当一句话就能生成一个完整的三维世界，AI 的边界正在被重新定义。李飞飞提出的“世界模型”，不仅是创作工具的突破，更是机器人交互、科学仿真的未来雏形。它让我们不得不思考：当机器开始理解现实，人类将如何与之共处？

世界模型终于来了！

今天凌晨，被称为 “AI 教母” 的斯坦福教授李飞飞宣布，她的创业公司World Labs正式推出首款产品Marble。这是世界模型方向第一次以可用产品的形式出现在公众面前。

Marble的核心能力可以概括为三点：

第一，多模态生成。它可以根据一张图片、一段视频，甚至一句文字提示，重建出结构完整、细节丰富的 3D 世界。

第二，AI 原生的世界编辑能力。Marble 允许用户像调整真实场景一样对世界进行局部替换、材质变化、光照调整或布局重构。

第三，真正可落地的制作流程。Marble支持将生成的世界导出为高斯溅射、三角网格或视频格式，可直接进入Unreal、Unity、Blender 等常见创作工具，融入游戏、影视等行业的工作流。

李飞飞认为，Marble的意义远不止“让3D创作更方便”。正如其在《从语言到世界：空间智能是AI的下一个前沿》长文里所说，Marble只是其创造一个真正具有空间智能的世界模型的第一步。

从这个视角看，Marble 不只是第一次以“可用产品”的形式把世界模型带到公众面前，更象征着空间智能时代的正式开场：

从最开始给创作者做3D世界的工具，到未来有可能帮助机器人理解现实环境，再到在科学研究里用来做虚拟实验、提前预测结果。

更重要的是，它让外界第一次清晰地感受到：

AI 有可能从理解图像和语言，迈向理解并操控一个由结构、物理与动态规律构成的完整世界。

目前，Marble 已经正式开放使用，地址如下：https://marble.worldlabs.ai/

01 一句话、一张图，就能造出一个世界了

Marble 最让人感到“魔法”的地方，其实就一句话：

不管你给它什么，一句话、一张图、几段视频、甚至几个立方体搭出的草稿，它都能变成一个完整的3D世界。

这听起来像夸张宣传，但我们不妨从最简单的输入方式开始看起。

先来看文本生成。假设你给 Marble 这样一句提示词：

“一个融合了世纪中期餐厅美学和轨道技术的开放式厨房，以方格地板和不锈钢配件为特色，并配以柔和的浅蓝色灯光。”

看似冗长，但Marble会自动提取关键元素，方格地板、不锈钢、浅蓝灯光、开放式厨房，然后在几秒钟内生成一个“你能走进去”的三维空间。

除了文本外，Marble还支持更复杂的创作方式：

单图生成：给一张照片，它能生成一个可漫游的3D 世界；

比如给Marble一张照片，它能根据照片的透视关系、光线方向和物体摆放方式，把场景自动补齐成一个可漫游的3D世界。

更进一步，如果你提供多视角图片或者视频，它也能捕捉关键元素，还原出一个更完整、更准确的三维空间。

▲第一张为正面，第二张为侧面

例如，你可以给 Marble 两张照片：一张拍正面、一张拍侧面。系统会把两张图的信息拼在一起，还原成一个更加完整、立体的空间，效果如下所示：

除了文字、图片和视频外，对于更专业的创作者，Marble还提供了 Chisel 工具。

这是Marble面向进阶创作者推出的一种实验性编辑方式。在使用 Chisel 时，创作者可以先在三维空间中搭一个非常粗略的框架。

这个框架可以简单到只由几个盒子、平面或墙体组成，也可以复杂到包含多个房间、走廊甚至多层结构。此外，用户也能导入已有的 3D 资源，把它们当作世界的一部分嵌入到场景里。

当这样的“骨架”搭好之后，AI 会进入第二个阶段。创作者只需要用一句话描述希望呈现的风格，无论是现代艺术博物馆、北欧风民宿，还是科幻实验舱，系统就会在已有结构的基础上补全材质、灯光和细节，让整个世界呈现出统一的视觉语言。

例如，基于3D几何的原图，再配上这段文字提示：一座美丽的现代艺术博物馆，铺着木地板，里面摆满了色彩缤纷的绘画和曲线优美的雕塑，会得到如下效果：

这种方式的关键在于，它将空间逻辑与视觉风格明确区分开来。粗略的三维布局决定了场景的基本结构，而文本提示负责控制最终呈现的风格与氛围。两者之间可以自由组合，因而同一个框架可以衍生出完全不同的世界。

02 Marble的真正颠覆，一个可以持续进化的世界

生成只是起点。Marble的另一项重要突破，是把“世界编辑”变成了 AI 的原生能力。

它允许用户像处理真实场景一样对生成的三维世界进行调整：删除一个物体、替换材质、改变光线、扩展某个区域，甚至重构整个空间布局。

这种“可编辑性”让三维生成第一次摆脱了“一次出图”的限制，转而变成一个持续打磨的创作过程，更接近真实的三维制作工作流。

不仅如此，Marble 还为世界的“扩展”提供了新的方法。

在传统 3D 创作中，场景越大，表达力越强，但扩展场景往往意味着更高的成本。在这一点上，Marble 给了创作者极大的自由度。

当初始世界生成后，用户可以对其中的任意区域进行扩展。只需要选定一块区域，系统便会根据已有的场景逻辑推演出新的环境，将原本模糊或未展开的部分补全。

例如，一个房间的边角可能在第一版生成中不够细致，或者家具背面的信息没有完全呈现，通过扩展，这些薄弱之处就能补足，变得更加统一和完整。

更大的区域则可以被延展成庭院、街道，甚至是整片景观，让最初的小场景自然发展成一个具有沉浸感的空间。

除了向单个世界内部延伸外，Marble 还提供了一种构建大型场景的另一种方式：通过“组合模式”，将多个独立生成的世界组合在一起。

这个“组合模式”允许创作者像拼接地图一样安排不同世界之间的关系，无论是并列、连接还是嵌套，都可以根据需要自由布局。

这意味着，用户可以先生成若干风格各异的空间，再通过组合构成一个规模庞大、层次丰富的虚拟环境。

这两种方式使Marble不再是一个一次性生成场景的工具，而更像是一个可以持续扩展的世界构建平台。

/ 03 / 生成即素材，AI世界能被用到游戏、影视了

在世界生成之后，如何将其带入真实的制作流程，是三维创作工具能否真正发挥价值的关键。

Marble 在这一点上做得相当充分，它允许用户将场景导出为多种格式，以便在后续的游戏开发、影视制作、建筑可视化或机器人模拟中继续使用。

其中一种导出方式是高斯粒子渲染。高斯粒子可以理解为一种“由无数微小点组成的三维画面”。Marble 在生成世界时，会把场景拆成成千上万个带有颜色、透明度和深度信息的小粒子，再把它们叠加在一起，形成逼真的三维图像。

这种方式特别适合表现柔和的光影、复杂的材质和细腻的空间层次，因此被用于展示 Marble 世界的最高精度效果。

为了让这些粒子世界能够直接在网页里查看，Marble 还推出了一个叫Spark的开源渲染器。它基于常见的 THREE.js（一个帮助用户在网页里显示3D内容的工具库），可以让用户直接在浏览器中加载和展示这些高斯粒子世界。

如果你需要的是更传统的三维资产，Marble 也支持将世界导出成“三角网格”。这是游戏、影视和设计行业的通用格式，几乎所有专业软件都能直接打开。

Marble 提供了两种不同精度的网格：

一种是“碰撞网格”，结构比较粗糙，用于物理模拟，例如角色碰撞检测、机器人路径规划等。

另一种是“高质量网格”，尽可能保留原始世界的细节和光影，适合正式用于游戏关卡、动画镜头或建筑展示。

导出成网格后，这些场景可以无缝进入 Blender、Maya、Unity、Unreal 等主流制作工具，完全融入现有的创作管线，不需要额外转换。这意味着，Marble生成的素材，有机会被直接用到游戏、影视等行业的工作流中。

当然，如果你的目标只是展示，Marble 也支持把整个世界直接渲染成视频。官方示例视频几乎都是用 Marble 直接生成的。

此外，Marble还支持对导出的视频进行增强处理。它会自动补上更细腻的细节，消除画面中不自然的地方，甚至加入一些动态效果，比如火焰的跳动、烟雾的飘散或水流的波动。整个增强过程仍然基于原始三维结构，所以镜头、光影和透视都能保持一致。

通过这些导出方式，Marble 不再只是一个“能生成世界的 AI”，而是真正能融入各种行业工作流的三维创作平台。

04 当AI开始“生成世界”，到底意味着什么？

在看到 Marble 的这些能力后，一个问题几乎会自然而然冒出来：

当 AI 真的开始“生成世界”了，这意味着什么？

其实，在 Marble 发布前，李飞飞就发了一篇名为《从语言到世界：空间智能是 AI 的下一个前沿》的长文，几乎像是对Marble这类世界模型的理论铺垫。

文章讨论了一个更底层的问题：空间智能与世界模型之间的关系，以及为什么它们会成为下一代 AI 的关键。

李飞飞认为，空间智能决定了人类如何与物理世界互动，是几乎所有认知能力的脚手架。从纺纱机的改进，到发现DNA双螺旋，文明的突破多来自对“空间问题”的理解，而这些问题无法单靠语言描述解决。

因此，如果AI想真正理解世界、进入现实场景、与物理环境交互，就必须拥有这种“面向空间的智能”，而这又离不开更基础的能力：世界模型。

在李飞飞看来，一个成熟的世界模型至少要具备三种核心能力：

第一，生成性。它能创造结构完整、物理合理的三维世界，不是生成一张图，而是一个能“运行”的世界，并且不同输入方式（文字、图像、结构）都能生成连续、连贯的场景。

第二，多模态性。它能从各种感官输入中推断世界状态——图片、视频、文本、动作甚至手势——这让人类和智能体都能在同一个世界里交流。

第三，交互性。当你向前走一步、推开门或移动一个物体，世界模型必须能预测世界的下一帧，并保持内部逻辑一致。

要实现这些能力，世界模型要跨越的技术门槛远比语言模型高：

缺少像“预测下一个词”那样统一的训练任务。世界模型的输入远比文本复杂。

需要巨量且高度复杂的数据，不仅是视频，还包括深度、光照、材质、物理行为等信息。

需要全新的模型架构来表示 3D/4D 空间，而不是像 LLM 一样把所有信息“扁平化”。

Marble的发布，是世界模型的第一次“产品化亮相”，其根据多模态输入生成一致3D环境的能力，也只是世界模型的基础能力之一。

未来，当这类模型真正掌握“看、想、动”的完整链条时，机器人将成为最直接的应用方向，而更深层的科学应用，如自动化实验、材料设计、仿真研究，可能需要更长时间才能成熟。

但Marble的出现说明，这条道路已经开始变得清晰：

从语言智能，走向空间智能；从文本世界，走向三维世界。