今天的AI能识别图像、流畅对话，却仍被困在‘黑暗的文字匠’困境中。李飞飞提出的‘世界模型’概念揭示了一个残酷真相：AI看到的只是像素排列与统计模式，而非真实的三维空间与物理法则。本文将深度拆解人类认知与AI‘伪理解’的本质差异，带你重新思考‘智能’的真正含义。

现在的 AI，真的让人震撼。

它能一下认出猫和狗，能看懂一张照片里发生了什么，还能跟你聊得头头是道，甚至看起来“很有智慧”。

于是很多人都会忍不住问一句：AI 是不是已经开始理解这个世界了？

答案可能有点扎心——它看得见，但它并不真的懂。

李飞飞将今天的AI比作“黑暗中的文字匠”。它们只懂语言，不懂世界。

一、AI 真的“看见”了吗？

从结果上看，AI 的确看见了。

你给它一张图片，它可以告诉你：

• 这是一个杯子
• 那是一张桌子
• 杯子放在桌子上

听起来没什么问题，对吧？

但问题在于：

AI 的“看见”，和人类的“看见”，完全不是一回事。

二、人类是怎么“看世界”的？

我们来看一个非常普通的场景：

一只杯子，放在桌子边缘。

人类几乎不用思考，就会知道：

01、杯子是立体的

02、桌子在支撑它

03、再往外挪一点，杯子会掉下去

04、掉下去，大概率会摔碎

这些判断几乎是“本能”。

但你有没有想过：你并不是因为“识别出了杯子和桌子”，才知道这些事情的。

你是因为——

你生活在这个世界，你理解这个世界是怎么运作的。

人类“看世界”的方式远比接收视觉信号复杂得多。当我们观察环境时，大脑正在构建一个动态、多维的世界模型。

这个模型不仅包含物体的外观，还包括它们的物理属性、空间关系、运动规律和潜在功能。

三、在 AI 眼里，世界是“平的”

而对大多数 AI 来说，一张图片意味着什么？本质上只是：像素、数字、统计模式，AI 通过海量的文本和图像数据学习，掌握了语言表达的规律，却缺乏对物理世界的真实理解。

AI 知道：“杯子”这个词，常常和某些形状一起出现，“桌子”通常在杯子下面，“放在上面”是一个高频描述。

但它并不知道：

01、杯子有重量

02、桌子是否能承重

03、重力一直存在

04、物体掉下去是不可逆的

换句话说：

AI 看到的是一张“会说话的照片”，而不是一个真实存在的空间。

四、 一个关键差别：世界模型

这里有一个很重要、但不难理解的概念——

世界模型（World Model）。

“世界模型”是李飞飞空间智能概念的核心。一个真正的世界模型不仅能够识别物体，还能够理解物体之间的空间关系、物理约束和交互可能性。

你可以把它理解为：一个“脑内的世界运行说明书”。

人类的世界模型包括：

• 世界是三维的
• 物体会被遮挡，但不会消失
• 物理规律长期稳定存在
• 行为一定会带来后果

而很多 AI：

• 没有真正的三维世界
• 没有物理直觉
• 不理解因果关系
• 只是在做模式匹配

所以它可以描述世界，却无法真正理解世界。

五、 会说话 ≠ 懂世界

这也是为什么很多 AI 专家反复强调：语言，不等于世界本身。语言只是人类对世界的总结和描述。

如果一个 AI：只从文本中学习、只从图片标签中学习、从未真正“接触”过世界。

那它学到的，其实是：人类是如何“谈论世界”的

而不是：世界是如何“运作”的

语言模型就像“黑暗中的文字匠”，它们擅长操纵符号和模式，却不理解这些符号指向的现实。

六、AI 为什么总是犯“低级错误”？

没有世界模型的AI系统经常会犯在人类看来十分“低级”的错误。这些错误暴露了AI认知的浅层本质。

比如：在图像生成领域，AI可以创作出视觉上令人惊叹的作品，但仔细观察，常常会发现违反物理定律的细节：错乱的光影方向、不可能的空间构造、不符合解剖学的人体姿态。

这些“低级错误”并非技术细节问题，而是反映了当前AI范式的根本局限。模式识别不能替代真实理解，统计相关性不等于因果关系。

七、 真正的理解，来自互动

人类不是靠“说明书”学会世界的。

我们是靠：行走、摔倒、尝试、失败、修正

正因为如此，今天 AI 研究中一个非常重要的方向是：让 AI 进入世界中学习。

也就是你可能听过的：空间智能、具身智能、世界模型

当 AI 能够：感知环境、采取行动、承担后果、从失败中学习。

它才有可能，真正开始“懂”。

八、 写在最后

未来，随着空间智能的发展，我们或许会忘记AI曾经是多么“笨拙”。它会成为预测你需求的家政伙伴、自主规划路径的出行助手，甚至能模拟分子运动的研发协作者。技术隐入生活体验的背后，曾让我们惊讶的“笨拙”，终将成为数字进化史上一段被淡忘的序章。