所以，发布「 7 x 24 」小时后，还有人在讨论李飞飞吗？

十字路口Crossing·2025年11月20日·0·0

李飞飞的 World Labs，也许被误解了。

李飞飞的 World Labs，也许被误解了。

👦🏻 作者: 镜山

🥷 编辑: Koji

🧑‍🎨 排版: NCon

2025年，「世界模型」 已经成为 AI 领域中最「炙手可热」的词汇，而在这一领域，很少有名字能像李飞飞这样具有「穿透力」。

作为斯坦福大学的教授，计算机视觉领域的开创者，李飞飞主导的 ImageNet 项目曾一举开创了深度学习的新时代，也因此赢得了「AI 教母」的称号。

她不仅在学术界取得了巨大的成就，随后又选择再次出发，创办了自己的 AI 公司 World Labs。

过去的一年里，整个行业都在等待 World Labs 的答案。

2025 年 11 月 13 日，Marble —— World Labs的首款产品正式发布。

本该是一次单纯的技术发布，但在随后的**「7 ✖️ 24 小时」里**却充满了预想不到的波澜。从产品刚发布时的刷屏轰动，到紧随其后的质疑与反思，再到 OpenAI、谷歌、腾讯等大厂的产品路线被拿来与 World Labs 做对比。

整个事件迅速演变成了一场关于 AGI 未来发展方向的辩论。

这一切，都始于 **「7 ✖️ 24 小时」**前。

「7 ✖️ 24 小时」前的轰动

World Labs 的首款商业产品 Marble 发布后，迅速成为虚拟创作领域的焦点，吸引了全行业的关注。

简单来说，Marble 是一款创新工具，允许用户通过文本、图片、视频和 3D 布局等方式，创造出可下载、可编辑、可交互的3D虚拟世界。

无论是游戏、虚拟现实（VR）、电影特效（VFX）还是其他创意产业，Marble 都为创作者提供了全新的可能性。使用这款工具，用户不仅可以构建虚拟环境，还能够与这些环境进行互动，提升了创作自由度。

这款产品的核心理念是「空间智能」。这不仅仅是 AI 在语言或图像上的应用，它引入了一个更具突破性的概念：「感知—生成—交互」的三维空间。

简单来说，Marble 使得 AI 不仅可以理解和生成平面信息，还能在三维空间中感知并创造出互动体验，像一个虚拟世界建造者，给用户带来全新的沉浸感。

比如，我上传了一张 AI Hacker House 的平面二维概念图：

Marble 所做出的世界确实能够利用上传图片中「尽可能多的元素和风格」，复刻「世界」。

不过，也同样能看出来，Marble 这款产品仍然处于较为初级的阶段，混乱和模糊的场景几乎很难避免：

与传统的生成工具不同，Marble 提供了多层次的编辑功能。

用户可以通过自然语言指令进行微调，例如移除场景中的某个物体，或者进行全局修改，直接将场景从现代风格转换为复古风格，甚至改变墙体结构。

这样一来，创作者可以对生成结果进行更精确的控制。

为了帮助用户构建更大规模的虚拟世界，Marble 提供了 扩展（Expand） 和 组合（Combine） 功能。前者让 AI 自动扩展现有场景的边界，后者则允许用户将多个独立生成的 3D 世界拼接成一个宏大的复杂场景。

创作完成后，用户可以将内容导出为多种格式，以适应现有的工作流，包括高保真视觉展示的高斯泼溅（Gaussian Splats）格式，以及可以直接导入 Unity、Unreal Engine 和 Blender 等主流软件的三角网格（Mesh）格式。

Marble 提供了商业化的定价方案，从免费版本（生成少量 3D 世界）到月费计划（20 美元、35 美元、95 美元），希望在各个层级上满足不同用户的需求。

该产品的发布在短短时间内获得了近 3000 次点赞和 180 万次浏览，受到了海量关注。

TechCrunch、Fast Company 和 The Verge 等知名媒体对 Marble 的发布进行了报道，让它瞬间成为「世界模型」领域的焦点，成为这一新技术的「顶流」产品。

风头过后，人们在说什么？

然而，**「7 ✖️ 24 小时」**过去，当我们在各大技术社区和社交平台浏览时，可以明显发现风向变了：大家似乎对于这款世界模型产品「并不买账了」。

最初的兴奋褪去后，质疑声开始浮现了。

例如：

「所以世界模型到底有什么用？」

「我昨晚就丢进去 10 张小区图，睡前都没生成好。」

也有人从技术角度提出看法：

「试了，感觉就是一个分层的高斯溅射。」

「觉得只是 Diffusion + SfM + Gaussian Splatting。」

甚至还出现了这样的评论：

吴恩达、李飞飞、Yann LeCun 几乎只停留在学术界，在工业界基本没有什么建树。

一开始，World Labs 的发布确实掀起了不小的波澜，吸引了大量的开发者和技术爱好者关注。但随着时间的推移，讨论的声音似乎逐渐消退，取而代之的是对该模型的冷静反思与质疑。

这种落差是客观存在的。

在 X 和 Reddit 等社区，关于 World Labs 的讨论热度迅速冷却。对于一款备受瞩目的产品，这种「高开低走」的舆论曲线，迫使我们去思考：

李飞飞到底想做一个什么产品？

世界模型的焦虑

Marble 的诞生，其实在讲述一个更大的故事，那就是李飞飞团队一直强调的：「空间智能」

在产品发布前三天，李飞飞在 11 月 10 日发布的新文章《从文字到世界：空间智能是 AI 的下一个前沿[1]》中，详细阐述了团队开发这款产品背后的动机，也再次表达了她对目前主流大语言模型（LLM）的「焦虑」。

李飞飞认为，尽管目前的大语言模型（LLM）在处理文本、编写代码和生成图片方面表现出色，但它们存在一个明显的短板：

缺乏对物理世界的真实理解。

现有的 AI 模型虽然拥有海量的知识，但它们在处理空间关系时经常出错。例如，在估算距离、判断方向、或者想象一个物体旋转后的样子时，这些顶尖模型的表现往往并不比随机猜测好多少。

在生成视频时，AI 也经常无法维持画面的连贯性，因为它们并不理解画面背后应该存在一个持续的、符合物理规律的三维世界。

简单来说，现在的 AI 擅长处理抽象符号，但无法理解物理现实。这限制了 AI 在机器人等大量领域的应用。

针对这种「焦虑」，李飞飞提出了**「空间智能」**的概念。

为了让 AI 具备这种能力，于是 World Labs 开始构建「世界模型」，构建空间智能，这也直接解释了 Marble 为什么要设计成现在的样子。

World Labs 并不孤单

不过，**「世界模型」也不是一条孤独的赛道，「世界模型焦虑」**也并非 World Labs 独有。

World Labs 虽然发布了 Marble，但它正处于一个竞争激烈的赛道之中，OpenAI、Meta、NVIDIA、谷歌和腾讯等科技巨头都在向同一个方向冲刺。

我们做了一番整理。

2025 年 8 月，谷歌 DeepMind 发布了 Genie 3，并将其明确定位为「通用目的世界模型」。与以往的模型不同，Genie 3 强调「实时交互」。

过去的模型通常只生成静态视频，但 Genie 3 允许用户进入场景并与之互动。它支持生成 720p 分辨率、24fps 帧率的实时画面，用户可以自由导航，比如以第一人称视角驾驶或探索复杂的地形。

DeepMind 甚至为此组建了专门的「世界建模」团队，致力于让模型能够感知物理环境，模拟水流、光照等变化。

用户不仅能在场景中走动，还能通过文字指令实时改变环境，比如改变天气或加入新角色。Genie 3 这种基于物理规律的虚拟环境构建，也被 DeepMind 视为未来训练机器人和游戏智能体的重要基础。

同样，腾讯在 2025 年 9 月发布了 HunyuanWorld-Voyager，这是 Hunyuan World 1.0 的升级版，并迅速将其开源。

Voyager 最大的特点是，它能够从单张静态图像出发，结合用户自定义的摄像机路径，生成具有深度信息的 3D 点云序列。这不仅仅是简单的平面视频，而是具备空间几何结构的场景。

腾讯还强调了 **「长程世界探索」**的能力，即在长时间或长距离的摄像机移动过程中，场景的几何结构仍能保持稳定，避免变形。

此外，有意思的是，OpenAI 前段时间发布的爆火网络的视频模型 Sora 2，反而在真实场景中「表现更加惊艳」。

尽管在技术定义上，Marble 和 Genie 3 这种能让用户在其中「走动」的 3D 模型似乎更符合「世界模型」的直观定义，但在大众认知和网络声量上，OpenAI 的 Sora 2 却明显在物理真实效果的呈现上，「更获好评」。

OpenAI 官方也不再只将 Sora 视为视频生成工具，而是强调其具备更强的「世界模拟能力」。

比如，Sora 2 可以模拟篮球击中篮板后的真实反弹轨迹，试图还原物理世界中出现的偏差，而不仅仅是生成完美的成功画面。

Sora 2 作为通用音视频生成系统，它能以高度逼真度创作复杂的背景音景、人声及音效。

而且，它支持多模态同步生成，画面、对话和音效对齐。

此外，像是 Meta、NVIDIA 等科技巨头，都已经推出了各自的「世界模型」。

这就让 World Labs 面临着一个尴尬的局面：它在做「可能正确的事」（构建 3D 世界），但其他大厂们在用另一种方式，似乎更快地赢得了用户的相信和点赞。

「7 ✖️ 24 小时」后，李飞飞依然「热」

现在，让我们回到最初的那个问题：

发布「7 ✖️ 24 小时」后，还有人在讨论李飞飞吗？

答案是：有。

但大家讨论的重点，可能已经不是 Marble 这款产品本身的热度了。

我们必须承认一个事实：一个新产品的短期热度，在今天这个信息快速流动的时代，可能真的只能维持很短的时间。技术迭代太快了，总是有更新的技术、更酷的产品会冒出来，取代上一个。

那些关于「生成太慢」、「这就是高斯溅射」的吐槽和评论，其实都只是针对 Marble 这款 1.0 版本产品的。

技术总会被更新的技术所取代。

Marble 只是 WorldLabs 拿出的第一个产品，它可能不完美，甚至在技术上被认为是「缝合怪」的质疑。但它做了一件很重要的事：它把「世界模型」这个过去还主要停留在学术层面的概念，带到了所有开发者和用户面前。

「世界模型」这个概念本身，仍然在牢牢地吸引着整个行业的注意力。

所以，我们讨论的重点，不应该是 Marble 今天有多少人下载，或者它是不是在效果上只停留于高斯溅射 Level。

真正值得我们持续讨论的，是它所代表的那个「世界模型」的终极目标。

为什么这个词这么重要？

因为它触及了 AI 领域最核心、最根本的路线之争：通往 AGI（通用人工智能）的路，到底该怎么走？

这场争论的核心就一个问题：我们是该让 AI 用语言「读懂」世界，还是让 AI 真正「看懂」世界？

第一条路：靠海量数据（Scaling）。

这是目前最火的路线，以 OpenAI 等大语言模型 AI 厂商为代表。他们相信，只要我们用足够多的数据（全人类的文本、图片、视频）去训练一个足够大的模型，智能就会「涌现」出来。

Sora 2 的出现，似乎就证明了这条路，它好像自己「领悟」了一些物理规则。

第二条路：靠世界模型（World Models）。

这是以 Yann LeCun、李飞飞、Yoshua Bengio 为代表的「学院派」路线。他们相信，真正的智能不可能「凭空」从数据里读出来，必须通过与世界互动来学习。

深度学习的另一位「元老」、图灵奖得主 Yoshua Bengio 也曾在访谈中提及他对「世界模型」的看法：

构建世界模型，是扩展 LLM 的一个方向，需要用「世界模型 + 推理 + 因果」来补上现在大模型只擅长统计关联的那部分短板。

NVIDIA CEO 黄仁勋，这位工业界代表，也曾在 CES 行业大会上提到：下一代 AI 将走向「Physical AI」，即机器不仅做语言与文本，而是「感知、理解、操作真实世界」的能力。

NVIDIA 也已推出名为「Cosmos」的「世界级基础模型」平台，训练于海量视频以支持机器人／工业场景。