視覺，是人類感知世界的一扇窗，人類大約80%的知識都來源于此。

達爾文在《物種起源》中認為，約5.4億年前的寒武紀，出現(xiàn)了單個感光細胞的生物體。視覺能力被認為引發(fā)了寒武紀生命大爆發(fā)，這是一個動物物種大量進入化石記錄的時期。一旦有了視力，生物就會變得更加積極主動，神經系統(tǒng)開始進化，視覺變成了洞察力，因此視覺讓生物的進化加速。

圖像和視頻模型與大型語言模型的出現(xiàn)預示著人工智能在視覺領域的潛力，但它們只是觸及了更大可能性的皮毛，當前只是人工智能的“第一章”。為了實現(xiàn)更高水平的人工智能，空間智能（Spatial Intelligence）作為人工智能從二維空間向三維世界進階的一把鑰匙浮出水面，它不僅要讓人工智能能夠“看見”世界，還要讓其能夠理解三維世界，并在其中進行互動和學習，這是從單純的視覺識別到真正理解、操作現(xiàn)實世界的跨越。

這一技術概念的提出，將為包括具身智能、自動駕駛、車路云一體化等在內的人工智能場景應用翻開新的一章。

世界模型觸發(fā)人工智能“靈性”

如今，我們正站在智能時代的轉折點上，空間智能成為推動人工智能突破當前能力限制的關鍵。正如視覺能力催生了生物智能，空間智能有望引領人工智能進入一個全新的發(fā)展階段，但必須讓人們看到落到實處的可能。

被譽為“AI教母”的李飛飛教授首次創(chuàng)業(yè)即選擇了空間智能方向，引發(fā)了行業(yè)對這一領域的廣泛關注。

在溫哥華舉行的2024年TED大會上，她發(fā)表了題為《有了空間智能，AI將會理解現(xiàn)實世界》的演講，將空間智能描述為人工智能發(fā)展的下一個重要里程碑?！皺C器視覺是遠遠不夠?！崩铒w飛說，“視覺化為洞察、看見成為理解、理解導致行動，行動的沖動是所有具有空間智能的生物的天性”。

人們所熟知的人工智能大模型是擁有超大規(guī)模參數(shù)（通常在十億個以上）、復雜計算結構的機器學習模型，通常能夠處理海量數(shù)據(jù)，完成各種復雜任務，如自然語言處理、圖像識別等。傳統(tǒng)的通用大模型擅長處理文本、語音、圖像和視頻等四類數(shù)據(jù)，但對機器人來說，理解空間坐標、知道自己在什么位置、如何進行目標抓取才是核心。這也進一步強調了空間智能與現(xiàn)有人工智能技術的本質區(qū)別。

空間智能被認為是實現(xiàn)通用人工智能（AGI）的關鍵一環(huán)，可以理解為機器在三維空間當中的感知、理解和交互的能力。它在二維世界的基礎上增加了深度信息，變成三維且極具立體，目標是將人工智能模型從像素的2D平面提升到立體的3D世界，賦予它們與人類一樣豐富的空間智能。這樣的空間智能最后呈現(xiàn)出來的方式可能是兩個虛擬的智能體的交互，也可能是成為機器人的“大小腦”，進而實現(xiàn)實體交互。

盡管OpenAI的Sora模型可以文生視頻，但就本質而言，它仍屬平面二維模型，沒有三維立體理解能力，只有通過空間智能，才能看到世界、感知世界、理解世界并讓智能體自主做事，從而形成良性閉環(huán)。

形成空間智能的核心在于建立“世界模型”，讓機器人具備類似人類感知的“靈性”。具體來說，需要建立能夠對空間幾何與物理過程進行精準建模、理解與推理的“世界模型”，使包括視覺、力覺、觸覺等在內的各類機器人傳感器具備人類感知的能力。

世界模型的基本思想，源自于對人類和動物如何理解世界的觀察。我們的大腦能夠模擬可能的未來場景，并基于這些模擬做出決策。借鑒這一機制，世界模型旨在為人工智能系統(tǒng)提供一個內部環(huán)境的模擬，使其能夠預測外部世界的狀態(tài)變化，從而在不同情境下做出適應性決策。

這個模型通過無監(jiān)督的方式從未標記的數(shù)據(jù)中學習，從而無需明確指示就能理解世界動態(tài)。該模型架構由六個模塊組成，包括執(zhí)行控制的配置器、理解當前狀態(tài)的感知模塊、預測的世界模型、決策的成本模塊、規(guī)劃行動的行動模塊，以及追蹤狀態(tài)和成本的短期記憶模塊。

在強化學習領域，世界模型已經顯示出其強大的潛力。通過在模型中模擬環(huán)境，人工智能不僅可以在虛擬環(huán)境中“想象”執(zhí)行動作的后果，還能夠在實際執(zhí)行之前評估不同行動方案的效果，極大提高了學習效率和決策質量。此外，在自主決策系統(tǒng)，如自動駕駛汽車和機器人中，世界模型能夠幫助系統(tǒng)更好地預測和應對可能的變化，提高了安全性和可靠性。

世界模型的最大優(yōu)勢在于其環(huán)境模擬與預測的能力，這種能力使得人工智能系統(tǒng)可以在進行實際操作之前，通過內部模擬來評估不同行為的后果，這在資源有限或風險較高的情境下尤為重要。世界模型還支持決策支持和規(guī)劃能力的提升，允許系統(tǒng)在多個可能的未來中“看到”并選擇最優(yōu)路徑。

然而，世界模型的構建和應用也面臨著顯著的挑戰(zhàn)。首先，環(huán)境模擬的準確性極大地依賴于模型的復雜度和所擁有的數(shù)據(jù)質量。要精確地預測復雜環(huán)境中的動態(tài)變化，需要大量的數(shù)據(jù)和強大的計算資源，這對于資源有限的項目來說可能是一個限制。

其次，構建一個能夠泛化到多種不同環(huán)境的世界模型是極具挑戰(zhàn)性的，因為現(xiàn)實世界的復雜性和不可預測性遠遠超出了任何現(xiàn)有模型的處理能力。

盡管世界模型在理論上具有巨大潛力，但在實際應用中仍然存在許多未知數(shù)。例如，如何確保模型的預測準確性，如何處理模型可能的偏差，以及如何在不同的應用場景中調整模型參數(shù)以適應特定的需求等問題都需要進一步的研究和探索。

世界模型的潛在應用范圍極為廣泛，不同領域對于其理解與預測能力有著差異化的要求。

以自動駕駛為例，世界模型需要實時精準地把握道路狀況，并對其變化趨勢進行精確預測，重點聚焦于對環(huán)境的瞬時感知以及復雜變化趨勢的預估判斷。在機器人技術領域，世界模型對于導航、物體識別檢測以及任務規(guī)劃等關鍵任務起著不可或缺的作用，要求其能夠精準地解析外部動態(tài)環(huán)境，并構建具有交互性和實體體驗感的環(huán)境場景。而在虛擬社會系統(tǒng)模擬方面，世界模型需要敏銳地捕捉并預測更為抽象的行為動態(tài)，諸如社會交往互動以及人類決策制定等過程。

目前，空間智能的發(fā)展處于起步階段，但整體發(fā)展速度非?？?。Omdia最新報告顯示，全球空間計算市場規(guī)模預計將在2029年超過100億美元，在消費者和企業(yè)用例中被廣泛采用，其累計平均增長率（CAGR）將達18%。另據(jù)泰伯智庫預測，到2030年，中國元宇宙市場規(guī)模將到達8500億元；其中與空間計算相關的市場在2030年可能達到3400億元，約占整個元宇宙市場的40%。

空間智能開啟無盡想想象力

從技術演進角度看，世界模型代表了人工智能領域的一種嶄新思維方式。它通過將感知信息轉換為關于外部環(huán)境的抽象模型，使得智能體能夠有效預測和理解周圍世界的動態(tài)變化。世界模型設計的核心在于利用歷史數(shù)據(jù)，建立一個能夠模擬現(xiàn)實環(huán)境的數(shù)字框架。

以自動駕駛為例，世界模型不僅可以幫助智駕系統(tǒng)根據(jù)歷史經驗預測其他車輛和行人的行為，還能在特定情況下提前調整行車策略，極大提高行駛安全性與效率。這種基于物理規(guī)則和常識的數(shù)字世界生成能力，是以往任何人工智能技術都無法比擬的。

而空間智能則是世界模型的自然延伸，可被視為人工智能從“自發(fā)感知”走向“自主認知”的邁進，其讓人工智能技術開始突破信息空間的局限，向真實世界的三維空間擴展，進一步提升了人工智能在實際環(huán)境中的適應能力。它不僅是人工智能技術的再次進化，更是人工智能系統(tǒng)朝著真正理解和交互我們所生活的三維世界邁出的關鍵一步。正如語言智能讓人工智能能夠理解和生成人類語言一樣，空間智能將使人工智能能夠理解和操作物理世界。

相較于傳統(tǒng)的圖像識別技術，空間智能要求人工智能具備三維空間的理解與實時行為調整能力。通過對動態(tài)場景的分析與決策，人工智能不僅能夠識別物體，還能夠理解它們之間的相對位置和運動軌跡。

比如，在復雜的城市交通環(huán)境中，自動駕駛系統(tǒng)必須利用世界模型來預測交通流動，同時依靠空間智能確保能夠有效應對突發(fā)的交通情況。此種雙重能力的結合，讓自動駕駛的安全性和可靠性將發(fā)生質的飛躍。

空間智能與世界模型的結合，不僅拓寬了人工智能的應用場景，也推動了算法的進一步發(fā)展。未來，兩者將為智能體提供更高層次的認知與推理能力，使其能夠在模擬的虛擬環(huán)境中進行反復實驗，從而優(yōu)化決策在現(xiàn)實世界中的應用。

如此，科學家和工程師們可以在無風險的條件下，測試和改進智能算法的表現(xiàn)。這種在虛擬環(huán)境中的訓練，為現(xiàn)實中的應用提供了更加保險的保障，對于推動技術的成熟具有重要意義。

在日本，空間智能已全面鋪開。比如日本正在把整個東京進行3D數(shù)字孿生化，這是實現(xiàn)AI空間智能的關鍵一步。這一數(shù)字孿生模型的規(guī)模非常大，而且它對東京的刻畫也非常之精細，其絕對位置精度大約在10cm以內，不僅包含了LiDAR點云，還有詳實的CityGML和實時交通數(shù)據(jù)。根據(jù)日本的預期，到2030年將實現(xiàn)一個完整的數(shù)字孿生城市，從交通到能源做到信息無縫融合，越來越多的城市房屋、工廠將轉化為模擬數(shù)據(jù)。

對于城市進行的數(shù)字孿生其實也就是基于感知的城市數(shù)據(jù)，在網絡空間上像“孿生”一樣再現(xiàn)建筑物、道路等基礎設施與經濟活動、人流等各種要素。也就是說，可以通過基于從物理空間各個領域的活動中獲取的實時數(shù)據(jù)，在網絡空間中進行高級分析和模擬，并將其結果以交互式的形式高速反饋到物理空間。

正如英偉達高級研究科學家Jim Fan所言，未來的城市管理將依賴于實時圖形引擎中的模擬和集群系統(tǒng)，這將使得機器人和自動化設備能夠快速適應復雜的環(huán)境。機器人將不會孤立地進行訓練，它們能夠在實時圖形引擎中進行模擬，并通過一個巨大的集群進行擴展，以生成下一個數(shù)萬億級別的高質量訓練數(shù)據(jù)。

通過在高精度模擬環(huán)境中訓練，機器人能獲得豐富的訓練數(shù)據(jù)，并在復雜場景中快速學習。這種方法將推動機器人從虛擬世界到現(xiàn)實世界的順利遷移，提升其在實際應用中的效率和智能。

與傳統(tǒng)的城市模擬相比，數(shù)字孿生能夠提供實時反饋，并隨著城市的動態(tài)變化而調整其狀態(tài)，這使得城市管理變得更加靈活和高效。

例如，在新南威爾士州，通過數(shù)字孿生和人工智能結合的技術，交通管理可以實時調整以減少擁堵，從而最大程度地提高社會效益。

在中國，隨著交通基礎設施智能化升級的全面開啟，實時數(shù)字孿生也開始在車路云一體化建設中發(fā)揮作用。蘑菇車聯(lián)創(chuàng)始人兼CEO朱磊曾表示，車路云一體化的本質是“通感算”網絡，核心功能是對實體世界實時數(shù)字化，通過深度融合通信、感知、計算的能力，為所有智能設備提供實時的數(shù)據(jù)服務，助力交通乃至更多產業(yè)領域實現(xiàn)更高效協(xié)作、決策和處理。

通過在路口鋪設具備“通感算”能力的AI數(shù)字道路基站，并與AI路側邊緣計算系統(tǒng)（AI-MRS）相互配合，交通管理者能夠獲取路口300米范圍內所有交通參與者的動態(tài)信息，實時構建數(shù)字孿生系統(tǒng)，為范圍內所有車輛提供實時數(shù)據(jù)服務。

同時，將實時數(shù)字孿生系統(tǒng)嵌入車載大屏，駕駛員可以清晰看到路口全量動態(tài)信息，從而進一步掌握更為全面的路況信息。由于該數(shù)字孿生系統(tǒng)與實際物理世界時延小于0.1秒，可以做到數(shù)字孿生和現(xiàn)實交通環(huán)境之間的實時數(shù)據(jù)同步，為駕駛員作出最準確的駕駛決策提供可靠依據(jù)。

在醫(yī)療領域，空間智能技術可以對醫(yī)學影像數(shù)據(jù)進行三維重建和分析，幫助醫(yī)生更準確地診斷疾病。例如，對CT、MRI等影像數(shù)據(jù)進行三維重建，可以更清晰地顯示人體器官和病變的位置、形狀和大小，為醫(yī)生提供更準確的診斷信息。同時，空間智能技術還可以為醫(yī)生提供手術導航和輔助決策，通過對患者的身體結構進行三維建模和分析，醫(yī)生可以更好地了解手術部位的解剖結構和血管分布，提高手術的準確性和安全性。

五億年前，視覺的出現(xiàn)顛覆了黑暗的世界，引發(fā)了最深刻的動物進化模式。過去十年，人工智能的進步同樣令人驚嘆。當我們開始為計算機和機器人賦予空間智能，就像大自然開啟了生物多樣化時代，這場數(shù)字寒武紀大爆發(fā)的全部潛力才會完全展現(xiàn)，人工智能的未來將由此更具無盡想象力。