「空間知能」とは何か──Fei-Fei Liが掲げるAIの次のフロンティア

3行まとめ

1. ImageNetの構築で知られるスタンフォード大学教授Fei-Fei Li氏は2025年11月10日付の論説で、大規模言語モデル（LLM）を「雄弁だが経験がなく、知識はあるが現実に根ざしていない“暗闇の言葉巧者”」と表現し、3次元空間を知覚・推論・行動できる「空間知能（Spatial Intelligence）」こそAIの次のフロンティアだと主張した。ただしWorld Labs公式ブログを遡ると、Li氏がこの語を使った最初の投稿は2024年5月16日で、2025年11月の論説はこの主張の集大成にあたる。
2. Li氏が共同創業者を務めるWorld Labsは、2025年11月12日にマルチモーダル世界モデル「Marble」を一般公開し、2026年1月21日にはテキスト・画像・動画から探索可能な3D世界を生成する「World API」を発表した。
3. 同社は2026年7月21日にロボティクス企業SceniXを買収したと発表しており、事業の軸をコンテンツ生成からロボット学習・実世界応用へと広げつつある。

「言葉巧者」であることの限界

Fei-Fei Li氏の論説は、現在のAIが到達した地点を率直に評価するところから始まる。生成AIモデル（LLMなど）は研究室から日常生活へと広がり、一貫した文章・大量のコード・写実的な画像・短い動画クリップまで生成できるようになった。「AIが世界を変えるかどうかはもはや問いではない。どんな合理的な定義に照らしても、AIは既に世界を変えている」と同氏は書く。

しかしその一方で、自律ロボットのビジョンは「興味深いが投機的なもの」にとどまり、創薬・新材料発見・素粒子物理学のような分野での研究の劇的な加速も「大部分は未達成」だとする。同氏はこの限界の理由を、人間の知能の進化をたどることで説明する。動物が巣を作ったり子を育てたり言語でコミュニケーションしたりするよりずっと前から、「外界から情報を得る」という単純な知覚の働きが、知覚と行動を結ぶ橋として進化的な知能の土台になった、という論旨だ。車を駐車する時にバンパーと縁石の隙間を想像する、放られた鍵を空中でつかむ、混雑した歩道を衝突せずに歩く――こうした日常の動作はすべて「空間知能」に支えられているとLi氏は説明する。

World Labsの歩み

Li氏は、この「視覚・空間知能」の追求こそが自身のキャリアを貫く北極星だったと振り返る。大規模な視覚学習・ベンチマークデータセットImageNetの構築（現代AIの誕生を可能にした3要素の一つとされる）も、スタンフォードの自身の研究室がこの10年間コンピュータビジョンとロボット学習を組み合わせてきたことも、そして共同創業者のJustin Johnson氏・Christoph Lassner氏・Ben Mildenhall氏とともに1年以上前にWorld Labsを設立したのも、すべてこの空間知能を実現するためだったとしている。

追記（2026年9月4日）：本記事が更新履歴を確認したのは8月27日だが、その後の2026年9月1日にWorld Labsは新しい世界モデル「Atlas: A World Model for Spatial Intelligence」を公開している（公式ブログの表記は「Introducing Atlas, our new omni world model for spatial intelligence」）。下のタイムラインは8月27日時点までのもので、Atlasは含まれていない。

World Labs公式ブログの更新履歴を一件ずつ全て確認したところ（2026年8月27日時点でcurl確認）、当初把握していたより2年近く古い時点から「空間知能」という語が使われていたことが分かった。

このタイムラインからは、Li氏の「空間知能」という主張自体は2024年5月から一貫して続いていたこと、そして2025年後半のMarble公開を境に、World Labsが「3D世界の生成・探索」というコンテンツ生成寄りの立ち位置から、2026年に入ってロボティクス・実世界応用へと事業の重心を広げていることが読み取れる。

Marbleが具体的に何をするか

Marbleの発表ブログ本文を直接確認すると、一般公開時点（2025年11月12日）で拡張された機能が具体的に書かれていた。テキスト・画像・動画・大まかな3Dレイアウトのいずれからでも3D世界を生成でき、生成後は2D・3Dの両方でインタラクティブに編集・拡張・結合ができる。出力形式はGaussian Splat・メッシュ・動画としてエクスポート可能だとされる。同時に「Marble Labs」というクリエイター向けハブも立ち上げられており、ゲーム・VFX・デザイン・ロボティクスなど分野横断の事例集・チュートリアル・ドキュメントを提供する場と位置づけられている。

SceniX買収の金額・条件はブログ本文でも明かされていない

SceniX買収の発表ブログ本文（2026年7月21日付）も直接確認したが、買収金額・SceniXの従業員数・具体的な技術内容には一切触れられていなかった。ブログは「SceniXが築いてきた初期の技術、それが今何をできるか、なぜ重要か、これからどこへ向かうのかは近日中に詳しく共有する」と書くにとどめている。つまり、この記事がSceniX買収の条件に触れていないのは確認不足ではなく、World Labs公式の発表自体がこの時点で条件を公開していないためだ。

なぜ「空間」が次のインターフェースなのか

論説のタイトルが示す通り、Li氏の主張の核は「言葉（Words）から世界（Worlds）へ」という比喩に集約される。テキストが人間とソフトウェアをつなぐ共通インターフェースになったのと同じように、3次元空間が人間とAIシステムをつなぐ共通インターフェースになる、というのがWorld Labsの掲げる方向性だ。論説は、この空間知能の獲得が創造性・身体性を持つ知能（embodied intelligence）・人類の進歩全般に影響を及ぼすとしている。

RTFM・World APIなど個別記事の技術本文はまだ読めていない

• 本記事はFei-Fei Li氏のSubstack論説、World Labs公式ブログの更新履歴一覧、Marble公開記事、SceniX買収記事を2026年8月27日にcurlで取得した内容にもとづく。上記タイムライン表のうち、RTFM・World API・Spark 2.0・A Functional Taxonomy of World Modelsなど、Marble/SceniX以外の個別記事は見出しと概要の範囲での紹介にとどめており、本文までは読み込んでいない
• 「空間知能」という語自体は、Li氏やWorld Labs以外の研究者・企業も独自の文脈で使っている可能性があるが、本記事ではWorld Labs関連の一次情報のみを扱っている
• 日本語圏でのこのテーマの認知度・報道状況は今回確認していない
• 2026年2月18日付の資金調達発表について、調達額・投資家名は本記事では確認していない（見出し・概要のみを把握）

関連記事

• AI画像認識・物体検出 入門──YOLO/Vision Transformer【2026年】
• AIロボット 最新動向──Figure/Tesla Optimus/Boston Dynamics【2026年】