Marble世界模型首发：开启空间智能新时代

世界模型的浪潮正式来袭！

今日凌晨，被誉为“AI教母”的斯坦福大学教授李飞飞宣布，其创立的World Labs公司正式发布了首款产品Marble。这标志着世界模型首次以实用产品的姿态亮相公众视野。

Marble的核心功能可归纳为三大亮点：

首先，它具备多模态生成能力。无论是单张图片、一段视频，还是一句文字提示，Marble都能重建出结构完整、细节丰富的3D世界。

其次，它拥有AI原生的世界编辑功能。用户可像调整真实场景一样，对生成的世界进行局部替换、材质变更、光照调节或布局重构。

第三，它提供了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，可直接接入Unreal、Unity、Blender等常见创作工具，无缝融入游戏、影视等行业的工作流。

李飞飞强调，Marble的意义远不止于“简化3D创作”。正如其在《从语言到世界：空间智能是AI的下一个前沿》长文中所阐述，Marble仅是构建真正具有空间智能的世界模型的第一步。

从这个角度看，Marble不仅是首次以“可用产品”形式将世界模型呈现给公众，更象征着空间智能时代的正式启幕：

从最初为创作者提供3D世界构建工具，到未来助力机器人理解现实环境，再到在科学研究中用于虚拟实验、提前预测结果。

更重要的是，它让外界首次清晰感受到：

AI正从理解图像和语言，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已正式开放使用，地址如下：https://marble.worldlabs.ai/

01 一句话、一张图，即可创造全新世界

Marble最令人惊叹之处，可概括为一句话：

无论输入什么——一句话、一张图、几段视频，甚至由简单立方体搭成的草稿，它都能转化为一个完整的3D世界。

这听起来或许夸张，但让我们从最简单的输入方式开始探索。

先看文本生成。假设向Marble输入如下提示词：

“一个融合世纪中期餐厅美学与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，并在几秒内生成一个“可沉浸式漫游”的三维空间。

效果如下所示：

除了文本，Marble还支持更复杂的创作方式：

单图生成：提供一张照片，Marble能生成一个可漫游的3D世界；

例如，给Marble一张照片，它能基于照片的透视关系、光线方向和物体摆放，自动补全为可漫游的3D世界。

结果大致如下：

更进一步，若提供多视角图片或视频，Marble也能捕捉关键元素，还原出更完整、精准的三维空间。

▲第一张为正面，第二张为侧面

例如，向Marble提供两张照片：一张正面、一张侧面。系统将整合两张图的信息，还原为一个更加立体、连贯的空间，效果如下：

除了文字、图片和视频，对于专业创作者，Marble还提供了Chisel工具。

这是Marble面向进阶用户推出的一种实验性编辑方式。使用Chisel时，创作者可先在三维空间中搭建一个粗略框架。

这个框架可简单到仅由几个盒子、平面或墙体组成，也可复杂到包含多个房间、走廊或多层结构。此外，用户还能导入已有的3D资源，将其作为场景的一部分嵌入。

当“骨架”搭好后，AI进入第二阶段。创作者仅需用一句话描述期望风格——无论是现代艺术博物馆、北欧风民宿，还是科幻实验舱，系统便会在现有结构上补全材质、灯光和细节，让整个世界呈现统一的视觉语言。

例如，基于3D几何原图，配合文字提示：“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”，将得到如下效果：

这种方式的关键在于，它将空间逻辑与视觉风格明确分离。粗略的三维布局决定场景基本结构，而文本提示控制最终风格与氛围。两者可自由组合，使同一框架衍生出截然不同的世界。

02 Marble的真正革命：一个持续进化的世界

生成仅是起点。Marble的另一重大突破，是将“世界编辑”变为AI的原生能力。

它允许用户像处理真实场景一样调整生成的三维世界：删除物体、替换材质、改变光线、扩展区域，甚至重构整个空间布局。

以下是Marble的演示案例：

这种“可编辑性”让三维生成首次摆脱“一次性出图”限制，转向持续打磨的创作过程，更贴近真实的三维制作工作流。

不仅如此，Marble还为世界的“扩展”提供了新方法。

在传统3D创作中，场景越大表达力越强，但扩展往往意味更高成本。Marble在此赋予创作者极大自由度。

当初始世界生成后，用户可对其任意区域进行扩展。只需选定区域，系统便基于现有场景逻辑推演新环境，补全原本模糊或未展开的部分。

例如，一个房间边角可能在首版生成中不够细致，或家具背面信息不全，通过扩展，这些薄弱处得以加强，变得更统一完整。

更大区域可延展为庭院、街道，甚至整片景观，让最初小场景自然发展为沉浸式空间。

以下是Marble的演示案例：

除向单个世界内部延伸外，Marble还提供了构建大型场景的另一方式：通过“组合模式”，将多个独立生成的世界组合在一起。

“组合模式”允许创作者像拼接地图一样安排不同世界关系，无论是并列、连接还是嵌套，都可自由布局。

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

这两种方式使Marble不再是一次性生成工具，而更像一个可持续扩展的世界构建平台。

03 生成即素材：AI世界融入游戏、影视产业

世界生成后，如何将其带入真实制作流程，是三维创作工具发挥价值的关键。

Marble在此做得相当充分，它允许用户将场景导出为多种格式，以便在游戏开发、影视制作、建筑可视化或机器人模拟中继续使用。

一种导出方式是高斯粒子渲染。高斯粒子可理解为“由无数微小点组成的三维画面”。Marble生成世界时，将场景拆分为成千上万个带颜色、透明度和深度信息的小粒子，再叠加形成逼真三维图像。

此方式特别适合表现柔和光影、复杂材质和细腻空间层次，因此用于展示Marble世界的最高精度效果。

为让这些粒子世界能直接在网页查看，Marble还推出了开源渲染器Spark。它基于常见THREE.js（一个帮助在网页显示3D内容的工具库），让用户直接在浏览器中加载和展示高斯粒子世界。

若需更传统三维资产，Marble也支持将世界导出为“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提供两种精度网格：

一种是“碰撞网格”，结构较粗糙，用于物理模拟，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。

导出网格后，这些场景可无缝进入Blender、Maya、Unity、Unreal等主流制作工具，完全融入现有创作管线，无需额外转换。这意味着，Marble生成的素材，有机会直接用于游戏、影视等行业工作流。

当然，若目标仅为展示，Marble也支持将整个世界直接渲染为视频。官方示例视频几乎都用Marble直接生成。

此外，Marble还支持对导出视频进行增强处理。它会自动补充更细腻细节，消除画面不自然处，甚至加入动态效果，如火焰跳动、烟雾飘散或水流波动。整个增强过程仍基于原始三维结构，因此镜头、光影和透视都能保持一致。

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

04 AI开始“生成世界”，究竟意味什么？

目睹Marble这些能力后，一个问题自然浮现：

当AI真正开始“生成世界”，这预示着什么？

其实，在Marble发布前，李飞飞发表了《从语言到世界：空间智能是AI的下一个前沿》长文，近乎为Marble这类世界模型提供理论铺垫。

文章探讨了更底层问题：空间智能与世界模型的关系，以及为何它们会成为下一代AI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。从纺纱机改进，到DNA双螺旋发现，文明突破多源于对“空间问题”的理解，而这些问题无法单靠语言描述解决。

因此，若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能力：世界模型。

在李飞飞看来，成熟世界模型至少需具备三种核心能力：

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

第二，多模态性。它能从各种感官输入推断世界状态——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世界里交流。

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

实现这些能力，世界模型需跨越的技术门槛远高于语言模型：

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。

需要全新模型架构来表示3D/4D空间，而非像LLM一样将所有信息“扁平化”。

Marble的发布，是世界模型的首次“产品化亮相”，其基于多模态输入生成一致3D环境的能力，也仅是世界模型基础能力之一。

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

但Marble的出现说明，这条道路已开始清晰：

从语言智能，走向空间智能；从文本世界，走向三维世界。