“空间智能” 不再是更多的信息本身，而是更贴近当下处境的体验判断和行动安排。 文丨韩松阳 AI 花了几年时间学会流畅地谈论世界。现在，它要面对一件困难得多的事：真正进入世界。 让大模型制定一份周末计划并不难。它可以在几秒钟内推荐十家餐厅、概括网友评价，再生成一条看起来井井有条的游览路线。但当一个人真的走出家门，问题很快就变了：推荐的店今天是否营业？现在过去会不会排队？车应该停在哪里？从地铁站的哪个出口出来？地图上的入口是否正在施工？等等等等…… 这些问题很难仅靠语言回答，现实世界不是一份已经写完、等待模型总结的文本。道路会拥堵，商户会迁移，人流会聚散，天气和时间会改变同一个地点的状态；人的每一次选择，又会把这个世界推向不同的下一刻。 这也是为什么在语言模型之后，越来越多 AI 研究者开始把目光转向 “空间智能”。 斯坦福大学教授、World Labs 联合创始人李飞飞说，空间智能是人类认知的基础架构，它不仅关乎我们识别物体、理解环境和判断距离、方向等空间关系，也支撑着人类在现实世界中进行感知、推理、规划和行动。 人类正是借助这种能力，才能在复杂环境中建立对世界的认知模型，并据此预测变化、解决问题和与周围环境互动。 如果说大语言模型是第一阶段人工智能的突破，那么空间智能可能是接下来需要解决的更重要的问题、难题。 当 AI 开始面对一个不可被生成的世界 大语言模型的训练有一个相对明确的目标：根据前文预测下一个词。互联网上规模庞大的文本，也为这件事提供了现成的训练材料。 现实世界却没有这样统一、清晰的数据形式。机器不仅要识别物体，还要理解物体之间的距离、方向和遮挡关系；不仅要看见眼前的画面，还要记住空间的结构，判断时间和行动将如何改变它。 当场景从一间房扩展到一条街、一座城市，问题会更加复杂。建筑、道路和地点构成三维空间，车流、人流、天气和营业状态又让这个空间时刻发生变化。机器需要理解的，不只是 “这里有什么”，还有 “现在发生了什么”“接下来可能发生什么”。 世界模型由此成为实现空间智能的一条重要技术路径。它试图让 AI 在内部形成一个关于外部世界的模型，用来表达空间、模拟变化，并规划下一步行动。简单地说，空间智能是希望机器获得的一种能力，世界模型则是实现这种能力的方法之一。 围绕这个目标，不同公司选择了不同的入口。 李飞飞创立的 World Labs 从三维空间的生成与重建出发。2025 年推出的 Marble，可以根据文字、图片、视频或粗略的三维结构，生成一个可供用户进入、探索和编辑的三维世界。2026 年 9 月 1 日，World Labs 又发布了新一代世界模型 Atlas，它把文字、图片、视频和三维信息放入同一个空间上下文中，可以生成新的观察视角、重建现实场景，并模拟空间随时间发生的变化。 Google DeepMind 选择的是另一种形态。它的 Genie 3 可以根据文字描述，实时生成一个能够被探索和操控的环境。当智能体在其中移动时，模型需要持续生成世界的下一帧，记住已经经过的场景，并根据智能体的动作模拟环境将如何变化。 英伟达的 Cosmos 则更直接地服务于机器人和自动驾驶等 “物理 AI”。它可以生成不同天气、光照、道路状况和突发事件下的未来场景，为机器提供训练和测试环境。现实中罕见、昂贵甚至危险的情况，可以先在模型生成的世界里反复发生。 高德走了另一种技术范式。 如果把三维生成、Robotaxi 和具身智能等业务全部计算在内，高德的技术体系同样涉及世界的表达、模拟和行动规划。但高德所强调的空间智能，重心并不是从零生成一个世界，而是理解一个已经存在、持续变化，而且每天都有大量真实行动发生的世界。 这与高德过往的积累有关。与其他的人工智能实验室不一样，高德作为一个 10 亿级用户的 C 端产品，它拥有一套关于现实世界的长期记录，比如道路如何连接，建筑和商户在哪里，交通怎样变化，人们选择了什么目的地、沿哪条路线移动等等。 它要解决的，也不是一个地方可以被生成成什么样，而是它此刻究竟是什么状态，接下来可能发生什么，以及用户应该如何行动。 这也带来了不同的评价标准。对于生成式世界模型，一个没有被拍到的空间可以存在多个合理答案；但对于地图和导航，现实中的正确答案通常只有一个。 地图凭什么站在入口处？ 过去，地图主要负责记录地点和道路，导航则负责计算从 A 点到 B 点的路线。高德 CEO 郭宁将这两种能力概括为 “连接真实世界”。进入 AI 时代，他希望高德进一步做到的是 “理解真实世界”。 他说，连接解决的是 “世界如何抵达”，而理解解决的是 “世界真实是什么样、如何变化”。 郭宁将一家地图公司理解现实世界的能力，拆分为四层。 第一层是二维世界的连接关系。道路、地铁、步行网络、商场通道、停车场和建筑入口，共同组成了一