计算机在七十多年前出现时，只能进行简单的计算和逻辑。当时，一位先驱者提出了一个深刻的问题：机器能思考吗？他预见到，智能或许是可以被“建造”出来的，而不仅仅是自然“诞生”的。这个想法开启了人工智能的漫长探索。今天，我们身处人工智能蓬勃发展的时代，但那个最初的问题依然指引着我们。我们到底走到了哪一步？
如今，以大语言模型为代表的AI技术，已经改变了我们处理抽象知识的方式。它们能写出流畅的文章，生成代码，创造图像甚至短视频。然而，它们也存在明显的局限。它们就像一个在黑暗房间里博览群书的学者，能引经据典，却从未亲手触摸过书桌、走过房间里的路。它们缺乏对物理世界的真实体验。
下一个突破，很可能在于让机器获得“空间智能”。这将彻底改变我们与虚拟和现实世界互动的方式，重塑从创意产业、机器人技术到科学发现的众多领域。这被认为是人工智能下一个关键的前沿。
为什么空间智能如此重要？
空间智能，是人类认知世界的基础。在我们学会说话之前很久，我们就已经通过触摸、爬行、投掷和观察来学习。这种能力深深植根于我们的日常生活中：我们能精准地把车停进车位，能接住别人扔来的钥匙，能在拥挤的人群中穿梭而不相撞，甚至能在半梦半醒间准确地往杯子里倒咖啡。
它也是人类想象力和创造力的基石。从远古的洞穴壁画，到现代的电影和电子游戏，我们一直在用空间的方式构建和讲述故事。孩子在沙滩上堆砌城堡，建筑师在脑海中构思大楼，科学家通过模型推演分子结构——所有这些，都离不开空间智能。
历史上，许多关键的科学发现和发明创造，都依赖于这种能力。通过观察阴影的几何关系测算地球周长，通过空间排列的灵感发明高效纺纱机，通过搭建三维模型发现DNA结构，都是空间智能推动文明前进的例证。
可以说，空间智能是我们理解世界、进行推理和规划、并与环境和他人互动的底层支撑。它几乎在所有层面silently地辅助着我们。
当前AI的局限
过去几年，AI确实取得了巨大进步。多模态模型已经能够理解和生成图像、视频，机器人也能在受控环境中完成一些操作任务。
但坦率地说，当前AI的空间能力与人类相比，差距依然巨大。最先进的模型在估算距离、判断大小、从不同角度想象物体形状等任务上，表现往往很差。它们无法在迷宫中找到捷径，难以预测物体运动的轨迹，生成的视频几秒钟后就可能出现逻辑断裂。
当前的AI擅长处理文本和数据，但在理解和交互物理世界方面，存在根本性的局限。人类对世界的理解是立体的、整体的，我们不仅知道“那是什么”，更知道“它在哪”、“它如何运动”、“它和我有什么关系”。没有这种基于空间的理解，AI就与它试图服务的物理现实脱节了。它将无法安全地驾驶汽车，无法在家庭中灵巧地辅助人类，也无法提供真正沉浸式的学习和娱乐体验。
如何构建具备空间智能的机器？
要实现真正的空间智能，我们需要的不再是仅仅处理语言的大模型，而是更具雄心的“世界模型”。这是一种新型的AI，它能够在一个遵循语义、几何、物理和动态规律的世界（无论是真实的还是虚拟的）中进行理解、推理、生成和交互。
这个领域才刚刚起步。要构建这样的世界模型，我们认为它需要具备三种核心能力：
第一是生成性。世界模型必须能生成一个在感知、几何和物理规律上都保持一致的世界。它不仅能根据指令创造出丰富多彩的虚拟场景，还要保证这个世界内部的逻辑是自洽的，过去和现在的状态是连贯的。
第二是多模态性。世界模型天生就能处理多种信息。无论是图像、视频、深度信息、文字指令还是手势动作，它都应该能理解，并能据此预测或生成一个完整的世界状态。这让人类和机器能用最自然的方式与它交流。
第三是交互性。当世界模型接收到一个“动作”指令时，它应该能生成世界下一个应有的状态。比如，在一个虚拟环境中，输入“推箱子”的指令，模型就能显示出箱子被推动后的场景。这为模拟和规划奠定了基础。
这个挑战的规模是空前的。语言是一维的、顺序的信号，而“世界”是三维甚至四维（包括时间）的，受着无数物理规律的约束。要克服这些挑战，需要在多个技术方向上取得突破：
新的训练目标：需要找到一个像训练语言模型“预测下一个词”那样简洁有效的核心任务，来驱动世界模型的学习。
大规模训练数据：互联网上的海量图像和视频是宝贵的资源，但难点在于如何设计算法，从这些二维画面中提取出深层的三维空间信息。此外，高质量的合成数据和其他传感数据（如深度、触觉）也至关重要。
新的模型架构：现有的模型大多将数据当作一维或二维序列处理，这不利于空间理解。可能需要能直接处理三维、四维信息的新架构，比如引入某种形式的“空间记忆”，让模型能记住房间一小时前的样子。
一些研究团队已经开始在这些方向上探索。例如，有团队开发了实时生成模型，将空间中的“帧”作为一种记忆单元，试图在保持世界连续性的同时实现高效生成。也有团队向少量用户展示了早期成果——一个能通过多模态指令生成并维持一致性三维环境的世界模型。用户可以在其中探索、交互，并不断扩展这个虚拟世界。
这仅仅是迈向空间智能的第一步。
空间智能将如何赋能人类？
发展AI的最终目的，应该是增强人类的能力，而不是取代人类。空间智能正是这一愿景的体现。它有望在多个领域帮助我们完成曾经不可能的事情。
创造力与叙事：空间智能将彻底改变我们创造和体验故事的方式。电影制作人、游戏设计师和建筑师将能快速创建并迭代可自由探索的三维世界，不受传统软件复杂性的束缚。叙事将不再局限于单一媒介，创作者可以跨平台构建相互关联的世界。每个人都有可能创造并居住在属于自己的故事里。
机器人与具身智能：机器人要成为人类真正的助手，必须拥有空间智能。世界模型能通过模拟，为机器人提供海量的训练数据，让它们在无数虚拟场景中学习理解和导航世界。未来的机器人可以在实验室协助科学家，在家庭中帮助长者，但它们需要能感知、推理、规划，并理解人类的情感和意图。空间智能是实现这一切的关键。
科学与医疗：在科研领域，具备空间智能的系统可以模拟实验、探索人类难以到达的环境（如深海或外星），加速气候科学、材料学等领域的研究。在医疗领域，它可以辅助药物发现、帮助分析医学影像，甚至通过环境感知系统来支持患者和护理人员，同时不削弱宝贵的人际互动。
教育：空间智能能让学习变得沉浸而直观。学生可以“走进”一个细胞内部观察其活动，或“亲临”历史现场。复杂的抽象概念变得可触摸、可体验，这将极大地提升学习效率。
人工智能已经成为一股全球性力量。但最激励我们的，依然是那个最初关于机器与智能的梦想。我们正站在一个新时代的门槛上——人类历史上首次，我们有可能建造出能深刻理解物理世界的机器，让它们成为我们应对重大挑战的可靠伙伴。
无论是加速疾病研究，革新讲故事的方式，还是在人们脆弱时提供支持，目标都是让技术提升人类最珍视的生活品质。如果没有空间智能，我们对于“真正智能机器”的梦想，将永远是不完整的。下一个十年，将是AI学会“看见”和“触摸”世界的十年，这将为我们打开一个充满可能性的新宇宙。
