空间智能白皮书：从数字世界到物理世界，构建AI与物理世界的3D桥梁

空间智能白皮书从数字世界到物理世界构建AI与物理世界的3D桥梁CONTENTS目录执行摘要0201 空间智能是什么041.1 空间智能的定义051.2 物理AI向空间智能的演进0502 空间智能：物理AI演进的必经之路072.1 空间智能：人类智能与人工智能演进的底层基础与当前AI发展的根本局限0803 空间智能产业：三维空间数据是发展瓶颈123.1 空间智能产业发展现状133.2 当前产业发展的瓶颈：三维空间数据的匮乏2104 Kosmo：空间智能的基础设施234.1 Kosmo：三维世界数据引擎244.2 Kosmo如何解决问题2705 小结43参考文献4601© 2026 上海禾赛科技有限公司EXECUTIVE SUMMARY执行摘要© 2026 上海禾赛科技有限公司© 2026 上海禾赛科技有限公司执行摘要 | 01定义 | 02演进路径 | 03产业瓶颈 | 04Kosmo | 05小结 | 参考文献过去十年，AI完成了从“读懂和生成语言”到“初步理解并推演世界”的第一次大跨越——走向物理AI。World Labs联合创始人兼首席执行官（拟任 AMD 执行副总裁兼首席科学家）李飞飞将下一阶段的跃迁概括为“从Words到Worlds[1]”——AI将从处理文本、图像和代码等数字信息，走向能够感知、理解、推理并与三维世界交互的空间智能。今天基于海量文本、图像和视频训练的大模型，已经在数字世界中展现出强大的语言理解、内容生成和模拟能力；但当物理AI真正走出屏幕，进入家庭、商业、道路和工厂时，它面对的将不再是“生成一个合理答案”，而是一个完全不同的问题——“如何在真实世界里做出正确动作”。我们认为，当前空间智能相关能力正沿多个赛道落地，孕育独立的商业价值池，主要包括世界模型与生成式AI、具身智能、影视娱乐、文旅文博与泛测绘。首先，在世界模型与生成式AI及具身智能赛道，空间智能为机器人预训练、后训练及效果验证、世界模型与生成式AI的搭建，提供真实三维空间数据，让AI在执行物理动作前，就能理解并模拟、预测现实世界。摩根士丹利预测，2050年人形机器人市场规模将达到约7.5万亿美元[2]。其次，在影视娱乐赛道，空间智能正落地院线影视、AI生成影片以及广告、音乐、游戏等内容生产环节。通过构建稳定三维场景与空间关系，该技术能够提升跨镜头画面一致性、镜头可控性与数字资产复用效率，全面提升消费者的媒体体验，并有望赋能规模约2.8万亿美元的全球媒体与娱乐产业[3]。在文旅文博与泛测绘赛道，空间智能已应用于沉浸式体验打造、文化遗产三维数字化、场馆数字孪生与智慧运营，实现建筑、文物与场馆的高精度存档、动态更新与反复复用，并催化出立体导航的全新应用。借助真实空间数字化、3D重建与数字资产建设能力，空间智能有望推动文博机构由单点数字化应用向系统化数字资产建设与长期运营转型，提升文化遗产数据的持续积累、跨场景复用与管理效率。典型案例如大英博物馆。其于2023年宣布，计划在五年内新增或完善约240万条藏品线上记录[4]；其后发布的年报显示，整个藏品记录与数字化计划的预算为1000万英镑[5]。03KEY JUDGMENT当前产业的核心矛盾非常突出：支撑行业生态基础的三维空间数据仍极度稀缺，行业普遍陷入“模型超前、数据供给滞后”的状态。物理AI进步的核心限制从来不只是电力、算力、存储或模型，而是高质量的三维空间数据。这正是本白皮书的核心判断：空间智能，正是构建AI与物理世界的3D桥梁。谁能持续稳定，且规模化地提供高质量、多模态的三维空间数据，谁就掌握了下一阶段空间智能的话语权，谁就有机会撬动数万亿美元级的新市场。© 2026 上海禾赛科技有限公司CHAPTER 01空间智能是什么© 2026 上海禾赛科技有限公司© 2026 上海禾赛科技有限公司1.1 空间智能的定义纵观人类文明史：波利尼西亚航海家依靠星辰、海浪横渡大洋；外科医生借助影像定位病灶、规划手术路径；普通人在路口判断来车，决定何时过街。人类无论是在开拓未知世界、完成复杂专业任务，还是处理最日常的生活场景，都依赖同一种底层能力：在大脑中感知空间、解析位置关系、推演环境变化并据此行动——这就是空间智能。它并非独立的高阶技能，而是人类依靠 “感知-理解-推理-交互” 闭环与物理世界交互的基础能力，持续拓展人类行动边界，支撑文明演进。学术界与产业界对空间智能给出了多种定义。李飞飞将其概括为“连接感知、想象和行动的核心能力”， 并提出世界模型应能根据输入的行动预测世界的后续状态[1]，将预测视为从感知通向行动的关键环节；斯坦福大学以人为本人工智能研究院（Stanford HAI）将其定义为理解和推理三维物理世界的能力，涵盖物体间的空间关系、运动与交互，以及对物理环境的感知、解释和导航[6]；英伟达创始人兼首席执行官黄仁勋则指出，下一波AI应理解物理规律，并能够在现实世界中工作[7]。以上的观点共同勾勒出空间智能从感知、理解、推理到交互的完整能力链条。尽管表述各异，但各方共识清晰：空间智能是物理AI走向现实物理世界的必要能力，感知、理解、推理、交互是空间智能的核心要素。1.2 物理AI向空间智能的演进空间智能的概念最初源于心理学领域，由霍华德·加德纳（Howard Gardner）在其多元智能理论中提出[8]，用以描述人类感知、理解和操作三维空间的能力。1950年，艾伦·图灵在其开创性论文《计算机器与智能》中发出了“机器能思考吗？”这一根本追问[9]，由此开启了将人类“原生智能”赋予机器的漫长征程。在此背景下，空间智能的概念逐渐被引入并深植于物理AI领域。AI向空间智能演进，表现为各种模型的演进，实际上是由底层“原材料”和“加工方法”的升级同步驱动。而底层的“原材料”升级，即为数据升维——每一次数据维度的增加，实际上都在给物理AI增加一种“理解现实世界”的可能性。05执行摘要 | 01定义 | 02演进路径 | 03产业瓶颈 | 04Kosmo | 05小结 | 参考文献图01 不同AI模型范式的核心能力与表征结构比较KEY DEFINITION综合上述权威观点，本白皮书将空间智能定义为：智能系统基于真实世界的空间信息，完成感知-理解-推理-交互的综合能力；其目标是在空间中形成可预测、可行动的认知闭环。© 2026 上海禾赛科技有限公司© 2026 上海禾赛科技有限公司© 2026 上海禾赛科技有限公司上图直观展示了数据维度拓展给AI带来的跃迁：文本时代——AI学会“理解语言”。大语言模型的训练依赖海量互联网文本。它以“预测下一个词元”为核心训练目标，在海量文本中学习语言结构、语义关系与知识关联，并由此获得语言理解、内容生成和一定的推理能力。这一阶段的AI主要生活在“文字世界”里，通过语言符号来理解和描述现实。它知道“猫”这个词，却从未“见过”猫。数据维度是单一的：只有文本，一维符号。多模态时代——AI学会“感知世界”。当训练数据从纯文本进一步扩展到图像、视频等视觉信息后，AI开始获得直接感知现实世界的能力。图像为模型增加了二维结构，使其能够理解物体的形状、位置和场景关系；视频进一步引入时间信息，使模型能够观察物体和场景如何连续变化。与此同时，跨模态对齐与融合使语言