李飛飛萬字長文刷屏：網紅文生視頻只是“畫皮”，真正的萬億級風口在這｜附中英全文

### 李飛飛萬字長文刷屏：文生視頻只是「畫皮」，空間智能才是下一個萬億級賽道

近日，史丹佛大學教授、AI 領域重量級學者李飛飛的一篇萬字長文在科技圈引發廣泛討論。文中她直言，當前備受追捧的「文生視頻」技術，雖然視覺效果驚豔，但本質上只是 AI 的「畫皮」——它擅長生成流暢的動畫，卻缺乏對世界真實結構的理解。真正的突破方向，在於「空間智能」，也就是讓機器能夠感知、推理並與三維世界互動的能力。這項技術不僅關乎視覺，更牽動機器人、自動駕駛、擴增實境（AR）等產業的未來，潛在市場規模達「萬億級」。

這篇長文的核心論點，在於區分「生成式 AI」與「空間智能」的本質差異。李飛飛指出，當前的文生影片模型，無論是 Midjourney 還是 Sora，都停留在二維像素的排列組合，它們「看」不到物體的體積、距離、物理限制，也無法理解場景中的因果關係。例如，AI 可以生成一隻貓從桌上跳下的影片，卻不知道桌子有多高、貓落地的衝擊力如何。空間智能則要求系統具備「三維理解」——從單張或多張影像中重建出場景的幾何結構，並能預測物體在真實世界中的移動與互動。

從背景脈絡來看，李飛飛的觀點並非突然冒出。她在 2023 年創立了 AI 新創公司 World Labs，專注於空間智能的底層技術開發。這波討論的背景，正是生成式 AI 從文字、圖片進展到影片後，業界開始反思：僅僅生成更多「像真的內容」是否就是 AI 的終點？李飛飛的長文等於為這股反思提供了學術重量級背書。她強調，人類之所以能與世界互動，靠的是內建的空間推理能力，而這也是當前大型語言模型與擴散模型最欠缺的一環。

這項論述對科技業可能產生深遠影響。首先，資金與人才可能從「文生影片」領域轉向空間感測、3D 重建、機器人操控等基礎研究。其次，硬體廠商如 NVIDIA、Apple 以及光學感測器業者，將有機會開發更適合空間智能的計算平台與感測元件。此外，自動駕駛與智慧工廠目前仍受困於場景理解的死角，空間智能一旦突破，極可能推動自駕車真正跨越 L4 到 L5 的門檻，同時讓倉儲機器人、家用服務機器人變得更具實用性。

對於關切 AI 趨勢的讀者，後續有幾個值得鎖定的方向：一是李飛飛團隊 World Labs 的技術研發進度與對外合作消息；二是各大研究機構是否開始大量發表空間智能相關論文，以及它們與生成式模型的整合方式；三是產業面，如特斯拉 Optimus 機器人、輝達 Omniverse 平台，是否導入更深度的空間推理架構。另外，也值得留意台灣的半導體與光學供應鏈，是否有機會切入空間感測模組的商機。

總而言之，李飛飛的長文不只是一個學術觀點，更是一記當頭棒喝：當所有人都忙著生成更炫目的影片時，真正能改變人類生活、具備萬億級市場價值的技術，或許正藏在那些我們還沒有「看見」的空間裡。空間智能的漫長征程才剛剛開始，而在這場新賽局中，誰能率先讓機器真正「懂」三維世界，誰就可能掌握下一波 AI 浪潮的制高點。