当我们谈论人工智慧的下一个转捩点，越来越多科学家、企业家与开发者把焦点放在一个看似冷门但至关重要的领域——Spatial 3D AI（三维空间人工智慧）。这不只是让机器理解三度空间的几何结构，而是让AI真正读懂这个物理世界，具备人类般的空间感、身体知觉与常识推理能力。这项能力，正是迈向通用人工智慧（AGI）的基础建设。

文：Michael C.S. So ｜ AiX Society

什么是Spatial 3D AI？

Spatial 3D AI 指的是能够“看见”并理解物理世界的 AI。它不只是从2D影像辨识物件，而是要能建构三维场景，推断物体的深度、相对位置、潜在物理互动，甚至预测行为的结果。举例来说，一个具备空间智能的AI看到一杯水悬挂在桌边，会预测若有人碰撞桌面，水杯会掉落并打翻。

这不单是感测技术的问题，更是AI必须学会如何整合视觉、听觉、触觉等感官数据，建立一套内在的“世界模型”（World Model）去模拟环境中的可能性。这样的能力在人类心智中天生具备，但对AI来说，是一项全新的挑战。

空间智能为何是AGI的必要条件？

人类之所以具备“常识”，是因为我们从小就在与三维世界互动的过程中，建立起因果推论与空间记忆的能力。这一点，也是李飞飞教授（Fei-Fei Li）近年在Stanford大力倡议的观点。她在2025年于《TIME》撰文指出：“AI若缺乏对空间的理解，就无法真正拥有常识与推理能力。Spatial intelligence is the scaffolding of human cognition.”

她更进一步指出，尽管大型语言模型能够说出精彩的故事、写出代码、回答复杂问题，但它们就像“盲目的说书人（blind storytellers）”，对于物理世界一无所知。她写道：“LLMs are eloquent but inexperienced, knowledgeable but ungrounded. They talk about the world but don’t truly know the world.”

因此，若AI无法掌握三维空间的几何、物体间的因果关系、动作与结果之间的推理，它终究只能停留在符号与语言的层次，无法进入真正“智能”的世界。

Omniverse与数位孪生：AI的虚拟训练场

目前AI最重要的空间训练平台之一，是由NVIDIA打造的Omniverse。这是一个可进行物理正确模拟的3D数位孪生平台，允许企业在虚拟世界中设计、部署并优化真实世界中的系统与流程。

NVIDIA CEO黄仁勋曾表示：“Everything that moves will be robotic and embodied by AI. Omniverse will be the operating system of physical AI.”这个愿景已经在BMW、Amazon等企业中实现。例如BMW透过在Omniverse中重建汽车工厂，模拟生产线改动，成功提升30%效率；Amazon则模拟50万个仓储机器人进行场景演练与布局优化，节省大量实体测试成本。

这些虚拟世界能产生大量synthetic data，提供AI训练使用，有效解决真实世界资料取得困难与昂贵的问题。

Embodied AI：智慧不是“只有脑袋”

空间智能不能只靠大脑（模型），还需要身体（embodiment）。李飞飞教授与其他神经科学家强调，智慧是感官、动作与环境互动的结果。AI若无法透过摄影机、深度感测器、机械手臂等硬体与世界互动，将无法建立真正的“常识”。

她指出：“It is much more likely that AI systems will develop human-like cognition if they are built with architectures that learn and improve in similar ways as the human brain, using connections to the real world.”

目前如Meta的AI Habitat、AI2的THOR平台，正是为此而建的模拟空间，让AI代理人能进行“模拟体验”并透过强化学习获得真实操作能力。

世界模型（World Models）：AI的内在宇宙

为了让AI真正理解物理环境与未来情境，它需要具备一个内建的“世界模型”。李飞飞将这种模型定义为具备三大特性：

生成性（Generative）：能产生符合语义与物理逻辑的3D世界，并能模拟其中的事件发展；

多模态（Multimodal）：能整合语言、影像、声音、深度感测等多元感官输入；

互动性（Interactive）：能在输入“某个动作”后，推算出环境中各项变数的更新。

她的新创公司World Labs已针对这方向推出原型系统 Marble，可从简单语句中生成可以互动与导航的虚拟3D世界，为训练AI提供更多的“心理模拟沙盒”。

通用智慧的下一站：从“Words”走向“Worlds”

AI发展的头十年，专注于语言与图像辨识。但下一个十年，若要真正进入人类世界、协助人类工作与生活，AI就必须具备对空间的理解能力。李飞飞写道：“To move toward AGI, we must move from words to worlds.”

这样的AI不再只是回应问题的助理，而是能够进入家庭、工厂、医院等真实空间，理解人类的语言并转化为真实世界的行动决策，具备感知、记忆、预测与适应的能力。

空间智能，打开AGI的通道

人工智慧要真正“通用”，就不能停留在资料与语言处理层次。它必须能够感知现实世界、理解环境结构、预测物理事件、并与人类共享空间与任务。Spatial 3D AI 正是在这条通往AGI的路上，打开那扇必要的大门。

如李飞飞所说：“Without spatial understanding, AI is blind to the real world. With it, we begin to see the potential for machines to reason, imagine, and collaborate as we do.”

空间智能不是AI的附加功能，而是它迈向真正智慧与共存时代的根本能力。未来，我们不只期待AI能说得头头是道，更期待它能“进得来我们的世界”，与我们共创新价值。