當(dāng)然，具身智能目前也面臨著尚待突破的難題。一方面，具身智能要通過(guò)與現(xiàn)實(shí)環(huán)境的互動(dòng)來(lái)獲取智能，但即使一個(gè)理論上能夠完美感知周遭世界并進(jìn)行無(wú)監(jiān)督學(xué)習(xí)的具身智能，也面臨著學(xué)習(xí)效率受環(huán)境制約的問(wèn)題，對(duì)于當(dāng)前零樣本學(xué)習(xí)能力尚不完備的具身智能來(lái)說(shuō)，這將大大限制其發(fā)展速度。另一方面，以仿真環(huán)境為依托的具身智能雖然能夠藉由計(jì)算機(jī)仿真出的環(huán)境來(lái)進(jìn)行非實(shí)時(shí)的高速訓(xùn)練，但面臨著仿真環(huán)境無(wú)法完全“還原”現(xiàn)實(shí)世界的問(wèn)題，導(dǎo)致該智能體難以在現(xiàn)實(shí)環(huán)境中實(shí)用化，也難以在短時(shí)間內(nèi)積累出如同大模型訓(xùn)練語(yǔ)料庫(kù)那樣的大規(guī)模數(shù)據(jù)集。如何解決上述難題，將是具身智能未來(lái)發(fā)展的關(guān)鍵。

2024年3月，谷歌云前人工智能主管李飛飛創(chuàng)建了一家名為“世界實(shí)驗(yàn)室”的初創(chuàng)公司，主要從事開(kāi)發(fā)一種能夠理解三維物理世界的AI模型，被稱(chēng)為“大世界模型”。其基本用法是，給定任意圖片或文字，AI能夠從中提取物體，進(jìn)而還原出一個(gè)完整的三維空間。例如，如果把文學(xué)作品輸入該模型，用戶們就可以進(jìn)入J.K.羅琳在《哈利·波特》中描繪的對(duì)角巷，或者劉慈欣描述的三日凌空的《三體》世界；把畫(huà)作輸入該模型，你可以坐進(jìn)梵高的《夜晚露天咖啡座》，或者站在霍普的《夜游者》酒吧門(mén)口，如同一個(gè)等待進(jìn)入的顧客。

與此前廣泛應(yīng)用于數(shù)字媒體制作的“2D轉(zhuǎn)3D”工具不同，使用“大世界模型”，用戶不僅能夠在該空間內(nèi)水平移動(dòng)，還可以進(jìn)行縱深移動(dòng)和視角轉(zhuǎn)換，從不同角度看到物體的全貌，并且這些物體還具備真實(shí)世界里的部分物理學(xué)特征，包括受阻、碰撞、透視關(guān)系等。李飛飛將這種具備認(rèn)識(shí)和理解空間能力的AI稱(chēng)為“空間智能”。

對(duì)于一個(gè)成立不久的公司，以上還只是早期的演示內(nèi)容，但僅僅依靠這樣的演示內(nèi)容，該公司便已拿到了2.3億美元的風(fēng)險(xiǎn)投資，四個(gè)月后估值就超過(guò)了10億美元?！按笫澜缒Ｐ汀敝砸l(fā)關(guān)注，在于其直接面對(duì)了當(dāng)前人工智能的一個(gè)關(guān)鍵難點(diǎn)：如何令A(yù)I認(rèn)識(shí)和理解世界？其與Sora等圖文生視頻類(lèi)AI最大的不同點(diǎn)，也在于此。體驗(yàn)過(guò)此類(lèi)AI應(yīng)用的人或多或少都遇到過(guò)這樣的情況：人工智能生成的內(nèi)容完全不符合現(xiàn)實(shí)生活中的經(jīng)驗(yàn)，其結(jié)果或是令人啼笑皆非，或是干脆成了“恐怖片”。這便是人工智能沒(méi)有認(rèn)識(shí)和理解世界的結(jié)果，其所做的僅僅是預(yù)測(cè)每個(gè)像素點(diǎn)的數(shù)值。

當(dāng)前，智能體研究的兩大領(lǐng)域——強(qiáng)化學(xué)習(xí)與機(jī)器人——都在關(guān)注如何形成一個(gè)足夠準(zhǔn)確的“世界模型”。這也是楊·勒丘恩等人工智能領(lǐng)域泰斗級(jí)學(xué)者都在反復(fù)強(qiáng)調(diào)的，只有解決了構(gòu)建世界模型的問(wèn)題，才能真正突破人工智能的訓(xùn)練瓶頸。屆時(shí)，人工智能能夠利用世界模型中的狀態(tài)表征和動(dòng)作表征數(shù)據(jù)進(jìn)行反復(fù)試錯(cuò)，進(jìn)而找到現(xiàn)實(shí)世界問(wèn)題的解決方案。盡管當(dāng)前距離這一目標(biāo)還比較遙遠(yuǎn)，但李飛飛的“大世界模型”或許可以看作朝向這一人工智能解決方案邁出了一小步。