空間智能這個(gè)詞最近有點(diǎn)熱熱到我一個(gè)平時(shí)只關(guān)心落地應(yīng)用的人都不得不多花幾個(gè)晚上把它相關(guān)的論文、Demo和產(chǎn)品邏輯翻了一遍。原因很簡單過去兩年我們聊AI聊的是“它能說什么”現(xiàn)在大家開始聊“它能做什么、能走多深、能在真實(shí)世界里幫你干多少活”。說白了AI正在從一個(gè)聊天窗口變成一雙眼睛、一雙手。這期空間智能前沿日報(bào)想認(rèn)真聊的就是這個(gè)從“能聊天”到“能動(dòng)手”的過程。我會(huì)討論空間智能到底是什么AI Agent怎么把語言能力變成實(shí)際行動(dòng)以及兩者匯合之后到底能在哪些場景里產(chǎn)生真金白銀的價(jià)值。如果你也在關(guān)注AI應(yīng)用落地方向或者正糾結(jié)要不要投入精力研究空間智能這篇內(nèi)容應(yīng)該對你有參考價(jià)值。1. 空間智能是什么從“看見”到“理解”再到“行動(dòng)”1.1 先拆解概念空間智能不是三維識別的馬甲空間智能這個(gè)術(shù)語第一次大面積出圈是因?yàn)閹坠P大額融資和幾位AI圈重量級人物的公開強(qiáng)調(diào)。但這個(gè)詞本身并不神秘它本質(zhì)上是指AI對三維空間中的物體位置、幾何關(guān)系、遮擋、運(yùn)動(dòng)趨勢、物理約束進(jìn)行感知和理解并在此基礎(chǔ)上完成預(yù)測或行動(dòng)的能力。打個(gè)比方。人類走進(jìn)一間房間掃一眼就能知道“沙發(fā)離桌子大概多遠(yuǎn)”“水杯在沙發(fā)右邊、伸手能夠到”“從門口走到窗戶不會(huì)被絆倒”。這些判斷不需要刻意計(jì)算這就是空間智能。對人類而言它幾乎是本能但對傳統(tǒng)AI來說它曾經(jīng)極其困難。一個(gè)二維視覺模型能識別出圖片里有一把椅子但無法回答“這把椅子面朝哪個(gè)方向、離鏡頭多遠(yuǎn)、能不能承重”這類問題。傳統(tǒng)NLP模型能生成一段請你“把桌上的杯子遞過來”的文字但完全不知道杯子在哪、手該怎么伸。所以空間智能并不是給三維識別換了個(gè)名字。三維重建也好、目標(biāo)檢測也好更多是“感知”層面的單點(diǎn)能力空間智能強(qiáng)調(diào)的是感知之后的“理解”與“行動(dòng)”閉環(huán)。理解意味著不僅要認(rèn)出物體還要推斷物體之間的關(guān)系、運(yùn)動(dòng)趨勢和物理屬性行動(dòng)意味著要基于這種理解生成具體的、可執(zhí)行的指令或姿態(tài)。我在追蹤這個(gè)方向時(shí)最明顯的感受是過去幾年大家把視覺模型和語言模型分開訓(xùn)練一個(gè)負(fù)責(zé)“看”一個(gè)負(fù)責(zé)“說”現(xiàn)在則拼命想讓模型同時(shí)具備“看”和“做”的能力?？臻g智能就是這中間的那塊拼圖。1.2 為什么“能聊天”不夠了三股力量逼著AI動(dòng)手很多人會(huì)問聊天聊得好好的為什么要折騰“動(dòng)手”我覺得背后有三股推力。第一是數(shù)據(jù)瓶頸。圍繞文本的大規(guī)模預(yù)訓(xùn)練已經(jīng)接近天花板高質(zhì)量文本數(shù)據(jù)快被用完了。而視覺數(shù)據(jù)、視頻數(shù)據(jù)、空間數(shù)據(jù)還有大量未被利用?？臻g數(shù)據(jù)的來源廣、維度多、信息密度高是下一代模型訓(xùn)練最重要的燃料。誰先能把空間數(shù)據(jù)消化掉誰就能在下一輪競爭中占據(jù)優(yōu)勢這是很多大模型團(tuán)隊(duì)愿意重倉布局空間智能的根本原因。第二是場景需求。純聊天產(chǎn)品很難獨(dú)立創(chuàng)造足夠大的商業(yè)價(jià)值企業(yè)客戶真正愿意付費(fèi)的是“解決問題”。比如物流倉儲(chǔ)要機(jī)器人把貨架上的商品抓下來室內(nèi)設(shè)計(jì)要讓AI根據(jù)戶型圖自動(dòng)擺放家具自動(dòng)駕駛要讓車在復(fù)雜路口做合理決策。這些需求都要求AI從“給出文字建議”升級為“直接執(zhí)行并交付結(jié)果”。第三是Agent生態(tài)的成熟。推理成本下降、工具調(diào)用框架逐步標(biāo)準(zhǔn)化讓“讓AI調(diào)用工具完成任務(wù)”變成工程上可落地的方案。從Chat到Act不是某個(gè)單一模型的突破而是一整套工程體系成熟的結(jié)果。模型負(fù)責(zé)理解意圖和拆解任務(wù)工具負(fù)責(zé)執(zhí)行空間智能負(fù)責(zé)讓執(zhí)行過程真實(shí)可靠。三股推力加在一起結(jié)論就很明確AI的下一個(gè)增長點(diǎn)不在對話框里而在真實(shí)空間里。2. AI Agent把“想法”變成“動(dòng)作”2.1 Agent的基礎(chǔ)結(jié)構(gòu)感知、規(guī)劃、記憶與工具調(diào)用想要理解“能聊天”到“能動(dòng)手”必須先理解AI Agent的基本結(jié)構(gòu)。我習(xí)慣用一個(gè)四模塊框架來拆解一個(gè)典型Agent感知模塊接收信息包括用戶的文字輸入、圖像輸入、傳感器數(shù)據(jù)、系統(tǒng)狀態(tài)等。在空間智能場景下感知模塊經(jīng)常還要接入深度相機(jī)、點(diǎn)云、三維重建結(jié)果。規(guī)劃模塊由大模型承擔(dān)負(fù)責(zé)理解用戶意圖把任務(wù)分解成多個(gè)子步驟決定每一步該調(diào)用什么工具。記憶模塊保存任務(wù)的中間狀態(tài)、歷史信息和執(zhí)行結(jié)果讓Agent在多輪操作里不迷路。執(zhí)行模塊也就是工具調(diào)用連接外部API、代碼執(zhí)行器、移動(dòng)設(shè)備或機(jī)械臂把規(guī)劃結(jié)果變成真實(shí)動(dòng)作。這個(gè)結(jié)構(gòu)并不復(fù)雜但每個(gè)模塊都有很多細(xì)節(jié)。比如規(guī)劃模塊現(xiàn)在主流還是“思維鏈”加“ReAct”這類方法讓模型一邊思考一邊行動(dòng)每一步都輸出“我觀察到了什么、下一步該做什么”。再比如記憶模塊短期記憶用上下文窗口就能解決長期記憶則要把重要信息存到向量數(shù)據(jù)庫里在需要時(shí)檢索出來。過去一年最明顯的變化是工具調(diào)用的標(biāo)準(zhǔn)越來越統(tǒng)一。各大模型廠商跟進(jìn)推出的函數(shù)調(diào)用格式和工具調(diào)用協(xié)議讓“模型輸出一個(gè)結(jié)構(gòu)化指令系統(tǒng)執(zhí)行后返回結(jié)果”變成了一套通用玩法。這帶來的直接好處是你可以把任何能力封裝成一個(gè)工具然后讓模型自由組合?？臻g智能里的“視覺定位”“深度估計(jì)”“三維重建”都可以封裝成工具交給Agent調(diào)度。2.2 從“對話”到“行動(dòng)”的關(guān)鍵轉(zhuǎn)變模型要開始對結(jié)果負(fù)責(zé)對話系統(tǒng)和Agent系統(tǒng)有個(gè)本質(zhì)區(qū)別對話系統(tǒng)只對“說出來的話”負(fù)責(zé)Agent要對“做出來的事”負(fù)責(zé)。舉個(gè)很簡單的例子。你讓聊天機(jī)器人“幫我訂一張明天到上海的票”它可能給你一段建議“你可以去某APP看看”。這個(gè)回答在文本層面是完整的但沒有完成任何實(shí)際動(dòng)作。而Agent會(huì)自己打開訂票工具、查詢車次、提交訂單然后告訴你“已經(jīng)訂好訂單號是XXX”。從工程角度看這個(gè)轉(zhuǎn)變帶來了幾個(gè)新問題。第一是錯(cuò)誤成本變高了。對話說錯(cuò)了可以改口動(dòng)作做錯(cuò)了可能造成實(shí)際損失所以Agent必須有更嚴(yán)格的校驗(yàn)和回滾機(jī)制。第二是需要反饋閉環(huán)。動(dòng)作執(zhí)行之后系統(tǒng)要把結(jié)果反饋給模型模型判斷是否滿意不滿意就調(diào)整策略再來。第三是安全限制必須前置。在讓Agent執(zhí)行動(dòng)作之前要給權(quán)力設(shè)邊界包括權(quán)限控制、動(dòng)作審核、告警機(jī)制。這也是為什么我始終覺得做Agent比做聊天機(jī)器人難得多。模型能力只是地基真正考驗(yàn)工程能力的是怎么在可控的范圍內(nèi)把模型能力釋放出來?？臻g智能的加入又會(huì)把這個(gè)問題提升一個(gè)量級模型不僅要保證自己的輸出正確還要保證對空間的操作正確。3. 空間智能 × Agent 的落地場景哪些地方真的在“動(dòng)手”3.1 具身智能與機(jī)器人從Demo到產(chǎn)線還有多遠(yuǎn)具身智能是空間智能和Agent結(jié)合最典型的場景。所謂具身簡單說就是給AI一個(gè)物理載體比如機(jī)械臂、四足機(jī)器人、人形機(jī)器人讓它在真實(shí)世界里活動(dòng)。在具身智能的發(fā)展上我觀察到兩條路線。一條是“模型驅(qū)動(dòng)”路線直接把視覺-語言-動(dòng)作模型做端到端訓(xùn)練輸入圖像和語言指令輸出關(guān)節(jié)動(dòng)作或運(yùn)動(dòng)指令。另一條是“模塊化”路線把感知、規(guī)劃、控制拆開感知用視覺大模型規(guī)劃用語言大模型控制用傳統(tǒng)機(jī)器人學(xué)方法。兩條路線各有優(yōu)劣端到端潛力更大但數(shù)據(jù)需求極高模塊化更容易落地但鏈路長、集成復(fù)雜。目前來看大多數(shù)真實(shí)產(chǎn)線上的方案還是模塊化為主。一個(gè)典型的抓取任務(wù)會(huì)被拆成目標(biāo)檢測與位姿估計(jì)、抓取點(diǎn)規(guī)劃、路徑規(guī)劃、運(yùn)動(dòng)控制?？臻g智能模型負(fù)責(zé)前兩環(huán)比如用三維重建或者深度估計(jì)模型得到物體在相機(jī)坐標(biāo)系下的位置然后通過抓取點(diǎn)生成網(wǎng)絡(luò)輸出機(jī)械臂的抓取姿態(tài)。這個(gè)行業(yè)里常見的誤區(qū)是以為有了一個(gè)大模型機(jī)器人就能自動(dòng)學(xué)會(huì)所有操作。實(shí)際根本不是這樣。真實(shí)環(huán)境里有光照變化、物體形變、遮擋、摩擦力不均等問題任何一個(gè)環(huán)節(jié)沒處理好抓取成功率都會(huì)掉得很明顯。這也是為什么現(xiàn)在大家都在做sim-to-real遷移先用仿真環(huán)境大量訓(xùn)練再在真實(shí)場景做少量微調(diào)?？臻g智能在這條鏈路里承擔(dān)的任務(wù)是讓模型對“空間關(guān)系”有先驗(yàn)的理解減少真實(shí)調(diào)試的試錯(cuò)成本。3.2 三維內(nèi)容創(chuàng)作與數(shù)字孿生AI開始直接生成“世界”除了物理世界的機(jī)器人空間智能在數(shù)字世界里同樣大有可為。最典型的就是三維內(nèi)容生成。過去做一張三維場景需要美術(shù)人員用建模軟件一點(diǎn)一點(diǎn)搭動(dòng)輒幾個(gè)星期?，F(xiàn)在出現(xiàn)了大量基于生成式AI的三維工具能直接通過文字或圖片生成可編輯的三維模型和場景。這些工具背后的空間智能模型要解決的其實(shí)是兩個(gè)問題幾何一致性和物理合理性。幾何一致性是指生成的模型在形狀、拓?fù)洹⒓y理上必須自洽不能出現(xiàn)兩個(gè)面穿模、一個(gè)物體懸空這些低級錯(cuò)誤物理合理性是指物體之間的關(guān)系要符合常識比如杯子應(yīng)該放在桌面上而不是浮在半空。數(shù)字孿生也屬于這個(gè)范疇。工廠要做產(chǎn)線仿真城市要做智慧管理第一步都是把物理世界數(shù)字化。傳統(tǒng)做法是激光掃描加人工修模成本很高。現(xiàn)在用多視角圖像送入三維重建模型配合大模型的語義理解可以快速生成帶語義標(biāo)簽的數(shù)字孿生場景。比如掃描一個(gè)倉庫AI能自動(dòng)識別出貨架、通道、貨物并給出合理的空間布局建議。在這個(gè)方向做Agent價(jià)值在于“生成之后的修改與交互”。一個(gè)室內(nèi)設(shè)計(jì)Agent你告訴它“把客廳改成原木風(fēng)沙發(fā)靠窗”它不僅要能重新生成設(shè)計(jì)方案還要能局部修改三維場景更新材質(zhì)和家具位置并且保證修改后空間仍然合理。這比單純生成一張圖難很多因?yàn)槿S空間存在全局約束改一個(gè)地方可能影響其他部分?，F(xiàn)在很多團(tuán)隊(duì)正在解決這個(gè)問題思路是先建立場景的圖結(jié)構(gòu)把物體之間的依賴關(guān)系顯式建模再做局部修改。3.3 自動(dòng)駕駛、AR/VR與端側(cè)設(shè)備空間智能的普惠入口如果說機(jī)器人和數(shù)字孿生是重場景那自動(dòng)駕駛、AR/VR和端側(cè)設(shè)備就是空間智能進(jìn)入普通人生活的入口。自動(dòng)駕駛天然就是空間智能的試驗(yàn)場。車輛需要在毫秒級時(shí)間內(nèi)感知周圍環(huán)境、預(yù)測其他交通參與者的軌跡、規(guī)劃自己的行駛路徑。過去幾年自動(dòng)駕駛從單純的感知算法演進(jìn)到端到端模型本質(zhì)上就是在讓整個(gè)“感知-預(yù)測-規(guī)劃”閉環(huán)變得更智能?？臻g智能在這里的作用不只是識別出前方有個(gè)行人而是理解“行人可能往左走還是往右走我要不要減速”。這種對動(dòng)態(tài)空間關(guān)系的理解是L3以上級別自動(dòng)駕駛的關(guān)鍵。AR/VR就更好理解。在混合現(xiàn)實(shí)環(huán)境里虛擬物體必須和真實(shí)空間對齊隨便亂放的話用戶會(huì)立刻出戲?？臻g智能負(fù)責(zé)實(shí)時(shí)理解房間的幾何結(jié)構(gòu)、光照條件、遮擋關(guān)系讓虛擬物體“穩(wěn)穩(wěn)地”待在應(yīng)該待的位置。這類設(shè)備出現(xiàn)后大家都意識到了三維交互界面是下一個(gè)平臺但真正讓這個(gè)平臺成立的核心能力就是空間智能。端側(cè)設(shè)備的落地更現(xiàn)實(shí)一點(diǎn)。手機(jī)通過深度相機(jī)做人臉識別、手勢控制掃地機(jī)器人靠激光雷達(dá)和視覺建圖規(guī)劃路徑無人機(jī)做自主避障。這些設(shè)備上的空間智能模型通常要兼顧精度和功耗所以模型壓縮、量化部署、端側(cè)推理框架都是重點(diǎn)。我試過在嵌入式設(shè)備上跑輕量化的深度估計(jì)模型幀率大概能到十幀左右做個(gè)簡單的避障Demo是夠的但真要商用還得繼續(xù)優(yōu)化。4. 技術(shù)棧選型與實(shí)操復(fù)盤做空間智能Agent該從哪里下手4.1 模型與框架怎么選一個(gè)實(shí)用的選型清單考慮做空間智能相關(guān)應(yīng)用時(shí)模型選擇是最關(guān)鍵的一步。我把目前常見的開源模型和工具按功能整理成一張表方便大家對照功能常用模型/工具適用場景圖像分割/識別SAM系列、Grounding DINO從圖片中分離物體、做語義標(biāo)注單目深度估計(jì)Depth Anything系列從二維圖片估出深度圖得到大致空間結(jié)構(gòu)三維重建3D高斯?jié)姙R、NeuS、COLMAP從多視角圖片重建三維場景姿態(tài)估計(jì)FoundationPose、MegaPose對物體位姿做估計(jì)機(jī)械臂抓取常用視覺-語言模型LLaVA系列、Qwen-VL圖文理解、目標(biāo)定位、空間關(guān)系描述Agent框架LangChain、AutoGPT、Dify、自研工具調(diào)用層搭建AI Agent應(yīng)用調(diào)用外部工具選擇原則其實(shí)很直白先錨定你的任務(wù)類型再選模型。比如你要做室內(nèi)場景的AI設(shè)計(jì)助手那么Depth Anything做深度估計(jì)、SAM做家具分割、視覺-語言模型理解用戶意圖這樣的組合足夠起步。如果要做機(jī)械臂抓取那FoundationPose這類專攻位姿估計(jì)的方案會(huì)更合適通用分割模型反而幫不上太多?？蚣芊矫嫒绻皇强焖衮?yàn)證想法LangChain或者Dify都夠用。但如果要深度定制我建議干脆自己寫工具調(diào)用層反而更可控?？蚣芙o了你腳手架同時(shí)也給你帶上了枷鎖尤其在空間智能這種需要頻繁傳遞圖像、點(diǎn)云等非結(jié)構(gòu)化數(shù)據(jù)的場景里標(biāo)準(zhǔn)框架往往不夠靈活。4.2 搭建一個(gè)“能動(dòng)手”的最小Demo從對話到控制機(jī)械臂空談技術(shù)選型沒用還是得動(dòng)手。我搭了一個(gè)最小可用的“空間智能Agent”Demo功能非常簡單用戶輸入“抓取桌上的可樂罐”Agent通過視覺模型定位目標(biāo)物再調(diào)用機(jī)械臂控制接口完成抓取。整體鏈路如下部署一個(gè)視覺-語言模型負(fù)責(zé)把用戶的自然語言指令轉(zhuǎn)成“檢測目標(biāo)物體”的結(jié)構(gòu)化任務(wù)。調(diào)用Grounding DINO加SAM從相機(jī)畫面里定位可樂罐的邊界框和分割掩碼。用Depth Anything從單目圖像里估出目標(biāo)物的深度結(jié)合相機(jī)內(nèi)參計(jì)算出目標(biāo)在相機(jī)坐標(biāo)系下的三維位置。將三維坐標(biāo)發(fā)送給機(jī)械臂控制接口進(jìn)行運(yùn)動(dòng)規(guī)劃和抓取。這里面每一步都有不少細(xì)節(jié)。比如第一步視覺-語言模型如果識別錯(cuò)了目標(biāo)后面全白搭所以需要加一層確認(rèn)機(jī)制讓模型輸出“我找到了一個(gè)銀色罐體是否為目標(biāo)”再等用戶確認(rèn)。比如第三步單目深度估計(jì)的精度有限測出來深度可能有幾厘米的偏差這時(shí)候可以用機(jī)械臂末端的深度傳感器做一次矯正或者讓機(jī)械臂先移到目標(biāo)附近再通過手眼標(biāo)定精調(diào)。我寫的一段核心Python偽代碼如下import numpy as np # 假定相機(jī)內(nèi)參 fx, fy, cx, cy 600.0, 600.0, 320.0, 240.0 K np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1]]) # 1. 從模型輸出獲得目標(biāo)中心點(diǎn)像素坐標(biāo) (u, v) 和深度 d u, v, d model_detect(可樂罐) # 2. 將像素坐標(biāo) 深度轉(zhuǎn)成相機(jī)坐標(biāo)系下的三維點(diǎn) X (u - cx) * d / fx Y (v - cy) * d / fy Z d # 3. 通過手眼標(biāo)定矩陣 T 轉(zhuǎn)到機(jī)械臂基座坐標(biāo)系 P_cam np.array([X, Y, Z, 1.0]) P_base T P_cam # 4. 發(fā)給機(jī)械臂去做規(guī)劃抓取 robot.grasp(P_base[:3])這個(gè)Demo跑通之后你就能直觀感受到“從能聊天到能動(dòng)手”的工程量在哪。模型本身并不難難的是把各種坐標(biāo)系對齊、把誤差控制在可接受范圍內(nèi)、把異常情況處理干凈。我第一次跑的時(shí)候機(jī)械臂抓了十幾回才成功一次后來發(fā)現(xiàn)是深度估計(jì)偏差加手眼標(biāo)定沒校準(zhǔn)好。調(diào)整之后成功率才上來但也遠(yuǎn)沒有到穩(wěn)定的程度。4.3 踩坑記錄我在這條路上踩過的幾個(gè)坑做空間智能Agent踩坑幾乎是必然的。我把印象最深的幾個(gè)坑寫出來希望你能少走彎路。第一個(gè)坑是單目深度估計(jì)的不穩(wěn)定性。Depth Anything在靜態(tài)場景下表現(xiàn)不錯(cuò)但一旦畫面里出現(xiàn)運(yùn)動(dòng)物體深度圖就會(huì)抖動(dòng)尤其是物體邊緣深度值會(huì)在前后兩個(gè)距離值之間跳變。這種情況在機(jī)器人抓取任務(wù)里非常致命因?yàn)樽鴺?biāo)稍微偏一點(diǎn)抓取就會(huì)失敗。我的解決辦法是加了一個(gè)時(shí)序?yàn)V波對連續(xù)幾幀的深度輸出做中值濾波同時(shí)結(jié)合目標(biāo)跟蹤框的穩(wěn)定性判斷是否可信。第二個(gè)坑是手眼標(biāo)定不到位。相機(jī)裝在機(jī)械臂旁邊和機(jī)械臂基座的相對位姿關(guān)系必須精確。我用OpenCV自帶的標(biāo)定板做手眼標(biāo)定前幾次總是有毫米級誤差后來發(fā)現(xiàn)是標(biāo)定板不平整。換了一塊剛性亞克力標(biāo)定板之后誤差明顯下降。這讓我意識到很多標(biāo)定問題和算法無關(guān)硬件選型才是大頭。第三個(gè)坑是大模型上下文不可控。Agent在跟視覺模型、工具系統(tǒng)多輪交互時(shí)經(jīng)常會(huì)出現(xiàn)“幻覺式執(zhí)行”比如用戶讓“抓取綠色杯子”模型卻找到了一排綠色物體然后自己選了一個(gè)就執(zhí)行了。為了避免這種問題我在工具調(diào)用層加了一層規(guī)則校驗(yàn)要求模型輸出必須包含目標(biāo)類別、置信度、空間范圍字段程序端再對這些字段做合法性檢查。模型輸出不合法就直接要求重試寧可多跑幾輪也不要執(zhí)行錯(cuò)誤動(dòng)作。還有一個(gè)工程上的坑是延遲。視覺模型加語言模型串聯(lián)起來整個(gè)鏈路耗時(shí)經(jīng)常超過五秒對交互體驗(yàn)非常不友好。我把視覺模型放在本地GPU上推理語言模型用輕量化版本并通過流式處理把首幀結(jié)果盡快返回。最終把整體延遲壓到了兩秒以內(nèi)雖然談不上實(shí)時(shí)但至少能用。4.4 再補(bǔ)一個(gè)經(jīng)驗(yàn)評測體系一定要提前搭這個(gè)經(jīng)驗(yàn)是我做了幾個(gè)空間智能項(xiàng)目之后才悟出來的。做聊天機(jī)器人你可以靠人工問答去主觀評估效果但做空間智能Agent必須提前搭一套量化評測體系否則項(xiàng)目根本沒法推進(jìn)。原因很簡單?？臻g智能任務(wù)的結(jié)果是客觀的物體抓沒抓到、位姿誤差多少、三維重建的精度多高、路徑規(guī)劃有沒有碰撞。這些問題不是“感覺還不錯(cuò)”就能蒙混過去的。我一開始做機(jī)械臂抓取時(shí)憑印象覺得“成功率還行”后來實(shí)測統(tǒng)計(jì)才發(fā)現(xiàn)只有六成左右離上線差的遠(yuǎn)。從那以后我再做這類項(xiàng)目第一件事就是把評測腳本寫出來每次改動(dòng)模型或參數(shù)自動(dòng)跑一遍測試集記錄指標(biāo)。具體來說我會(huì)為每個(gè)場景定義三到五個(gè)核心指標(biāo)。比如機(jī)械臂抓取關(guān)注抓取成功率、平均定位誤差、單次任務(wù)耗時(shí)三維重建關(guān)注Chamfer距離、F-score、紋理保真度室內(nèi)設(shè)計(jì)Agent關(guān)注用戶指令滿足率、空間布局合理性評分。這些指標(biāo)不一定都能量化完美但至少能讓團(tuán)隊(duì)對“當(dāng)前系統(tǒng)處在一個(gè)什么水平”有統(tǒng)一認(rèn)知不會(huì)出現(xiàn)產(chǎn)品覺得能用、研發(fā)覺得還遠(yuǎn)的情況。評測數(shù)據(jù)的積累還有個(gè)額外好處當(dāng)模型更新或者換了新方案時(shí)你可以直接對比歷史數(shù)據(jù)快速判斷是變好了還是變差了。空間智能方向迭代速度很快模型版本三四個(gè)月就會(huì)換一代沒有一套穩(wěn)定的評測基準(zhǔn)你根本不知道該不該升級。5. 四個(gè)月實(shí)操下來我對空間智能Agent的幾點(diǎn)判斷5.1 空間智能會(huì)讓AI真正成為“生產(chǎn)力工具”聊天模型解決的是信息獲取和內(nèi)容生成的效率問題空間智能Agent解決的是物理世界任務(wù)的效率問題。兩者不在一個(gè)量級。對個(gè)人來說聊天機(jī)器人幫你寫郵件、總結(jié)文檔省的是幾分鐘對工廠來說一臺搭載空間智能的機(jī)器人替代人工完成質(zhì)檢、分揀、搬運(yùn)省的是一個(gè)人一年的成本。只有進(jìn)入物理世界AI的杠桿效應(yīng)才會(huì)被真正放大。這四個(gè)月我在多個(gè)場景里反復(fù)驗(yàn)證同一個(gè)結(jié)論凡是需要“人眼判斷手部操作”的任務(wù)空間智能Agent都有機(jī)會(huì)參與凡是只需要“閱讀打字”的任務(wù)現(xiàn)有聊天模型已經(jīng)夠用。所以判斷一個(gè)場景值不值得做先問一句這個(gè)任務(wù)有沒有物理空間維度如果有空間智能就是剛需。5.2 數(shù)據(jù)閉環(huán)是唯一靠譜的護(hù)城河這個(gè)方向技術(shù)壁壘并沒有想象中高。開源模型已經(jīng)很強(qiáng)大SAM、Depth Anything、Qwen-VL這些模型直接拿來用表現(xiàn)都不差。真正拉開差距的是數(shù)據(jù)閉環(huán)。你能不能在真實(shí)場景里持續(xù)收集到高質(zhì)量的標(biāo)注數(shù)據(jù)能不能把失敗案例沉淀下來反哺模型和策略這決定了系統(tǒng)能不能越用越準(zhǔn)。我見過一些團(tuán)隊(duì)模型選型很新代碼架構(gòu)也很好就是沒有認(rèn)真收集真實(shí)場景數(shù)據(jù)結(jié)果Demo驚艷一上真實(shí)環(huán)境就露餡。反觀那些跑得穩(wěn)的項(xiàng)目都有一個(gè)共同點(diǎn)每一臺設(shè)備都在回傳數(shù)據(jù)每一次失敗都在觸發(fā)記錄每一條記錄都在進(jìn)入下一個(gè)訓(xùn)練或調(diào)優(yōu)周期?？臻g智能不像純語言模型那樣能在互聯(lián)網(wǎng)文本里自學(xué)它必須依賴真實(shí)空間里的反饋數(shù)據(jù)誰掌握數(shù)據(jù)閉環(huán)誰就掌握主動(dòng)權(quán)。5.3 從交互到執(zhí)行AI創(chuàng)業(yè)者的話語權(quán)在變大最后說點(diǎn)行業(yè)觀察。過去做AI應(yīng)用大家總覺得自己在給大模型“打工”核心能力都在模型層應(yīng)用層隨時(shí)可被替代。但空間智能Agent扭轉(zhuǎn)了這種關(guān)系。因?yàn)榭臻g智能的落地嚴(yán)重依賴場景工程你需要做手眼標(biāo)定、需要調(diào)機(jī)械臂控制、需要處理物理環(huán)境的不確定性、需要搭建評測體系。這些工程能力大模型廠商不會(huì)替你解決也不愿意替你解決。這意味著掌握場景Know-how的團(tuán)隊(duì)在大模型生態(tài)里有了真正的議價(jià)能力。大模型再強(qiáng)也只是你系統(tǒng)里的一個(gè)組件。當(dāng)你能把“空間理解、任務(wù)規(guī)劃、底層控制、質(zhì)量反饋”串成閉環(huán)時(shí)你就不再是簡單的模型調(diào)用方而是具備完整交付能力的方案商。這個(gè)轉(zhuǎn)變會(huì)讓AI創(chuàng)業(yè)者第一次感受到“技術(shù)在手天下我有”的底氣。這期日報(bào)寫到這里我自己的體會(huì)是空間智能和AI Agent的交叉處恰恰是接下來最值得投入的方向之一。聊天模型證明了“機(jī)器能理解語言”空間智能要證明的是“機(jī)器能理解并改造物理世界”。兩者結(jié)合之后能給機(jī)器人、內(nèi)容創(chuàng)作、自動(dòng)駕駛、AR等無數(shù)場景帶來實(shí)質(zhì)變化。這個(gè)方向還很早期模型能力、工程實(shí)踐、硬件成本都有大量問題要解決但也正因?yàn)樵缙诿總€(gè)人參與進(jìn)去都有機(jī)會(huì)做出真正有差異化的東西。如果你也在這個(gè)方向探索我的建議是先從小場景、小Demo做起把“看”和“做”的閉環(huán)跑通一次再慢慢擴(kuò)大邊界。下一步我計(jì)劃寫一篇更偏實(shí)戰(zhàn)的教程把我搭建的室內(nèi)場景Agent代碼倉庫整理出來拆解每一層的設(shè)計(jì)思路。如果你有具體的落地場景或者踩過的坑歡迎在評論區(qū)聊聊我會(huì)挑有價(jià)值的問題放到后面的日報(bào)里展開。