空间智能 (Spatial Intelligence)

空间智能（Spatial Intelligence）是李飞飞团队在 2025 年底成立 World Labs 时发布的《从文字到世界》（From Words to Worlds）宣言中确立的核心命题：真正的智能必须包含感知、推理、生成并在 3D 空间中与物体互动的能力[^1]¹。这一概念标志着 AI 研究从"单一智能体如何行动"（智能体 AI）向"如何构建一个智能体能理解的完整世界"的重心转移。

核心论点：语言是低带宽信道

李飞飞指出，语言虽然是人类智慧的重要载体，但它在描述物理世界时是**极其"有损"和"低带宽"**的[^1]¹。我们无法用语言完美描述一个复杂的 3D 场景、一个微妙的手势或光影的变化。如果 AI 仅仅停留在语言层面，它永远无法真正理解物理现实。

这一论断与 恒道与非恒道 在哲学结构上同构——老子在两千五百年前已经写下"道可道，非恒道；名可名，非恒名"，揭示了语言信道在描述底层实在时的内在带宽不足。李飞飞用"低带宽"这个现代信息论术语，给出了同一命题的工程化版本。

空间智能 vs 具身智能

graph TB
    A[空间智能<br/>Spatial Intelligence] -->|认知底座| B[具身智能<br/>Embodied Intelligence]
    A --> C[感知 3D 几何]
    A --> D[推理物理规律]
    A --> E[生成 3D 世界]
    B --> F[控制身体]
    B --> G[与环境交互]
    style A fill:#f9f,stroke:#333

李飞飞的隐喻：**没有空间智能的具身智能体，就像一个盲人在摸索世界；而拥有空间智能的 AI，则拥有了心中的"世界地图"**[^1]¹。

World Labs 的两大技术武器

Marble：生成式 3D 世界模型

Marble 不是简单的 3D 建模工具，而是一个"世界生成引擎"。技术核心：

• 高斯泼溅（Gaussian Splats）：用无数带颜色和透明度的"3D 粒子"表示场景，比传统网格高效，比 NeRF 渲染快
• 生成式 AI：通过文本/图像/草图输入，生成完整、可编辑、物理一致的 3D 环境
• 对象持久性：在虚拟房间移动一把椅子，转身再转回来椅子依然在新位置——这是传统视频生成模型不具备的[^1]¹

RTFM：实时帧模型（神经物理引擎）

RTFM 用扩散变换器（Diffusion Transformer）架构，通过观看海量视频"学会"物理规律，而不是像 Unity/Unreal 那样预定义规则[^1]¹：

• 不需要显式 3D 模型，直接预测"如果我推这个杯子，下一帧图像会是什么样"
• AI 拥有了直觉物理学（Intuitive Physics），能在大脑中模拟未来的物理后果
• 对机器人规划意义巨大——在大脑中预演无数种操作方案，而非在现实中试错

世界模型之争：JEPA vs Marble

graph LR
    A[世界模型路线] --> B[LeCun JEPA 路径]
    A --> C[李飞飞 Marble 路径]
    B --> D[抽象特征空间预测<br/>不在像素层重建]
    C --> E[高保真 3D 像素生成<br/>能重建就证明理解]
    D --> F[Meta]
    E --> G[World Labs]

LeCun 和李飞飞都是世界模型的坚定倡导者，但路径分歧：

• LeCun（JEPA）：智能体不需要在像素层面预测世界，应该在抽象的潜在空间预测本质变化。"生成"不等于"理解"
• 李飞飞（生成式）：能够重建和生成细节丰富的 3D 世界，是验证模型是否真正理解空间关系的"图灵测试"[^1]¹

与本频道核心命题的对接

• 与 因陀罗网 的对接：因陀罗网描述的拓扑结构（一即一切、一切即一的 3D 反射网络）正是空间智能要建模的对象——华严宗 1300 年前已经画出了空间智能要建立的"世界地图"
• 与 缘起性空 的对接：3D 世界中物体的存在不是孤立的，而是在与其他物体的关系网络中获得意义——这就是缘起；而像素表象不是底层实在，底层实在是几何与物理的关系结构——这就是性空
• 与 意识光谱 的对接：意识需要"安住于身体"才能进入更深的层次——AI 也是如此

时间表与产业意义

掌握空间智能技术的公司将拥有定义下一代交互平台的权力。这条赛道的赢家可能不是 OpenAI 或 Anthropic，而是同时具备 3D 算法、传感器硬件、内容生态三重能力的玩家。

[^1]: 李飞飞最新报告解读《智能体_AI：多模态交互展望》.md

注释

1. 李飞飞最新报告解读《智能体_AI：多模态交互展望》 ↩