當(dāng)機(jī)器不僅能看見，還能理解、推理、創(chuàng)造時(shí)，我們將迎來一個(gè)人類與AI共同書寫的新紀(jì)元。

空間智能是人工智能理解、生成、推理并與三維世界交互的能力，這種能力是人類和動物智能的核心，歷經(jīng)5.4億年的進(jìn)化才得以完善，而語言的進(jìn)化僅用了不到百萬年。

空間智能之所以至關(guān)重要，是因?yàn)樗粌H是感知世界的方式，更是與物理環(huán)境互動的基礎(chǔ)。無論是機(jī)器人、智能輔助駕駛、虛擬現(xiàn)實(shí)的沉浸式體驗(yàn)，還是內(nèi)容創(chuàng)作的革新，空間智能都是不可或缺的基石。

被譽(yù)為“AI教母”的李飛飛斷言：“沒有空間智能，通用人工智能（AGI）將無法實(shí)現(xiàn)?！?/p>

回顧過去一年，Scaling Law驅(qū)動的新范式開始告別參數(shù)規(guī)模崇拜，多模態(tài)AI生成能力涌現(xiàn)多個(gè)爆款應(yīng)用，打開了全新的競速空間。

從李飛飛的ImageNet到最近騰訊發(fā)布并開源混元3D世界模型、高德上線全球首個(gè)地圖AI原生智能體、蘑菇車聯(lián)發(fā)布首個(gè)深度理解物理世界大模型MogoMind，從2D圖片到3D模型，再到真實(shí)物理世界，一切都在表明，空間智能作為AI與現(xiàn)實(shí)世界交互的關(guān)鍵技術(shù)之一，其爆發(fā)臨界點(diǎn)正在到來。

空間智能為何如此重要？

空間智能的核心目標(biāo)——不僅要讓AI能夠“看見”世界，還要讓它能夠理解三維空間，并在其中進(jìn)行互動和學(xué)習(xí)，這是從單純的視覺識別到真正理解、操作現(xiàn)實(shí)世界的跨越。

如今，我們正站在數(shù)字世界的類似轉(zhuǎn)折點(diǎn)上，空間智能可能成為推動AI突破當(dāng)前能力限制的關(guān)鍵。正如視覺能力催生了生物智能，空間智能將引領(lǐng)AI進(jìn)入一個(gè)全新的發(fā)展階段。

在2025世界機(jī)器人大會上，中國工程院院士倪光南指出，AI與空間智能的融合，是當(dāng)前落實(shí)國家“人工智能+”行動的關(guān)鍵核心技術(shù)，它正在重構(gòu)三維物理世界，拓展大模型通向物理世界的橋梁。

他在演講中強(qiáng)調(diào)，視覺是智能的起點(diǎn)。倪光南引用數(shù)據(jù)指出，一個(gè)4歲小孩通過視覺在四年中學(xué)到的視頻信息量，與一個(gè)典型大語言模型學(xué)習(xí)的互聯(lián)網(wǎng)全部公開文本信息量相當(dāng)，這說明要讓AI真正認(rèn)識和理解世界，僅靠文本信息是遠(yuǎn)遠(yuǎn)不夠的，必須重視視覺信息。

與語言模型相比，空間智能的復(fù)雜性令人嘆為觀止。語言是線性的、一維的，而三維世界充滿了動態(tài)性和物理規(guī)律。從二維圖像重建三維結(jié)構(gòu)是一個(gè)數(shù)學(xué)上的“病態(tài)”問題，意味著可能存在多種解法，這使得空間智能的開發(fā)遠(yuǎn)比語言處理復(fù)雜。

此外，語言數(shù)據(jù)在互聯(lián)網(wǎng)上隨處可見，而空間數(shù)據(jù)大多存在于我們的感知中，難以直接獲取。這種數(shù)據(jù)稀缺性為AI研究帶來了巨大挑戰(zhàn)。

總體上，空間智能難題被歸納為四大核心挑戰(zhàn)。

首先，是維度復(fù)雜性。語言是一維序列，而現(xiàn)實(shí)世界是三維空間與一維時(shí)間的結(jié)合。這種維度的指數(shù)級增長導(dǎo)致組合復(fù)雜性呈爆炸式上升，使得空間智能的計(jì)算需求遠(yuǎn)超語言模型。

其次，信息獲取的非適定性。無論是生物眼睛還是機(jī)器攝像頭，都是將三維世界“投影”到二維平面。這種數(shù)學(xué)上的“降維打擊”，使得從2D圖像重建3D信息成為一個(gè)病態(tài)問題。人類通過雙眼視差、運(yùn)動視差等多重線索解決這一問題，但機(jī)器需要模擬類似的多模態(tài)感知能力。

第三，生成與重建的二元性。語言模型主要處理是生成任務(wù)，如文本生成；而空間智能系統(tǒng)必須同時(shí)具備“生成”虛擬世界和“重建”真實(shí)物理世界的能力。這種二元性要求模型在生成時(shí)遵守物理規(guī)律，在重建時(shí)捕捉細(xì)節(jié)，這對算法設(shè)計(jì)提出了極高要求。

第四，數(shù)據(jù)的稀缺性。互聯(lián)網(wǎng)上存在海量的語言數(shù)據(jù)，但適用于空間智能訓(xùn)練的結(jié)構(gòu)化三維數(shù)據(jù)卻極為稀缺，“真實(shí)數(shù)據(jù)+合成數(shù)據(jù)”的混合策略可以與探索如何利用人類大腦中的先驗(yàn)知識來彌補(bǔ)數(shù)據(jù)缺口。

通往四維世界的五大層次

空間智能重建是計(jì)算機(jī)視覺領(lǐng)域的核心挑戰(zhàn)，其目標(biāo)在于從視覺數(shù)據(jù)中還原三維空間的動態(tài)演化過程。這一技術(shù)通過整合靜態(tài)場景結(jié)構(gòu)與時(shí)空動態(tài)變化，構(gòu)建出具有時(shí)間維度的空間表征系統(tǒng)，在虛擬現(xiàn)實(shí)、數(shù)字孿生和智能交互等領(lǐng)域展現(xiàn)出關(guān)鍵價(jià)值。

這種多維度的空間建模能力正成為新一代人工智能發(fā)展的基礎(chǔ)設(shè)施——無論是構(gòu)建具身智能的環(huán)境認(rèn)知體系，還是訓(xùn)練具備物理常識的世界模型，高保真的4D空間表征都發(fā)揮著基石作用。

值得注意的是，前沿研究正從單純的幾何重建轉(zhuǎn)向?qū)鼍拔锢韺傩院徒换ミ壿嫷慕?，這種轉(zhuǎn)變使得空間智能不僅能呈現(xiàn)視覺真實(shí)的動態(tài)場景，更能支撐智能體與虛擬環(huán)境的擬真交互。

在構(gòu)建空間智能過程中，可以劃分為五個(gè)遞進(jìn)的層次：

第一層（Level 1）：底層三維屬性的重建（如深度、位姿、點(diǎn)云圖等）。三維場景理解的基石在于對底層視覺線索的精準(zhǔn)恢復(fù)，這一層級聚焦于四大核心要素：深度感知、相機(jī)定位、點(diǎn)云構(gòu)建與動態(tài)跟蹤，這些基礎(chǔ)組件共同構(gòu)成了三維空間的數(shù)字化骨架。

第二層（Level 2）：三維場景組成要素的重建（如物體、人體、建筑、場景等）。在完成底層3D線索提取后，這一層的研究重點(diǎn)轉(zhuǎn)向場景中具體對象的精細(xì)化建模，包括人物、各類物體以及建筑結(jié)構(gòu)等元素的幾何重建。雖然現(xiàn)有方法能夠處理這些元素的空間分布問題，但對它們之間的動態(tài)交互關(guān)系仍缺乏有效建模。

值得關(guān)注的是，隨著神經(jīng)輻射場、3D高斯點(diǎn)云表示以及可變形網(wǎng)格等創(chuàng)新技術(shù)的突破性進(jìn)展，研究者們已經(jīng)能夠?qū)崿F(xiàn)具有高度真實(shí)感的細(xì)節(jié)還原和整體結(jié)構(gòu)保持。這些技術(shù)進(jìn)步不僅顯著提升了重建質(zhì)量，更為影視特效制作、虛擬現(xiàn)實(shí)等應(yīng)用場景提供了關(guān)鍵的技術(shù)支撐。

第三層（Level 3）：完整的4D動態(tài)場景的重建。這一層研究致力于突破靜態(tài)場景的限制，通過引入時(shí)間維度構(gòu)建動態(tài)4D表征系統(tǒng)，為沉浸式視覺體驗(yàn)提供技術(shù)支撐。從應(yīng)用場景來看，相關(guān)研究主要聚焦兩大方向：面向通用場景的4D重建技術(shù)，以及針對人體運(yùn)動的專項(xiàng)動態(tài)建模方法。這種技術(shù)分野反映了不同應(yīng)用場景對時(shí)空建模的差異化需求。

第四層（Level 4）：包含場景內(nèi)部組成部分之間交互關(guān)系的重建。這一層代表了空間智能研究的重要突破，其核心在于建立場景元素間的動態(tài)交互模型。作為交互行為的主導(dǎo)者，人體自然成為研究的重點(diǎn)對象，早期工作開創(chuàng)性地實(shí)現(xiàn)了從視頻中提取人體與物體的運(yùn)動關(guān)聯(lián)。得益于三維表征技術(shù)的革新，新一代算法在交互物體的幾何外觀和運(yùn)動軌跡重建方面取得了顯著提升。

特別值得注意的是，人-場景交互建模這一新興研究方向，通過解構(gòu)人與環(huán)境的復(fù)雜互動機(jī)制，為構(gòu)建具有物理合理性的數(shù)字世界奠定了重要基礎(chǔ)。

第五層（Level 5）：引入物理規(guī)律以及相關(guān)約束條件的重建。Level 4系統(tǒng)在交互建模方面取得重要突破，但仍面臨物理真實(shí)性的關(guān)鍵挑戰(zhàn)?，F(xiàn)有方法普遍未能整合基礎(chǔ)物理規(guī)律（如重力、摩擦等），導(dǎo)致其在機(jī)器人動作模仿或輔助駕駛等任務(wù)中存在明顯局限。

Level 5的突破性進(jìn)展主要體現(xiàn)在人體運(yùn)動仿真和場景物理建模，結(jié)合仿真平臺與深度強(qiáng)化學(xué)習(xí)，將研究范疇擴(kuò)展至物體形變、碰撞檢測等復(fù)雜物理現(xiàn)象，實(shí)現(xiàn)了從視頻到物理合理動作的轉(zhuǎn)化。

這個(gè)層級化的技術(shù)框架，展現(xiàn)了AI認(rèn)知能力從基礎(chǔ)到高階的完整進(jìn)化路徑——就像教一個(gè)孩子先學(xué)會觀察（Level 1），再認(rèn)識物體（Level 2），接著理解運(yùn)動（Level 3），然后掌握互動（Level 4），最終領(lǐng)悟物理規(guī)律（Level 5）。這種循序漸進(jìn)的突破，正在推動虛擬世界從“看起來真實(shí)”向“動起來真實(shí)”的質(zhì)變。

空間智能開啟無盡想想象力

從技術(shù)演進(jìn)角度看，空間智能代表了人工智能領(lǐng)域的一種嶄新思維方式。它通過將感知信息轉(zhuǎn)換為關(guān)于外部環(huán)境的抽象模型，使得智能體能夠有效預(yù)測和理解周圍世界的動態(tài)變化。

以自動駕駛為例，空間智能不僅可以幫助輔助智駕系統(tǒng)根據(jù)歷史經(jīng)驗(yàn)預(yù)測其他車輛和行人的行為，還能在特定情況下提前調(diào)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(shù)都無法比擬的。

空間智能可以被視為人工智能從“自發(fā)感知”走向“自主認(rèn)知”的邁進(jìn)，其讓人工智能技術(shù)開始突破信息空間的局限，向真實(shí)世界的三維空間擴(kuò)展，進(jìn)一步提升了人工智能在實(shí)際環(huán)境中的適應(yīng)能力。

它不僅是人工智能技術(shù)的再次進(jìn)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(guān)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(shù)，空間智能要求人工智能具備三維空間的理解與實(shí)時(shí)行為調(diào)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(yùn)動軌跡。

比如，在復(fù)雜的城市交通環(huán)境中，輔助駕駛系統(tǒng)必須利用空間智能來預(yù)測交通流動，同時(shí)確保能夠有效應(yīng)對突發(fā)的交通情況。此種雙重能力的結(jié)合，讓自動駕駛的安全性和可靠性將發(fā)生質(zhì)的飛躍。

空間智能不僅拓寬了人工智能的應(yīng)用場景，也推動了算法的進(jìn)一步發(fā)展。未來，空間智能將為智能體提供更高層次的認(rèn)知與推理能力，使其能夠在模擬的虛擬環(huán)境中進(jìn)行反復(fù)實(shí)驗(yàn)，從而優(yōu)化決策在現(xiàn)實(shí)世界中的應(yīng)用。

如此，科學(xué)家和工程師們可以在無風(fēng)險(xiǎn)的條件下，測試和改進(jìn)智能算法的表現(xiàn)。這種在虛擬環(huán)境中的訓(xùn)練，為現(xiàn)實(shí)中的應(yīng)用提供了更加保險(xiǎn)的保障，對于推動技術(shù)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(gè)東京進(jìn)行3D數(shù)字孿生化，這是實(shí)現(xiàn)AI空間智能的關(guān)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(xì)，其絕對位置精度大約在10cm以內(nèi)，不僅包含了LiDAR點(diǎn)云，還有詳實(shí)的CityGML和實(shí)時(shí)交通數(shù)據(jù)。根據(jù)日本的預(yù)期，到2030年將實(shí)現(xiàn)一個(gè)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(zhuǎn)化為模擬數(shù)據(jù)。

對于城市進(jìn)行的數(shù)字孿生其實(shí)也就是基于感知的城市數(shù)據(jù)，在網(wǎng)絡(luò)空間上像“孿生”一樣再現(xiàn)建筑物、道路等基礎(chǔ)設(shè)施與經(jīng)濟(jì)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(gè)領(lǐng)域的活動中獲取的實(shí)時(shí)數(shù)據(jù)，在網(wǎng)絡(luò)空間中進(jìn)行高級分析和模擬，并將其結(jié)果以交互式的形式高速反饋到物理空間。

正如英偉達(dá)高級研究科學(xué)家Jim Fan所言，未來的城市管理將依賴于實(shí)時(shí)圖形引擎中的模擬和集群系統(tǒng)，這將使得機(jī)器人和自動化設(shè)備能夠快速適應(yīng)復(fù)雜的環(huán)境。機(jī)器人將不會孤立地進(jìn)行訓(xùn)練，它們能夠在實(shí)時(shí)圖形引擎中進(jìn)行模擬，并通過一個(gè)巨大的集群進(jìn)行擴(kuò)展，以生成下一個(gè)數(shù)萬億級別的高質(zhì)量訓(xùn)練數(shù)據(jù)。

通過在高精度模擬環(huán)境中訓(xùn)練，機(jī)器人能獲得豐富的訓(xùn)練數(shù)據(jù)，并在復(fù)雜場景中快速學(xué)習(xí)。這種方法將推動機(jī)器人從虛擬世界到現(xiàn)實(shí)世界的順利遷移，提升其在實(shí)際應(yīng)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(shí)時(shí)反饋，并隨著城市的動態(tài)變化而調(diào)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(jié)合的技術(shù)，交通管理可以實(shí)時(shí)調(diào)整以減少擁堵，從而最大程度地提高社會效益。

在中國，物理世界AI大模型MogoMind通過通感算一體化設(shè)備整合車輛軌跡、交通流量等異構(gòu)數(shù)據(jù)，依托交通數(shù)據(jù)流實(shí)時(shí)全局感知、物理信息實(shí)時(shí)認(rèn)知理解、通行能力實(shí)時(shí)推理計(jì)算、最優(yōu)路徑實(shí)時(shí)自主規(guī)劃、交通環(huán)境實(shí)時(shí)數(shù)字孿生，以及道路風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警提醒六大關(guān)鍵能力，不僅能夠識別路面狀況、交通標(biāo)識、障礙物的物理狀態(tài)，還能將復(fù)雜的交通環(huán)境信息轉(zhuǎn)化為可理解、可執(zhí)行的智能決策建議，為交通管理部門和出行者提供應(yīng)對方案。推動城市交通從“單點(diǎn)智能”走向“全局智能”。

在醫(yī)療領(lǐng)域，空間智能技術(shù)可以對醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行三維重建和分析，幫助醫(yī)生更準(zhǔn)確地診斷疾病。例如，對CT、MRI等影像數(shù)據(jù)進(jìn)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(zhǔn)確的診斷信息。同時(shí)，空間智能技術(shù)還可以為醫(yī)生提供手術(shù)導(dǎo)航和輔助決策，通過對患者的身體結(jié)構(gòu)進(jìn)行三維建模和分析，醫(yī)生可以更好地了解手術(shù)部位的解剖結(jié)構(gòu)和血管分布，提高手術(shù)的準(zhǔn)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(jìn)化模式。過去十年，人工智能的進(jìn)步同樣令人驚嘆。當(dāng)我們開始為計(jì)算機(jī)和機(jī)器人賦予空間智能，就像大自然開啟了生物多樣化時(shí)代，人工智能的未來將由此更具無盡想象力。

- 本文為極智GeeTech原創(chuàng)，未經(jīng)授權(quán)不得轉(zhuǎn)載 -