文章核心观点 - 空间智能是人工智能的下一个前沿，旨在构建能够理解和交互物理及虚拟世界的“世界模型”，这将重塑创造力、机器人技术和科学发现等领域[5][16] - 当前以大语言模型为代表的AI在抽象知识处理上表现出色，但在空间理解、物理推理和与环境交互方面存在根本性局限，与人类能力相距甚远[5][14][15] - 实现空间智能需要构建具备生成性、多模态性和交互性的世界模型，这是一项超越以往AI挑战的复杂任务，需要新的训练方法、大规模数据和模型架构[17][21][22] 空间智能的定义与重要性 - 空间智能是人类认知的基石，支撑着从日常行为（如停车、接钥匙）到专业活动（如消防员救援、科学发现）的物理世界互动[10][13] - 该能力是人类想象力和创造力的基础，从史前洞穴壁画到现代电影、游戏和工业设计，都依赖于基于空间的想象力[10] - 在人类文明进程中，空间智能在关键科学发现（如埃拉托色尼计算地球周长、沃森和克里克发现DNA双螺旋结构）中扮演了核心角色[11][12] 当前AI在空间智能方面的局限 - 最先进的多模态模型在估算距离、方向、大小等基本空间任务上表现仅略高于随机水平，在“心智旋转”测试中能力极为有限[14] - AI生成的视频虽令人惊叹，但往往在数秒后便失去连贯性，无法预测基本物理规律，也无法识别捷径或穿越迷宫[14] - 当前AI对世界的理解是割裂的，缺乏人类那种将事物在空间上的关系、意义及彼此关联进行整体性理解的能力[15] 构建空间智能世界模型的核心框架 - 生成性：模型需能生成在语义、几何和物理层面保持一致的虚拟世界，并且对当前世界的理解必须与过去状态保持连贯[18] - 多模态性：模型应能处理图像、视频、深度图、文本指令、手势、动作等多种形式的输入，并预测或生成完整的世界状态[19] - 交互性：当动作或目标成为输入时，模型需能生成与先前世界状态、物理规律相一致的下一个世界状态，甚至预测实现目标所需的后续行动[20] 实现世界模型的技术挑战与研究方向 - 新的通用训练任务函数：需要定义能反映几何与物理规律的通用目标函数，其复杂程度远超语言模型中的“下一token预测”[23] - 大规模训练数据：需研发能从互联网海量二维图像或视频帧中提取深层空间信息的算法，并利用合成数据及深度、触觉等额外模态[24] - 新型模型架构与表征学习：需突破现有MLLM与视频扩散模型范式，探索具备三维或四维感知能力的分词、上下文和记忆机制[25] 空间智能的潜在应用与影响 - 创造力与叙事：工具如World Labs的Marble平台正赋能电影制作人、游戏设计师和建筑师快速创建可自由探索的三维世界，颠覆传统创作流程[32][33] - 机器人技术：世界模型将通过提供可扩展的训练数据解决方案，缩小模拟与现实差距，加速具备泛化能力的机器人的发展[35][36] - 科学、医疗与教育：空间智能系统能模拟实验、加速药物发现、实现沉浸式学习，在拯救生命和加速科学发现方面具有深远影响[38][39][40]