2026 年 2 月 3 日，在 Cisco AI 峰会“3D & AI”专场，World Labs 的首席执行官兼联合创始人李飞飞博士与 Cisco 总裁兼首席产品官 Jeetu Patel 讨论了该公司在空间智能方面的工作及其第一代模型 Marble。该对话是一个聚焦人工智能如何从能力向可信的现实世界影响转变的节目的一部分。
李飞飞在台上将空间智能框定为当前人工智能系统的一个基础性扩展，并介绍了 Marble 这一 World Labs 多模态世界模型的设计意图和早期应用。
为什么空间智能很重要
李首先从进化的角度说明空间智能的重要性，认为感知和与物理世界的交互是智力发展的原始驱动因素。正如她所说，我每天醒来只想着一件事，就是空间智能。
她解释道，看到和触碰环境在数亿年间先于语言，因此“理解、推理、交互和在真实的 3D、4D 物理世界中导航”的能力，在她看来，与语言智能一样具有基础性。
什么是 Marble 以及它如何工作
在被要求描述 Marble 时，李表示它是 World Labs 的第一代空间智能模型。她强调了 Marble 的多模态输入和持久的 3D 输出：无论是仅一句话、还是一张图片、一个视频、几张图片，或者一个简单的 3D 输入，都无所谓。它是多模态的。然后它把这些提示变成一个完全可导航、可交互的 3D 世界，并且是永久一致的。
她将 Marble 与现有的视频模型对比，指出 Marble 提供了几何结构，使得这些环境可以用于仿真、机器人训练或游戏创建。
早期用例与意外的应用领域
李列举了多个已在试验 Marble 的行业。她表示用户正在开发游戏，并在商业虚拟制作和视觉特效工作流中使用 Marble；机器人和仿真合作伙伴将 Marble 作为训练环境；建筑师和设计师将其应用于室内设计及其他规划任务。李还提到临床研究人员表现出意外的兴趣：事实证明，许多精神病学和心理健康方面的研究以及干预，需要针对特定情境进行个性化的沉浸式环境……使用 Marble 时，只要提示，就能在几分钟内得到许多不同类型的环境供你使用。
她还指出健身和个性化训练场景是另外的早期应用。
数据、规模以及世界模型与语言模型的不同
李解释说，世界模型面临与大型语言模型不同的数据与工程约束。她表示，文本数据丰富且相对干净，而 3D/4D 数据（体素、几何、时间一致的场景）更混乱且更稀缺。因此，World Labs 采用混合数据策略：将互联网规模的文本、图像和视频与模拟数据及真实世界采集的 3D/4D 数据集合叠加。如她所总结的，我们没有大量的 3D、4D 数据来训练我们的模型。所以我们必须采取多模态数据叠加的混合方法。
李同时承认 Marble 目前比最大规模的语言模型要小，世界模型领域也更年轻，但她预计随着架构、数据和算力的成熟，进展会很快。
机器人学与通用具身代理的挑战
谈到机器人时，李强调了从二维的轮式载具向三维的操控器和人形形态过渡的复杂性。她将汽车的相对简单性与必须触碰并操作物体而不损坏它们的高维机器人进行了对比。她强调仿真——尤其是逼真的手部与灵巧性仿真——仍然很难，而像 Marble 这样的世界模型可以作为训练和测试机器人策略的丰富仿真基底。不过，她也警告说道路漫长：北极星虽已明确，但旅程并不短。
对人工智能进程与公共讨论的反思
李回顾了人工智能发展的快速节奏以及由此带来的复杂心情。她既感到兴奋又谦逊：进展之快令人瞠目，但也让人更意识到未知之多。她警示反对极端化的言论，呼吁更细致、负责任的讨论：让我们更细致一些。让我们怀有善意。既要乐观地使用技术向善，也要有责任感去负责任地使用它。
成功的样子
在被问及未来几年人工智能的成功应是什么样时，李给出的是一种文明层面的框架，而非狭窄的指标衡量。她将想象人工智能带来益处比作想象电气化的影响：更明亮的学校、更温暖的房屋、更长的预期寿命以及更广泛的学习机会。对李而言，成功意味着技术帮助个人追求繁荣与尊严：成功就是当文明变得更好，而文明由每一个追求幸福、追求繁荣并怀有尊严感的个体构成时的样子。
对企业的指引与对合作伙伴的邀请
李将空间智能和世界模型定位为横向的、面向企业的技术，涉及众多行业：机器人、仿真、视觉特效与游戏制作、医疗、教育、现场服务、金融、农业、制造、检验、仓储和城市规划。她鼓励企业在该技术从早期原型走向实用工作流的过程中，与 World Labs 以及更广泛的技术生态进行接触。
参考资料及相关材料：
TechCrunch - 李飞飞的 World Labs 通过 Marble 加速世界模型竞赛
Financial Times - 李飞飞：没有空间智能，人工智能是不完整的
更多独家洞察尽在 nextfin.ai.
