李飛飛押注的空間智能：生成的世界，如何「經得起折騰」？

AI 生成的世界看似繽紛，卻往往「中看不中用」。究其根本，問題可能在於 AI 少了一本「底账」——一份完整記錄世界裡有什麼、每次交互或行動改變了什麼、並且能被隨時檢查與回滾的狀態日誌。沒有這份底账，AI 生成的三維場景只是浮於表面的視覺幻象，缺乏真正可被操作、可被驗證的內在邏輯。這正是當前生成式 AI 從「畫圖」走向「造世界」時，最容易被忽略、卻也最關鍵的技術瓶頸。近年來，以生成對抗網路、擴散模型為代表的生成式 AI 在二維影像領域取得了令人矚目的進展。從高解析度的人物肖像到風格多變的風景畫，AI 已經能夠在短短幾秒內產出足以以假亂真的視覺內容。

然而，當研究人員嘗試將這套能力延伸到三維空間時，卻發現情況遠比想像中複雜。一張靜態圖片可以靠像素之間的統計規律來生成，但一個可互動的三維世界，必須遵循物理法則、保持空間一致性，並且在用戶介入後做出合理的回應。這對 AI 的認知架構提出了截然不同的要求。李飛飛近年押注的「空間智能」，正是被視為通往世界模型的主流路線之一。這位史丹佛大學教授、ImageNet 挑戰賽的發起人，在電腦視覺領域擁有舉足輕重的地位。她近年來多次公開表示，下一波 AI 浪潮將不再局限於二維畫面的理解，而是朝向三維空間的感知與推理邁進。

空間智能的核心構想，是讓 AI 從單純識別二維畫面，進化到理解、推理，甚至生成一個「可進入、可操作、可持續編輯」的三維世界。換句話說，AI 不只要看得懂一張圖，更要懂得一個空間裡物體之間的關係、物理規律，以及使用者介入後可能產生的連鎖反應。這個願景背後，其實隱含著一個更深層的技術挑戰。傳統的生成模型，無論是生成圖片還是影片，本質上都是在做「一次性」的輸出——模型根據輸入的條件或雜訊，直接產生最終結果。這種模式在二維領域行得通，因為圖片是靜態的，不需要考慮時間演進或因果關係。但三維世界是動態的、持續的，用戶可能隨時移動視角、拖動物件、改變光源，甚至觸發一連串的物理模擬。

每一次操作，都應該在世界狀態中留下痕跡，而 AI 必須能夠追蹤這些變化，才能維持世界的一致性。這就帶出了「狀態底账」的概念。所謂底账，就像是一個世界模型的資料庫，記錄了場景中每個物件的屬性、位置、材質、物理狀態，以及每一次交互行為對這些屬性造成的改變。有了這份底账，AI 生成的世界就不再只是一張漂亮的靜態截圖，而是一個有內在邏輯、可以被反覆檢驗的動態系統。當用戶把一個杯子從桌上推到邊緣，底账會記錄杯子的位移、速度、與桌面的接觸點；當杯子掉落地面，底账會更新它的位置、形狀變化，甚至碎片飛散的軌跡。每一步都有跡可循，每一次改變都可回溯。這項能力的重要性，在於它讓生成的世界真正「經得起折騰」。

如果沒有底账，AI 生成的三維場景就像一幅畫在沙地上的圖案，風一吹就散了。用戶稍微改變視角，場景可能就出現嚴重的變形；用戶試圖移動一個物體，AI 可能無法判斷它與周圍物體的碰撞關係；用戶想要撤銷某個操作，AI 更是無從下手，因為它根本不知道剛才發生了什麼。這些問題在靜態展示中看不出來，但一旦進入實際應用——例如虛擬實境、遊戲開發、機器人模擬——就會立刻成為致命的缺陷。空間智能若要從實驗室走向實用，恐怕得先讓 AI 學會「記得自己改變了什麼」，而不只是「畫出一個像樣的世界」。

這意味著，未來的世界模型必須具備至少三層能力：第一層是感知，能夠理解三維空間中的物體與結構；第二層是推理，能夠預測物體之間的互動與物理規律；第三層是記憶，能夠記錄每一次操作的狀態變化，並在需要時進行回滾或修正。目前多數研究團隊的注意力集中在第一層與第二層，第三層的「狀態管理」往往被視為工程問題而忽略，但恰恰是這項能力，決定了生成世界能否從「展示品」升級為「工具」。值得注意的是，這並非純粹的理論探討。在機器人領域，空間智能的應用已經開始浮現。機器人需要在真實世界中導航、抓取物體、避開障礙，這些任務都依賴於對三維空間的即時理解與操作。

如果機器人內建的世界模型具備完整的狀態底账，它就能在執行任務的過程中不斷更新對環境的認知，並在出錯時回溯到先前的狀態，重新規劃行動路線。這對於提升機器人的自主性與可靠性，具有直接的幫助。在虛擬實境與遊戲產業，這項技術同樣具有廣闊的應用前景。目前的虛擬世界大多是預先建模的，場景中的物體行為由開發者手動編寫腳本控制，缺乏真正的動態生成能力。如果 AI 能夠即時生成一個具備完整狀態管理功能的三維世界，開發者就能大幅縮短場景建置的時間，玩家也能獲得更自由、更真實的互動體驗。

想像一個開放世界遊戲，玩家可以隨意破壞建築、搬運物品、改變地形，而遊戲引擎能夠即時追蹤所有變化，並在玩家離開後讓世界「記住」這些改變——這正是狀態底账所能帶來的體驗升級。當然，要實現這樣的願景，還有許多技術難題待解。三維空間的狀態表示本身就是一個開放問題，如何用緊湊的資料結構描述一個複雜場景中所有物體的動態屬性，目前還沒有標準答案。此外，狀態的更新需要與物理模擬、渲染引擎緊密配合，這對計算效率提出了極高的要求。李飛飛團隊近年來發表的數篇論文，已經在空間感知與三維理解方面取得了初步成果，但要真正建立起一套完整的「世界狀態管理系統」，仍需要跨領域的長期投入。

從更宏觀的角度來看，空間智能與狀態底账的結合，其實反映了 AI 發展的一個重要趨勢：從「生成內容」走向「生成世界」。前者關注的是輸出結果的逼真度，後者關注的是系統的可用性與一致性。這條路徑的終點，或許是一個能夠與人類長期互動、持續演化的虛擬環境——它不僅看起來真實，更在邏輯上站得住腳，經得起用戶一次又一次的測試與折騰。而這一切，都始於那本看似不起眼、卻至關重要的「底账」。