把一串钥匙朝朋友抛过去，他抬手就接住了。没人先量距离、算速度，手却知道该往哪儿伸。人从会走路起就在做这类事：判断东西在哪儿、会不会撞上、伸手够不够得着。这份直觉，恰是今天最会说话的模型最不擅长的一块。
换个场景也一样。对着手机问客厅怎么摆沙发更宽敞，模型能给出一套听着挺顺的建议，靠窗、居中、留出动线，连设计原则都引得上。可再追问一句，从门口进来左手第一把椅子到电视柜多远，它多半就开始现编了。
据某媒体报道，她曾用一个例子说明：让模型从一段办公室视频里数清椅子，仍不轻松。这个例子被反复引用，本文只把它当线索，不加引号，不替它补上访谈现场，也不写具体出处没能坐实的那句原话。
钥匙抛过来时
倒一杯咖啡、侧身挤过人群、把桌角的钥匙抓起来，人几乎不用想。可这些动作背后，是一整套对距离、朝向、遮挡和碰撞的估计。机器能把文章写得漂亮，却未必在脑子里有一间可以拿尺子量的客厅。
这跟会不会说话是两回事。语言模型读过的文字够多，回答起问题来头头是道；一旦追问门口到沙发多远、转身会不会磕到茶几，它多半只能顺着词句往下编。词句接得顺，不等于空间摆得对。
倒车时脑补保险杠和路缘还差多少，半梦半醒往杯子里倒咖啡也不洒，靠的都是同一套本事。它不写在课本里，也很难拆成一道能背下来的题，偏偏人人都带着，机器却得从头补起。
数不清的椅子
椅子的例子好懂，是因为它把抽象毛病落到了一件实物上。数数不靠背百科，靠的是把画面里一件件东西分开、认住、记住，别把同一把从两个角度又算一遍。这类活儿，人靠眼睛和身体几分钟就学会了。
镜头扫过几间屋子，椅子有的被桌角挡住一半，有的在远处只剩个轮廓，还有的转个角度又露了一回。人扫一眼心里就有数，模型却容易把遮挡当成两件、把重复当成新的一件，或者干脆把数目猜偏。
据某媒体报道，她把这处短板讲成语言之外的能力缺口。本文不替这句判断找更漂亮的措辞，也不把它说成某一次访谈的原话。能确认的只是：这个例子被反复用来说明，会答题和会看世界，不是一回事。
先看懂，再走进
她的履历里有一条清楚的线。李飞飞是斯坦福大学教授，也是 World Labs 的联合创始人；更早时候，她主导创建了一个叫 ImageNet 的大规模标注图片数据集，让机器有了足够多的样本去学着辨认物体。
所谓标注图片数据集，说白了就是把大量照片一张张配上说明，告诉机器这张里是猫、那张里是杯子。样本堆得够多，模型才慢慢学会自己认。这件事如今听着平常，当年却是把整个领域往前推了一大步的关键一步。
ImageNet 解决的是“看清”：给一张图，说出里头是猫还是杯子。可看清只是第一步，之后还得知道东西摆在哪儿、动一下会怎样，再轮到伸手去拿。据某媒体报道，她曾表示，两类技术汇合是创业的起点。
语言之外的世界
她给后面这块能力起的名字是空间智能，英文叫 Spatial Intelligence。说白了，就是让机器像人一样，对三维世界里的东西有个数：多大、多远、怎么摆、推一下会往哪儿去，还能据此规划自己的动作。
这不是给语言模型添一门功课那么简单。文字是一份被压缩过的二手描述，世界里却还有重力、遮挡、摩擦和距离。一个只在文字里长大的模型，可以把“客厅”两个字用得很顺，却未必装得下一间真能走进去的客厅。
也正因如此，光把模型做得更会答题，补不上这块缺口。题目再难，答案仍落在纸上；而现实里的活儿，错了会撞、会洒、会够不着。要跨过去，得让模型手里先有一份能随时更新的世界状态，而不是一串更顺的词。
世界模型这道关
顺着空间智能往下，就碰到另一个词：世界模型，英文叫 World Model。据某媒体报道，她曾撰文把空间智能称作人工智能的下一个前沿；本文不写那篇文章的标题，也不写它的发表日期，只留住这层方向上的判断。
World Labs 官网把要做的事说得很朴素：造出能感知、生成并与三维世界互动的大型世界模型。感知是看懂，生成是造出一个立得住的场景，互动是给一个动作，模型能算出接下来会变成什么样。三样凑齐，才算从图片走向了空间。
这跟生成一段看着热闹的视频不是一回事。视频只要几秒钟里画面连贯就交得了差，镜头一转，物体形状悄悄变了也常被放过。世界模型要经得起绕回去再看：换个角度、隔一会儿回头，那张桌子还得在原来那个位置。
据某媒体报道，她还把世界模型讲成一处能靠提示建立、可以走进去转转、拿起物件、改动摆设的地方。这说法听着像游戏，落点却是机器得对同一间屋子保持前后一致，而不是每次都重新画一张好看的图。
留一点余地
有两个边界得说清。一是她并没有说语言模型不行了，指出的只是只停在语言这一层，兑现不了机器人、科学发现这类要碰真实世界的承诺。二是本文不预测多少年内机器人会进家门，那类时间表公开信息里没有坐实。
还有一串东西本文没写：不给她贴任何带定性色彩的称号，不转述她对其他公司或人物的评价，也不替那句数椅子的话补出处。人物稿最怕把传闻写成原话，把推断写成事实，宁可少一句热闹，也别多一句没根的。
从让机器看清一张图，到让机器在一间屋子里站稳，中间隔着的不只是更多数据。钥匙抛过来时手往哪儿伸，这件人人都有的小事，反倒成了这份研究里最不容易抄近路的一关。
免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。