当下的生成式AI几乎无所不在，从文案到代码，从图像到语音，令人目眩；但越是在光鲜的表象背后，越能听见一个清晰的回声：它们在“看”世界，却还不会“在世界中行动”。模型可以编织逼真的叙述、绘制可信的场景，却在真实空间的因果链条面前频频失手：机械臂抓取角度偏差几个度，自动驾驶在长尾场景中犹疑失措，室内机器人在光照变化与遮挡下迷失方寸。这种“自我幻化”——语言与图像层面上的自信幻觉——反衬出一个核心短板：对时空的深刻理解尚未到位。未来十年，AI的关键转向将是空间智能：让模型不仅能描述空间，还能在空间中定位、规划、操控与协作，用时间去验证和修正自身的空间信念。
所谓空间智能，至少包含四层内核。第一，几何感知与表征：如何把连续的三维世界编码为可计算的表示，既能支持精确度量，也能容忍不确定与缺失。第二，具身定位与建图：如何在动态环境中进行多模态SLAM，构建可更新的世界模型，实现同一性、可追踪性与跨时关联。第三，任务级推理与规划：如何将高层目标分解为可执行的空间行动序列，在约束、资源和风险下优化策略。第四，人机共处与社会空间：如何理解隐形的“社会几何”，例如个人空间、队形、视线与意图，并在协作中进行预测与协调。这四层向下扎根于物理世界，向上连接语义与价值，构成从感知到行动的闭环。
今天的大模型之所以“自我幻化”，很大程度源于其学习信号的偏置。大多数网络训练于互联网的语言与图像分布，擅长对“在数据中出现过的片段”进行模式补全，却很少在因果可验证的物理回路中接受反馈。语言模型靠下一个词的似然来优化，图像生成靠判别器或扩散对像素分布的逼近来优化；二者都能产生“貌似”合理的输出，但不承担“在世界中是否可行”的检验。于是，我们得到的是语义的一致性而非物理的一致性：一段路线规划语言描述可以天衣无缝，真正放到城市路网却撞上限行、单行、施工；一个厨房收纳的图像看似整洁合理，到了真实厨柜却因尺寸公差和关节极限无法达成。没有时空回路，智能止于表层。要让AI从“讲故事者”变为“行动者”，必须把学习目标与时空一致性绑定，把物理世界纳入训练与评估。
空间智能的技术基座，正在经历一次范式重组。以表征为例，从早期体素网格、点云到神经辐射场（NeRF）与高斯压缩（3D Gaussian Splatting），我们已经能够以连续、可微的方式重建高保真三维场景，甚至在移动设备上实时渲染。然而，几何的逼真不等于理解。真正的空间理解，需要在表示中嵌入拓扑与可达性：门可以通行，墙不可穿越；抽屉是容器，内部空间存在层级占用；地板摩擦、物体质量、关节极限决定行动可行域。因此，下一代场景表征应从纯粹的辐射场拓展为“语义-物理-任务”三合一的世界模型：同时编码几何表面、语义标签、动力学参数、接触可行性和可达拓扑，并支持跨时更新。这类模型必须可查询（支持规划器快速访问），可组合（多个局部子图可拼接为全局地图），可不确定（显式表示传感噪声与遮挡后验），并可微（便于端到端优化与反向传播）。
定位与建图方面，多模态SLAM将成为标配。单一视觉在低纹理、强光变或大遮挡下不稳；纯惯导在长时间漂移下不可用。视觉、深度、事件相机、IMU、里程计、UWB、GNSS、Wi-Fi指纹、声音回声的融合，结合学习式特征与几何约束，是提升鲁棒性的关键。更进一步，SLAM不应只输出几何地图，还应输出“可操作地图”：在地图中标注抓取点、可放置区域、动态障碍物轨迹分布、社会禁入区与隐私边界。地图从“被动底图”升级为“主动知识基”，与任务规划器共享同一坐标系与不确定性表述，让“看见的世界”直接服务“要做的事”。
时间维度的纳入，是突破幻觉的另一把钥匙。时空理解不只是“空间的堆叠”，而是对因果与可预测性的把握：如果我推一下杯子，它会沿何轨迹滑动？两秒后会被桌角挡住还是坠落？这需要具身预测模型，也就是“世界模型”的动力学部分。世界模型应能从多模态观察中学习可滚动的隐变量状态，使得在想象空间内进行长视野的“心理仿真”。今天的决策式大模型往往在短视窗口内做贪心补全，缺少跨多步的稳定滚动能力，导致在真实环境中策略崩塌。具身世界模型通过“想象-评估-修正”的内循环，让AI在行动前先“心算物理”，并在执行中利用新证据进行贝叶斯更新，抵消模型偏差。时间也意味着记忆：代理需要形成“场所图式”与“对象持久性”概念，知道物体即便暂时不可见仍然存在，知道相同地点在不同时间的可达性会因门的开合、人的占用而变化。时间使空间具备上下文，防止短期幻觉。
要让空间智能从实验室走向产业，规划与控制的层次化架构同样必须进化。传统机器人采用感知-建图-规划-控制的流水线，接口清晰但易于累积误差，难以全局优化；端到端学习虽能整合，但往往缺乏可解释与安全保障。折中之道是“模块化的可微集成”：在保持可验证模块边界的同时，让梯度可通过世界模型、代价函数与策略传播，实现数据驱动的联合调优。高层使用语言或符号任务描述（如“把蓝杯子放到微波炉右侧的架子上”），中层在可操作地图上做约束规划（可达性、抓取姿态、碰撞避免、视野保持），底层使用模型预测控制（MPC）与接触动力学求解器执行，三层共享同一时空不确定性表达。在这种架构中，大模型的长处是把开放世界的语言目标落地为可检测的空间锚点与约束，而不是直接控制关节扭矩；控制与安全的长处是把不确定性传播到代价与约束，提供形式化保障。
评估体系的转型，是推动空间智能落地的“社会操作系统”。目前对生成式AI的评测多集中在知识问答、推理基准与图像质量分数，难以反映“在世界中是否可行”。未来的评估应当是“闭环、具身、长尾敏感”的：在标准化却开放的仿真与现实测试场中，用任务完成率、风险暴露度、恢复能力、长期稳定性、对分布漂移的鲁棒性来评分。同时引入“可解释度与校准度”指标，衡量模型对自身不确定性的认知是否匹配真实误差，否则“自信的错误”将比“谨慎的未知”更危险。长尾场景的构造尤为关键：极端光照、非常规几何、罕见人类行为、罕见工具形态，都应系统化生成并纳入训练与测评，这需要合成数据与仿真平台（如可微物理引擎、程序化场景生成）与真实世界数据的闭环补偿。
合成数据与具身仿真将在十年内扮演“空间教练”的角色。仅靠真实数据采集，成本高、覆盖窄、难以标注和安全。程序化生成可以在几何、材质、动力学、行为上进行系统性扰动，制造百万级“可能世界”；可微渲染与物理使得领域随机化不再是盲目撒点，而是带梯度的针对性优化；跨模态一致性的生成（图像-点云-触觉-声音同源）可以训练更鲁棒的多模态对齐；策略在仿真中学习，在现实中经由小样本自适应与安全探索微调，实现“仿真到现实”的平滑过渡。关键在于建立“误差透镜”：在仿真中对比现实数据，显式建模偏差来源（传感器噪声、摩擦模型、接触不确定性、行为先验），把偏差纳入不确定性传播与鲁棒优化，而不是掩盖它。
社会空间是空间智能不可忽视的维度。机器人不仅与物体互动，也与人互动；空间里有隐形的规范与权利，例如个人空间半径、通行优先级、视线与手势传意、站位与队形的礼仪。在医院、餐厅、仓库、家庭等场景中，这些“社会几何”决定了系统是否被接受与信任。AI需要学习和推理人类意图，预测轨迹的不仅是物体，还有人；冲突不仅是碰撞，还有礼貌与隐私的侵犯。将社会规范参数化为代价与约束，并与物理可行域联合优化，是人机共处的基础。长远看，多代理的协作需要共享地图、共享意图与冲突解决机制；通信延迟与隐私保护会引入新的时空权衡，推动“边缘-云-端”协同的时空分布式计算架构。
安全与对齐，是空间智能时代的首要底线。相较文本世界的“言语伤害”，具身AI的不当行为可能造成人身与财产风险。我们需要从数据、架构、训练、部署到监控的全链路安全设计：基于规范的控制屏障（如控制屏蔽、强可行域投影）、形式化验证（时序逻辑、可达性分析）、不确定性感知决策（风险敏感MPC、分布鲁棒优化）、失效安全策略（故障检测与可恢复停机）、在线监测与红队化测试。与此同时，价值对齐不再只是内容审查，而是空间行为的“规范对齐”：遵守交通法规、工作场所SOP、家庭隐私边界与伦理禁忌。可解释机制应从语言解释扩展到空间解释：模型应能指出“为什么选择这条路径”“为什么拒绝这个抓取”“当前可达性受限的证据是什么”，并用可视化的空间证据与不确定性热图呈现，便于审计与干预。
产业层面，空间智能的落地将催生新一代“空间原生应用”。在制造与物流中，柔性操作的瓶颈不在算法是否能识别物体，而在是否能稳定地抓、放、插、拧，处理公差与变形；空间智能通过高保真世界模型与闭环力控，突破从“看”到“做”的鸿沟。在建筑、勘探、农业与城市运维中，群体机器人与无人系统需要在大尺度、长时间、复杂地形中自组织与协同，空间智能提供跨尺度的地图共享与任务分解。在消费领域，家庭助理、室内配送、可穿戴与AR眼镜的核心价值都将取决于对用户空间的理解与服务；对个人居住空间的建模与隐私保护，将成为竞争力与社会接受度的分水岭。在医疗与康复中，机器人助手需要理解“人体空间”——关节活动范围、疼痛避免区、医疗器械的无菌空间——并在高风险边界内执行细腻动作。
要实现上述愿景，我们还需要面向空间智能的人才与基础设施重构。高校应打通计算机视觉、机器人、控制、图形学、认知科学与人机交互的课程边界，强调真实系统的闭环评估。开源社区可推动标准化数据格式（几何-语义-动力学一体化）、统一不确定性表述与通用仿真基座，降低复现与对比门槛。产业联盟可以共建长尾场景库与安全规范，形成跨企业共享的“空间红队”资源。监管部门则需与技术社区协作，制定分级部署、沙盒测试与审计框架，让创新在可控风险下加速流动。
从历史的眼光看，AI过去十年的飞跃来自“可学习表示”的突变，尤其是大规模自监督在语言与视觉上的成功；而下一个十年的质变，将来自“可执行世界模型”的成熟，即让表示与物理、与时间、与行动闭环。空间智能不是一个可选模块，而是让AI从“屏幕里的智者”蜕变为“世界中的合作者”的必经之路。只要时空不被纳入学习目标，模型就会继续在语义的镜面中自我迷醉；一旦把时空放上台前，幻觉会在因果的光照下快速退散。我们应当以空间为锚、以时间为线、以行动为证，构建能在真实世界中持续自我校准、可解释且可信赖的智能系统。这不仅是技术路线的选择，更是AI走向社会基础设施的成人礼。