★ FEATURED ARTICLE 空间智能和具身智能这两个词最近在技术圈里被反复提及但大多数人还是把它们当成两个独立的前沿概念在围观。某头部空间智能公司的首席科学家在近期的行业分享中提出了一个非常具体的判断空间智能的爆发窗口只需要24个月并且明确表示具身智能才是通往AGI的终极形态。这个“24个月”和“终极形态”的组合敢下这种结论而且来自一个已经在做空间智能商业化的团队不是学术圈里那种“未来十年”式的模糊展望我觉得值得认真拆一拆。先说结论我认可这个判断的后半部分具身智能确实是AGI绕不开的终局方向但前半部分的“24个月”更像是一个产业化的引爆期而不是技术成熟期。这篇文章我会把空间智能和具身智能之间的逻辑链条、技术底座、落地场景、开发者的切入方式以及我对这个预言的冷思考一次性讲透。1. 空间智能是什么为什么它被推到了爆发前夜空间智能这个词说起来并不复杂。它指的是AI对三维空间进行感知、理解、推理和交互的能力。过去几年大家熟悉的图像识别、语音助手、大语言模型本质上都在二维的符号世界里打转处理的是像素、文字和语音流。而空间智能把战场拉回到了真实的物理三维空间模型不仅要认出画面里有什么还要知道物体在空间中的位置、尺度、几何关系、遮挡关系甚至要预测下一秒空间会发生什么变化。1.1 从“认得出”到“看得懂”跨越的不只是维度传统的计算机视觉解决的是“认得出”的问题比如给一张图识别出里面有猫、有桌子、有沙发。但空间智能要求的是“看得懂”模型需要理解这张图里猫是蹲在桌子上还是桌子下面沙发的朝向关系是否阻挡了行走路径天花板的高度能允许一个两米高的机器人通过吗。这些问题的本质是把二维的图像信息重建为三维的几何和语义结构。这背后对应的技术方向大家应该也听过不少神经辐射场NeRF、3D高斯泼溅3DGS、深度估计、点云处理、视觉SLAM、占用网络Occupancy Network。这些方向过去各自发展了很多年但真正把它们统一起来的是最近一年大模型带来的泛化能力。以前做一个三维重建需要针对特定场景、特定相机参数精心调参换一个环境效果就崩。现在基于大模型的空间感知框架能够把“见过大量三维场景后得到的先验”迁移到新环境里开箱即用地完成空间理解。我在实际项目里感受很深。以前做一个室内空间的点云语义分割要准备几千张标注数据训练两三天换一个户型效果就打折。现在用基于视觉基础模型的办法做零样本的空间理解换一个完全陌生的户型分割精度和语义正确率已经非常接近有监督训练的水平。这种质的飞跃是空间智能能够进入爆发期最核心的底气。1.2 两条技术曲线正在汇合爆发不是偶然为什么是现在而不是三年前或者三年后我的判断是空间智能的爆发是两条技术曲线汇合的必然结果。第一条曲线是三维感知硬件的下沉。消费级的深度相机、LiDAR、全景相机、智能手机上的多摄和ToF模组把三维数据的获取成本打了下来。过去做一套高精度三维扫描的设备要几十万现在几千块钱的设备配上算法就能拿到可用的点云和RGB-D数据。数据是AI的燃料三维数据的采集门槛一旦降低下游的模型训练和应用开发自然会活起来。第二条曲线是大模型带来的泛化革命。空间智能本质上也需要“基础模型”它需要从海量的三维数据中学到空间的通用规律。过去没有这么大的模型也没有足够高效的训练范式大家都靠小模型在垂直场景里做定制。2023年以来视觉-语言模型VLM、多模态大模型在二维任务上展现了惊人的泛化能力这种能力正在自然地延伸到三维空间理解上。把常规的三维数据放到大模型里做对齐训练空间推理的准确率提升速度是我见过最快的。这两条曲线一交汇就会出现我前面说的零样本空间理解能力。一旦零样本可用商业化就不再受限于一个个定制项目而是可以做标准化的产品向外输出24个月爆发的时间窗口由此而来。1.3 24个月这个数字别理解为成熟而是产业化的引爆期我对“24个月”这个预言的解读是未来两年内空间智能会从一个“技术名词”变成“基础设施”。你会发现手机里的空间扫描、导航里的场景感知、机器人厂的部署方案、XR设备里的空间定位和场景重建全部被空间智能重做一遍。不是所有技术都完善了而是技术和成本达到了一个可以商业化的临界点资本和产品会像潮水一样涌进来。做一个不严谨但很形象类比现在的空间智能就像2020年前后的新能源汽车技术上还有里程焦虑、充电焦虑但已经从概念走向了量产。24个月后空间智能也会进入这种“量产状态”问题还会有但不妨碍它成为一个产业的事实。2. 为什么说具身智能才是AGI的终极形态这个观点是整篇分享里最值得琢磨的地方。很多人觉得AGI的最后一块拼图是更强的推理能力和更大的语言模型但这位首席科学家的判断是没有“身体”的智能永远只是部分智能。具身智能也就是让AI拥有感知、交互、操作物理世界的身体并在这个闭环中学习和进化才是真正通向AGI的路径。2.1 语言模型学到的世界缺少“物理体验”大语言模型为什么不能算AGI我认为最核心的缺失是“体验”。LLM确实能够学会大量的知识它们读过的文字足以覆盖人类文明的精华。但语言本身是一个高度抽象、被压缩过的符号系统它丢失了物理世界的绝大部分信息。你可以在文本里读到“把一个杯子拿起来”这句话但如果没有真实做过这个动作你不会知道杯子有把手和没把手的握持方式完全不同不会知道装满水和空杯子的惯量差异不会知道桌面的摩擦系数影响了滑动的距离。这些“物理体验”无法靠纯语言学习获得。哪怕模型把全世界所有关于抓取物体的文章都读一遍它依然不知道真实的触觉反馈是什么。具身智能的路线就是在模型和数据之间加入一个物理实体让AI通过传感器和执行器去主动接触世界把物理体验转化为表征学习的一部分。我接触过做机械臂抓取算法的朋友有一个共识仿真环境里练得再好到真实场景里都会掉链子。因为仿真和现实之间永远有差距材质的光泽度、零部件的公差、接触面的形变这些东西写不进物理引擎的公式。唯一的办法就是让算法在真实环境里一遍遍试错而这个试错过程就是具身智能的核心训练方式。2.2 智能的本质是“应对不确定性”而不是“处理符号”AGI的全称是通用人工智能通用这个词意味着能应对各种没有见过的情况。语言模型面对的情况再多样它们依然是在一个封闭的符号空间里做模式匹配。而物理世界是开放和连续的充满了传感器噪声、动态变化、不可预测的人为干扰。能在这样的世界里保持稳定表现才谈得上通用智能。有个概念叫“莫拉维克悖论”说的是人类觉得困难的事情下棋、计算对AI来说很简单人类觉得简单的事情行走、抓取、整理房间对AI来说极其困难。这是因为物理交互涉及的是连续的感知-决策-控制回路每一步都有不确定性都有噪声必须实时处理没有时间去“慢慢推理”。这种能力只有在物理世界里反复试错才能训练出来这就是具身智能不可替代的原因。2.3 具身智能的三种主流路线各自的赌注是什么目前具身智能的技术路线分歧很大我总结了三个主流流派第一是端到端学习路线。从传感器输入直接到电机指令输出用一个统一的神经网络完成感知、规划、控制全流程。这种路线的代表是最近大火的“视觉-语言-动作模型”VLA设计思路很像ChatGPT的成功逻辑喂大量人类操作视频用模仿学习和强化学习去训练一个“多模态策略模型”。优点是上限高训练充分后执行流畅缺点是数据稀缺且真实机器人试错成本极高。第二是模块化大模型调度路线。感知、建图、规划、控制各自是独立模块大模型负责任务分解和逻辑判断调度各个模块完成复杂任务。这条路线工程上更稳健每个模块都能单独优化和调试落地更快。缺点是需要大量的接口工作灵活性不如端到端。第三是世界模型路线。让模型通过学习物理规律来预测未来状态在内部做“脑内推演”然后在真实环境里做最小化验证。这是目前最前沿也是最不确定的方向一旦走通拿到的就是通用物理理解和规划能力非常接近人类大脑的运作方式。三条路线各有拥趸但共识是具身智能不能关起门来只做软件必须和物理实体、数据采集平台深度绑定。这也解释了为什么做空间智能的公司会跳出来谈具身智能因为空间感知正是具身智能第一环的感知输入空间智能的积累可以直接平移到具身智能上。3. 空间智能爆发会先重构哪些行业场景这个判断如果成立未来的24个月会有一批场景被空间智能彻底重做。我从几个最可能先爆的方向说起。3.1 机器人的“空间推理”觉醒现在的工业机器人本质上还是程序化执行它们在固定工位上重复做预先设定的动作。一旦工件的位置出现几十毫米的偏差或者周围环境有变动整个流程就崩了。空间智能会赋予机器人真正的“空间推理”能力让它实时感知工件的位姿、判断抓取路径是否被障碍物阻挡、动态调整运动规划。在仓储物流、焊接、分拣、装配这些场景里空间智能可以省掉大量的人工示教和场景标定工作。以前部署一个机器人工作站要花两周做环境建模和路径规划有了通用空间智能可能只需要半天机器人自己看一遍环境就知道了操作空间。这是成本和交付周期的指数级变化。3.2 自动驾驶真正的“空间智能战争”很多人以为自动驾驶的核心是感知路况、识别障碍物其实到了L3、L4级别更重要的是对周围空间的连续建模和预测。你不仅要认出前方是一辆车还要判断这辆车的位姿和运动趋势更要推测旁边车道的视觉盲区里会不会突然蹦出什么东西来。这个能力就是空间智能的占用网络和运动预测是一个动态变化的三维空间持续重建与理解问题。特斯拉的占用网络已经把这个方向带到了量产车上国内不少自动驾驶团队也在跟进。未来的竞争焦点会从“谁的模型识别准确率高”转向“谁能更快地理解动态空间的实时变化”这个判断逻辑和空间智能完全一致。3.3 XR、数字孪生和室内设计空间智能的第一批赢家如果说机器人和自动驾驶是含金量最高的场景XR和数字孪生则是商业化最快的场景。AR眼镜要落地第一步就是把真实环境扫描成三维模型让虚拟物体知道该“放在哪里”这就离不开空间智能。数字孪生项目做城市级的场景重建、楼宇内部的结构数字化同样是空间智能的直接应用场景。室内设计和家装是更贴近大众市场的方向。过去一整套的户型扫描、3D建模、方案渲染需要专业的测量人员和设计师做几天。现在用手机扫一扫空间智能模型可以直接生成结构化户型自动识别墙体、门窗、家具设计师能立刻在原始空间模型上做方案。这个流程被压缩到分钟级直接改变了行业的生产方式。4. 开发者视角现在上车还来得及吗回答是来得及但窗口期确实正在收窄。我给大家几个实在的建议和可效仿的技术栈路线。4.1 四个值得投入的技术栈方向第一三维重建方向。基于3D高斯泼溅和NeRF的场景重建目前是应用最广的基础能力。学习3DGS的优化与渲染流程掌握怎么把一组照片变成高质量的三维网格和语义字段是空间智能入门的第一块敲门砖。第二视觉语言模型的空间对齐。研究如何让二维大模型理解三维空间信息比如深度估计、空间关系判断、区域语义标注等任务。现在主流做法是做三维位置编码和空间提示工程把几何信息作为额外通道注入到VLM里。第三具身智能仿真与数据生成。用三种仿真环境物理仿真引擎生成大量带空间标注的训练数据是推动具身智能发展的一个关键环节。掌握主流仿真平台、迁移学习、域随机化技术对于做具身智能模型训练很重要。第四世界模型的预训练。虽然方向前沿但已经有开源模型和数据集可以跟进。学会做视频预测和状态空间建模理解模型如何学习物理规律是面向未来的一个储备。4.2 避坑经验哪些方向是伪需求哪些是硬骨头过去一年我观察下来有几个方向坑特别多。第一个是“只要空间感知就能替代全部传统CV”不对空间智能的爆发是叠加传统视觉之上的不是取代不意味着做了空间智能就不需要物体识别和OCR了很多业务场景里这些基本功依然是刚需。第二个是“具身智能可以不碰硬件只做算法”这几乎做不成。具身智能的瓶颈大量在数据采集和真机验证纯软件团队做得再好没有物理实机配合很难拿到真正有效的技术反馈和测试结果。第三个是“仿真里训练好了再搬到现实就能用”这个现象叫仿真-现实差距我在机械臂抓取项目里栽过跟头。仿真里成功率95%的策略到了真实环境可能只有30%。域随机化和模拟器校准是必要手段不是可选项。4.3 建议从“空间理解单点应用”切入我的建议开发者和团队不要一开始就追求完整的人形机器人而是找一个“空间理解单点任务”的切入口把一个具体的事情做成产品闭环。比如可以做一套面向仓储场景的空间盘点系统用空间智能自动完成货架、托盘和货物的三维建模与数量核对这是现有系统做不到的但商业需求明确、付费意愿强。做出来再延展到其他场景。这种策略的好处是风险小、数据积累快、能够在真实的物理环境里验证和打磨技术。具身智能不会一步到位是无数个单点空间理解能力拼起来的。5. 争议与冷思考24个月的预言会落空吗每一条技术路线都有它的乐观派但真正的从业者需要同时看到风险和机会。关于24个月这个时间窗口我也有几个不安的观点。5.1 数据瓶颈物理世界的“长尾”无法靠爬虫解决大语言模型的成功依赖互联网上海量的文本数据可以持续地“读”出来。但具身智能需要的数据是物理交互数据这些数据不存在于互联网上也不会被自动标注好必须靠真实场景的传感器和人在回路里一步步采集。数据的规模、质量和多样性短期内能不能撑起模型训练是24个月这个时间表里最大的不确定性。自动驾驶领域攒了十年的数据做L4依然艰难而具身智能的数据积累还远远不如自动驾驶。这让我觉得算法侧的爆发可能很快但采集侧和标注侧的基建不一定能同步跟上。5.2 算力成本和商业化回正的压力空间智能模型、世界模型都是计算密度极高的模型。一次三维场景模型的重建与训练比同级别的语言模型训练需要更多浮点运算。大模型商用化的逻辑是边际成本递减但空间智能的每一次推理都对应着新的场景数据成本结构差异很大它的商业化回正周期会比纯软件更久。如果资本市场在24个月内开始回归理性不再无差别地支持前沿项目套壳空间智能的项目会先死掉而真正有数据壁垒和场景壁垒的团队会活下来。5.3 安全护栏与伦理问题同样关键具身智能失控的影响和数字智能完全不同一个会用机械臂操作物理世界的系统一旦出现泛化失败造成的是物理伤害而不是信息错误。所以模型的可靠性验证、物理操作的安全限制、人在回路的监督机制必须在爆发期同步建设否则一次事故就可能让整个行业倒退数年。这个行业不缺热血但缺敬畏。据我这些年的实际观察技术浪潮的起伏从来不是单一因素决定的突破、资本、商业化和监管都扮演着同样重要的角色。空间智能和具身智能的真正成熟需要整个产业链的协同。在我看来24个月不是终点而是新一轮淘汰赛的起点。能够把空间感知、语言理解和物理操作能力真正缝合成一个完整产品的团队才会在这一轮里站到牌桌上。
阅读完成 · 觉得有帮助？
