世界模型与空间智能

Dr. Fei-Fei Li（World Labs 创始人，此前专注视觉智能/计算机视觉/机器人研究）给出的定义和论证：

1. 定义：世界模型是一个基础模型（foundation model），让任何人可以通过一句话或一张图"在脑海中创造任意世界"，并且能在这个世界里交互（走动、捡起物体、改变场景）、推理（如果消费这个输出的是机器人，它应该能规划路径、整理厨房）。简言之：世界模型 = 用于创造、推理、交互世界的基础层。
2. 和语言模型的关系是互补，不是替代：语言模型解决的是"语言智能"，而人类大量的认知和行动（火灾/交通事故等混乱现场的自发组织、空间中的物体操作）依赖的是"空间智能"，语言在这些场景里往往无能为力（"语言没法让你扑灭一场火"）。
3. 和视频生成模型的关键区别：视频模型生成的是一段被动观看的 2D 画面（她借用柏拉图"洞穴寓言"类比：观众看到的是墙上的投影，真正的三维实体在背后）；而世界模型的目标是生成真正具备三维结构、可被导航和操作的世界，视频只是其可选的一种导出形式（Marble 支持"在世界里走一遍，然后把这段轨迹导出成视频"，但反过来不成立）。
4. 应用面比机器人更广：机器人/具身智能是重要场景，但作者特别强调"人类本身也是具身智能体（embodied agent），同样能被世界模型/空间智能增强"——列举的场景包括：VFX/虚拟制片（已有案例把制作时间压缩 40 倍）、游戏开发、机器人仿真数据合成、科学发现（她举 DNA 双螺旋结构发现为例——沃森和克里克是从 Rosalind Franklin 的 2D X 射线衍射照片，靠人类的三维空间推理"倒推"出双螺旋结构，这个推理本质就是空间智能，无法只靠 2D 平面思维完成）、甚至心理学暴露疗法等长尾场景。