空间智能是人工智能领域的三维空间感知与交互技术，由李飞飞创立的World Labs公司于2024年12月首次公布核心技术成果。该技术通过单张图像生成符合物理几何规则的可交互三维世界，支持键盘操控视角变换与鼠标拖动场景探索。核心技术包含三维几何建模、空间关系推理、多模态融合算法、点云深度学习模型及三维语义理解，采用空间注意力机制增强生成模型的几何约束能力，并融合VR设备与触觉传感器。

在制造业中应用于产品设计仿真与产线监控，建筑领域支持BIM模型动态施工模拟。华为云与纵横天地公司合作开发的实景三维建模系统，提升数据处理效率，支撑数字孪生城市建设。

同时，特斯联基于空间智能技术打造的Meta-Space要素治理平台因其在科大讯飞人工智能小镇的实践入选《2025环球趋势案例》，实现全域用电量下降5.7%及安全与运营效率提升。

医疗领域通过三维影像重建提升手术导航精度。同时，World Labs的Marble模型应用于精神病学研究，以极低成本改变环境维度，帮助研究人员对患有强迫症等心理障碍的人群进行触发因素和治疗方法的研究。教育行业构建虚拟实验室实现化学反应可视化。在影视领域，群核科技与华策影视合作，利用空间智能技术进行虚拟片场生成与影视场景重建。该技术在影视短剧、文化遗产保护等3D内容创作领域得到应用。在机器人训练领域，Marble模型可作为模拟环境，生成海量且多样化的训练数据，充当‘飞行模拟器’。DARPA2024年4月验证的X-62A自主空战系统，采用空间智能技术进行三维战场建模与战术决策。在交通领域，高德地图2025年12月推出的“AI停车雷达”基于空间智能感知与AI视觉分析技术，深度融合交通大数据实时监测北京道路停车位状态，并通过车道级导航界面提供沉浸式停车引导解决方案。

2024年12月World Labs实现单图生成三维世界的技术突破：用户输入任意二维图片即可生成浏览器实时渲染的交互场景，支持通过W/A/S/D键控制视角移动，并保持几何结构稳定避免形变。该系统兼容文生图工具创作风格化场景，可实现希区柯克变焦等影视特效。

李飞飞强调，空间智能是AI下一个十年的关键，构建“世界模型”以理解三维世界。

核心能力包含空间感知（物体坐标识别）、任务规划（路径优化）与自主实施（硬件动态控制）三大模块。空间智能作为一个整体概念，强调的是三维感知、空间推理和多模态生成三大能力的有机整合，而非简单叠加。采用点云深度学习模型处理三维数据，通过空间注意力机制增强生成模型的几何约束能力。技术体系融合Transformer架构、VR设备与触觉传感器，形成'数据 模型 应用'三层架构。

视频孪生技术叠加具身智能硬件后，便能够构建起一个完整的 “感知 — 理解 — 决策 — 处置” 智能化管理闭环，这也是视频孪生与空间智能高度契合的重要体现。

更为重要的是，视频孪生技术为全场景业务要素赋予了统一的时空属性，彻底打破数据孤岛，支持在“时间+空间”双维度下跨镜头、跨系统、跨场景的关联检索与深度分析。这使得对场景内的人、车、地、物、事件的时空理解、动态仿真与未来预测成为可能。叠加具身智能硬件后，更能构建起“感知—理解—决策—处置”的完整智能化管理闭环，不仅彰显视频孪生作为核心数据入口的价值，也完美契合了空间智能的技术发展逻辑。

真正的空间智能系统需要这三种能力紧密协作，形成一个闭环系统：三维感知提供对环境的准确理解，空间推理基于这种理解预测可能的变化和交互结果，多模态生成则将理解和预测转化为具体行动或内容，这些行动又可能改变环境状态，触发新一轮的“感知—推理—生成”循环。这种闭环特性使得空间智能具有自我提升的潜力：通过与环境的持续交互，系统能够不断完善其内部模型和行为策略，实现类似人类的经验学习过程。例如，一个智能机器人可能通过反复尝试抓取不同形状的物体，观察成功和失败案例，逐步改进其物理模型和操作策略。

例如，特斯联推出的Meta-Space平台通过三重核心的结构化能力——将离散的IoT设备数据按空间进行统一汇聚与解析、把隐性的专家经验转化为127种可迭代、可执行的AI策略库、以及通过数字化建模将实体建筑与设备映射为具有标准关系的孪生坐标——将混沌的空间要素转化为可计算的数字单元。

当前面临增强现实设备成本高昂、触觉传感器精度不足等瓶颈。空间智能研究面临着多重技术挑战和科学问题。在感知层面，如何在开放、动态和不确定环境中实现稳健的三维感知仍是一个核心挑战，特别是对于透明、镜面反射等复杂材质物体的准确感知；在推理层面，如何构建能够高效且准确预测物理交互的计算模型，同时兼顾计算效率和物理准确性，是一个关键难题；在生成层面，如何确保生成内容的物理可行性和功能合理性，同时保持创造性和多样性，仍需进行深入研究。2025年技术演进聚焦多模态大模型与物理引擎的深度融合，重点突破三维语义理解与动态环境适应性。

能耗问题无疑是当前空间智能系统面临的首要挑战之一。据麻省理工学院计算机科学与人工智能实验室的研究显示，现有空间智能系统的能耗普遍是传统人工智能系统的数倍，例如，一个典型的自动驾驶系统在实时处理多路高分辨率摄像头和激光雷达数据时，其功耗可达300~500瓦，这限制了系统在资源受限环境中的部署可能性。算法效率提升同样是突破能耗瓶颈的关键途径。通过引入注意力机制和动态计算图技术，新一代空间智能算法能够根据任务需求和环境复杂度动态调整计算资源分配。例如，谷歌研究团队于2023年提出的Adaptive Depth模型，能够根据场景复杂度自动调整神经网络的计算深度，在保持90%识别精度的前提下，平均减少了60%的计算量。类似地，微软亚洲研究院开发的时空注意力网络通过选择性地处理场景中的关键区域和时间段，将三维场景理解任务的能耗降低了近45%，而精度损失不到5%。

空间智能与通用人工智能存在深刻相互依存关系，是通用人工智能实现的基础。大语言模型如GPT-4通过语言隐含空间知识间接学习空间概念，但存在根本局限。空间智能为通用人工智能提供创造性思维工具，如隐空间概念混合。多感知通道整合（视觉、听觉、触觉等）支持稳健空间表征。系统架构借鉴层次化表征和模块化组织范例。未来突破方向包括自监督学习、神经符号混合方法、可微物理模拟和多层次空间表征。

传统的人机交互模式将人与机器视为独立的实体，人类扮演指挥者角色，机器则作为被动执行者，二者之间通过有限的接口进行信息交换。随着空间智能技术的快速发展，一种新型人机关系正在形成，其特征是人与机器的边界逐渐模糊，双方能力相互增强，共同构成一个功能更强大的整体系统。

在空间感知研究方面，学术界在解码与空间导航相关的神经活动方面取得了进展。研究团队通过记录实验动物在空间任务中的神经活动，特别是海马区域的活动，利用机器学习算法分析这些神经信号，建立了神经活动与空间位置之间的对应关系。这类研究目前主要在受控实验环境中进行，能够实现一定程度的空间信息解码，但整体技术仍处于实验室研究阶段，准确率和稳定性仍需进一步提高。

随着技术不断成熟，人机协同将从特定领域的专业工具逐步融入日常生活，成为环境智能的一部分。未来的智能家居、工作场所和公共空间将能够理解人类需求并提供情境化支持，但是以一种不引人注意、不造成干扰的方式。这种平静技术的理念可能成为未来人机协同设计的核心原则。