半。

美国得克萨斯大学达拉斯分校某助理教授随手上传了一张实验室的照片，Marble便为他生成了一个可以“步入”的完整虚拟实验室，逼真程度令人惊叹。一位建筑设计师上传了自己设计的深圳清华大学研究院新大楼图片，模型直接生成了一个可供穿梭探索的虚拟建筑。这位设计师激动地表示：“欢迎AI终于来到我的世界——那个属于空间的世界。”

这些成功案例展现了Marble在内容理解、智能修补和光影还原上的强大能力，为未来的社交、娱乐乃至工作方式提供了巨大的想象空间，然而在细节上，它还不够“真实”。

上海温哥华电影学院三维动画与视觉特效专业系主任徐一然在试用后表示，整体还可以，但有不少不合理的地方，还不能“拿来就用”。另一位测试者则直言画面比较模糊，特别是面对高度依赖想象力的概念图或空间分布复杂的室外场景时，效果还没有达到预期。

徐一然试用Marble模型画面

上海人工智能研究院首席数字官、技术与创新中心主任林圆圆认为，尽管Marble目前呈现的内容与现实使用仍然离得较远，但它是有划时代意义的，这标志着AI创新范式正从“语言理解”向“物理交互”转换。

不止于三维建模，而是AI走进物理世界“新底座”

李飞飞明确表示，空间智能并非多模态的一个分支，而是下一代AI的技术底座。这将彻底重构大模型与世界交互的逻辑。

要理解这场范式转换，需回到李飞飞对智能的划分。她将智能分为“说话的智能”和“做事的智能”。当前如火如荼的大语言模型属于前者，其基本单位是词汇；而空间智能属于后者，其基本单位是像素和体素。李飞飞坦言：“语言是人类的语言，而3D是自然的语言。”

理解了这一点，就能理解为何Marble与当下众多的三维多模态大模型有着本质区别。林圆圆解释说，所有模型都需要数据“投喂”，三维多模态大模型的数据基础是文本和图片，这些能够让模型生成的内容“看起来像三维的”。而空间智能的终极目标，是让AI能在三维世界中“有效行动”，因此，它需要的数据也是三维的，即标注了重量、硬度、运动、受力情况等物理语义的数据。

空间智能离不开3D数据标注。 模速空间供图

“目前，打造三维数据还处于非常早期阶段，不仅缺乏数据，甚至连标准和采集设备都不具备，但反过来想，这也是一个巨大的机会。”林圆圆说。例如，可以构建一个“工业零件三维语义数据集”，就需要标注螺栓的拧紧力矩、零件的耐高温阈值等。这要求空间智能领域必须融合计算机视觉、物理学、机器人学等多学科知识，这也正是未来具身智能和机器人行业最核心的竞争力所在。

死磕数据标注，是发展空间智能“捷径”

李飞飞此次投身空间智能，与她20年前的选择一脉相承，都源于对“数据”的深刻洞察。

2009年，她创建的ImageNet数据集，通过为海量图像打上标签，与卷积神经网络（CNN）结合，意外引爆深度学习革命。如今，她押注空间智能，并选择为三维数据标注的方式，是同一逻辑的延续与升维。因为大模型的发展已经证实，高质量数据才是根本，大模型出现“幻觉”的原因，很可能是数据的数量和复杂度跟不上。

AI制图。

复旦大学教授、元宇宙与虚实交互联合研究院院长赵星非常认可这一方向，在他看来，理解和智能生成完整三维世界对于诸多场景和产业都具有显著价值，例如，机器人和元宇宙等。元宇宙目前的三大核心是数字世界构建、交互硬件研发和数字资产创新，都亟待人工智能生成内容的支撑，其中“世界模型”是目之所及的最佳方向之一。在拥有高效率和低成本生成三维数字内容的工具之前，元宇宙的部分方向很难实际落地。

在上海，许多通往元宇宙的探索正在同步进行。上海人工智能实验室开发的Aether4D世界重建模型已在具身导航领域探索应用；华为、腾讯、中国移动等企业在数字人化身领域持续投入；上影集团则利用3DGS技术生成数字资产。这些布局共同指向一个未来：虚拟与现实的深度融合。

AI正在学习“触摸”我们这个三维世界的每一处肌理，并为具身智能、机器人、元宇宙等一切需要与真实环境互动的应用装上核心引擎。