空间智能：AI与三维世界互动的新纪元

当机器不仅能看见，还能理解、推理、创造时，我们将迎来一个人类与AI共同书写的新纪元。

空间智能，即人工智能理解、生成、推理并与三维世界交互的能力，是人类和动物智能的核心。这种能力历经5.4亿年的进化才得以完善，而语言的进化则只用了不到百万年。

空间智能之所以重要，是因为它不仅是感知世界的方式，更是与物理环境互动的基础。无论是机器人、智能辅助驾驶、虚拟现实的沉浸式体验，还是内容创作的革新，空间智能都是不可或缺的基石。

李飞飞，被誉为“AI教母”，她断言：“没有空间智能，通用人工智能（AGI）将无法实现。”

回顾过去一年，Scaling Law驱动的新范式开始告别参数规模崇拜，多模态AI生成能力涌现多个爆款应用，打开了全新的竞速空间。

从李飞飞的ImageNet到腾讯发布的开源混元3D世界模型、高德上线的全球首个地图AI原生智能体、蘑菇车联发布的深度理解物理世界大模型MogoMind，从2D图片到3D模型，再到真实物理世界，一切都在表明，空间智能作为AI与现实世界交互的关键技术之一，其爆发临界点正在到来。

空间智能为何如此重要？

空间智能的核心目标——不仅要让AI能够“看见”世界，还要让它能够理解三维空间，并在其中进行互动和学习。这是从单纯的视觉识别到真正理解、操作现实世界的跨越。

如今，我们正站在数字世界的类似转折点上，空间智能可能成为推动AI突破当前能力限制的关键。正如视觉能力催生了生物智能，空间智能将引领AI进入一个全新的发展阶段。

在2025世界机器人大会上，中国工程院院士倪光南指出，AI与空间智能的融合，是当前落实国家“人工智能+”行动的关键核心技术。它正在重构三维物理世界，拓展大模型通向物理世界的桥梁。

他在演讲中强调，视觉是智能的起点。倪光南引用数据指出，一个4岁小孩通过视觉在四年中学到的视频信息量，与一个典型大语言模型学习的互联网全部公开文本信息量相当。这说明要让AI真正认识和理解世界，仅靠文本信息是远远不够的，必须重视视觉信息。

与语言模型相比，空间智能的复杂性令人叹为观止。语言是线性的、一维的，而三维世界充满了动态性和物理规律。从二维图像重建三维结构是一个数学上的“病态”问题，意味着可能存在多种解法。这使得空间智能的开发远比语言处理复杂。

此外，语言数据在互联网上随处可见，而空间数据大多存在于我们的感知中，难以直接获取。这种数据稀缺性为AI研究带来了巨大挑战。

通往四维世界的五大层次

空间智能重建是计算机视觉领域的核心挑战。其目标在于从视觉数据中还原三维空间的动态演化过程。这一技术通过整合静态场景结构与时空动态变化，构建出具有时间维度的空间表征系统。在虚拟现实、数字孪生和智能交互等领域展现出关键价值。

这种多维度的空间建模能力正成为新一代人工智能发展的基础设施。无论是构建具身智能的环境认知体系，还是训练具备物理常识的世界模型，高保真的4D空间表征都发挥着基石作用。

从构建空间智能过程中，可以划分为五个递进的层次：从底层三维属性的重建到包含场景内部组成部分之间交互关系的重建；再到引入物理规律以及相关约束条件的重建。

空间智能开启无尽想象力

从技术演进角度看，空间智能代表了人工智能领域的一种崭新思维方式。它通过将感知信息转换为关于外部环境的抽象模型，使得智能体能够有效预测和理解周围世界的动态变化。

以自动驾驶为例，空间智能不仅可以帮助辅助智驾系统根据历史经验预测其他车辆和行人的行为，还能在特定情况下提前调整行车策略。这种基于物理规则和常识的数字世界生成能力，是以往任何人工智能技术都无法比拟的。

未来，随着空间智能技术的不断发展，它将为智能体提供更高层次的认知与推理能力。这将使得人工智能在实际环境中的适应能力得到进一步提升。