空間智能來勢洶洶！從實驗室到消費級剛需，如何重塑AI具身時代?

機器之心發布

明天，一年一度的 CES 即將在美國拉斯維加斯璀璨開幕。作為全球科技產業最重要的風向標之一，筆者在超前探訪之后欣喜發現，在今年機器人「后廚翻炒」與 AI 眼鏡「同聲傳譯」的熱鬧之外，行業終于開始直面核心命題：無法理解三維空間的 AI，終究只是缺乏行動力的 「語言巨人」。

如何解題？空間智能（Spatial Intelligence），這一被李飛飛定義為 「AI 下一個十年」 的關鍵賽道，正在本屆 CES 上完成從學術概念到產業實踐的突破性跨越。從巨頭的算力競賽到中國初創企業的端側破局，一場關于 「空間智商」 的全球競速已悄然開幕，讓我們一探究竟 ——

今年 CES 2026 展館，具身智能（Embodied AI）仍舊是各大廠商的展示重點，但在這背后一種冷靜的共識正在行業底層悄然凝聚：如果 AI 不能像生物一樣理解三維空間，那么它將永遠被困在屏幕或昂貴的遙控器里。

今年，當大眾還在討論大語言模型（LLM）的邏輯能力時，一批專注于「空間智能」的公司已經開始在端側重構 AI 的感知邊界。

感知困局：萬億參數為何敵不過一只蒼蠅的空間直覺？

CES 2026 的展臺前，一個矛盾現象引發行業深思：一邊是參數規模突破萬億、邏輯推理能力逼近人類的大語言模型（LLM）；另一邊是依賴激光雷達或人工遠程操控才能勉強運行的智能設備。多數 AI 眼鏡仍停留在 「2D 提詞器」 的初級階段，而號稱 「自主決策」 的機器人，在復雜物理環境中甚至難以完成簡單的避障動作。

「一只蒼蠅沒有萬億級參數，卻能在雜亂空間中極速避障、精準著陸。」 一位資深 AI 投資人的感嘆，點出了當前具身智能的核心痛點。

正如 OpenAI 前首席科學家 Ilya Sutskever 與 Meta AI 負責人 Yann LeCun 共同指出的：物理世界的常識無法通過文字完全習得。貓與蒼蠅不識字，卻憑借與生俱來的空間直覺，在 3D 環境中展現出遠超超級計算機的感知與決策能力。

這種「語言強、手腳笨」的困境，本質上便是「空間智能」的缺失。

李飛飛曾定義「空間智能」為 AI 的下一個十年：若 AI 無法理解物體的深度、距離、遮擋與重力，就永遠無法真正 「具身」。在語言智能趨于飽和的今天，AI 行業的競爭焦點正從 「參數競賽」 轉向 「感知革命」—— 誰能以更低成本實現更快的空間直覺，誰就掌握了下一輪技術浪潮的主動權。

空間智能：AI 理解世界的「認知革命」

為何整個行業將破解具身困境的希望押注于「空間智能」？其根本原因在于，這并非一次尋常的技術迭代，而是一場讓 AI 獲得「人類理解世界」底層能力的認知革命。

李飛飛在其論述中深刻指出，空間智能是人類認知的「腳手架」。從嬰兒通過抓握與爬行來探索環境，到消防員在濃煙中憑借直覺判斷建筑坍塌的風險，我們無時無刻不依賴著對深度、距離、遮擋和物理關系的瞬間理解。這種能力在文字誕生之前便已存在，它根植于進化之中，是連接感知與行動、驅動智能涌現的核心循環。

然而，當前最被人熟知的 AI 工具卻似乎尚未具備這種思維方式。它們能處理海量文本與圖像，卻在理解物體間空間關系、預測物理動態等根本任務上表現薄弱，與它們所試圖交互的物理現實嚴重脫節。

要彌合這一鴻溝，李飛飛提出需要為 AI 構建全新的認知基礎 —— 即能夠理解、推理并與復雜世界交互的「世界模型」。這要求模型具備三種核心能力：生成性，能創造在視覺、幾何與物理層面皆一致的世界；多模態性，可融合處理文本、圖像、動作等多種信號；交互性，能預測動作對世界狀態的影響。這遠超越了對語言序列的建模，是對高維、動態物理規律的統一表征，其挑戰規模空前。

一旦攻克空間智能，意味著 AI 將首次獲得類似生物的空間直覺與物理常識。

這將不再是讓機器「看到」更多像素，而是讓其「理解」場景中物體為何存在、如何關聯，以及將如何變化。由此，AI 才能從被動的信息處理器，蛻變為能在真實世界中主動規劃、安全交互的智能體。

這場認知革命的產業價值不言而喻。一旦 AI 掌握了空間智能，自動駕駛將擁有媲美人類的場景理解與預判能力；機器人能在復雜環境中實現真正自主的導航與靈巧操作；智能制造、醫療手術輔助等領域也將獲得顛覆性的可靠「伙伴」。

這不僅是技術的升級，更是 AI 融入并賦能物理世界的「通行證」。

全球競速：「世界生成」與「空間決策」技術路徑分野

當前，空間智能的技術革命催生了兩大核心路徑的分化：世界生成派與空間決策派。

一條致力于構建與生成逼真的 3D 世界，為 AI 提供學習和訓練的無限場景；另一條則專注于在現實環境中實現實時的空間理解與動作決策，讓 AI 能真正「動手操作」、像人一樣融入真實物理世界。

本屆 CES 清晰地展現了這兩種路徑的平行競賽與互補可能。

路徑一：世界生成 —— 創造 AI 的「無限模擬場」

該路徑的核心在于，通過生成式模型構建高保真、可交互的虛擬環境，為機器人訓練、游戲娛樂、影視創作等提供「數字孿生」基礎。

META 憑借 SAM 3 (3D）項目，致力于為物理世界中的萬物進行 3D 標記與重建，旨在建立最龐大的視覺詞典。由李飛飛領銜的 World Labs 則走得更遠，其「Marble」模型不僅能夠理解 3D 場景，更能像造物主一樣生成并與之交互，是目前空間建模的「科研天花板」。來自中國的 GIGA 同樣聚焦于此，專注于利用神經渲染等技術，從 2D 圖像或視頻中高效生成高質量的 3D 場景資產。

這條路徑的價值在于，它能為缺乏真實交互數據的機器人訓練，以及需要大量 3D 內容的創意產業，提供一個成本可控、規模無限的「練兵場」和「素材庫」。

路徑二：空間決策 —— 賦予機器「實時行動力」

與「造世界」的宏大敘事并行，另一批公司正攻堅更具即時挑戰的命題：如何讓機器基于當下的視覺輸入，在毫秒間理解空間關系并做出安全、精準的決策。

NVIDIA 的 NitroGen 項目通過建立視覺到動作的端到端模型，減少傳統規劃環節的延遲。自動駕駛領域的小鵬汽車等其城市級智能駕駛系統本質上是在復雜開放的世界中完成持續的空間決策。銀河通用（Galbot） 研發的 VLA 模型，試圖將視覺感知、語言指令與動作生成緊密耦合，讓機器人「看到即思考，思考即行動」。聯匯科技 OmAI 則更側重于通過普通 RGB 攝像頭和有限的端側算力下，實現極高精度的 3D 開放空間感知，為無人裝備和可穿戴設備提供視覺決策核心。

這條路徑的競爭，圍繞著實時性、精度、功耗與成本展開，直接決定了具身智能能否走出實驗室，走進動態變化的真實生活與普通消費場景。

當然，兩條路徑并非割裂，而是共同構成空間智能的完整閉環。

「世界生成」為「空間決策」提供了海量、安全的訓練與仿真環境；而「空間決策」中帶來的真實數據與挑戰，又不斷反哺和修正「世界生成」的模型，使其更貼近物理規律。

這場競速的本質，是 AI 在「虛擬」與「現實」之間構建雙向通道的能力比拼，其終點則是創造出真正具備空間常識、能與人類世界無縫交互的智能體。

行業拐點：當空間感知進入「百元時代」

但比終點更早來臨的將是行業「拐點」。

不論何種技術路徑的演進，都將指向一個清晰的產業目標：將曾經成本高昂的空間感知能力變成一項可大規模普及的基礎服務。

在本屆 CES 現場，我們還看到了關于純視覺路徑打破空間感知 「昂貴魔咒」的更多可能。

長期以來，3D 空間感知被昂貴的硬件設備所壟斷：多攝像頭 BEV 架構或數千美元的激光雷達，讓具身智能只能局限于高端實驗室和工業場景。但在 2026 年的展臺上，一種 「視覺優先」 的技術路徑正在改寫游戲規則。

美國 AI 頂級大廠率先吹響了范式轉型的號角 ——

• META SAM 3 (3D）：試圖把全世界的物體在 3D 空間中「標記」出來，為 AI 提供最全的視覺詞典。
• META 謝賽寧 (SuperSensing）：追求超越像素的物理洞察力，讓 AI 能「看透」運動物體的物理慣性。
• NVIDIA NitroGen：建立 Vision-Action（視覺－動作）的直連通路，讓機器人不再通過語言大腦轉譯，而是憑視覺直覺直接做出反應。

頂級廠商不計成本地利用算力優勢打造的「大」模型，對端側的硬件也有極高的要求，「堆料」成為主流美式機器人廠商和可穿戴設備廠商的唯一選擇。

不過，筆者也在 CES 現場看到了另一類產業化技術破局者 —— 著名的消費電子品牌韶音（Shokz）與 AI 空間智能廠商聯匯科技（OmAI）聯合推出的 AI 眼鏡，它展示了一種極具破局性思路的技術路徑。

這款搭載了聯匯科技 OmAI 核心空間智能技術的 AI 眼鏡：徹底拋棄了昂貴的傳感器，僅通過普通的 RGB 攝像頭 + 端側的 OmModel 模型，即實現了實時的 3D 開放空間感知。對于用戶而言，這副輕便的眼鏡能將物理世界即時轉化為清晰的避障指令；而對于行業而言，可輕便搭載的高性能低成本的空間感知能力，意味著：模型優勢可以將 3D 空間感知的成本降到單目攝像頭的水平。

過去，實現可靠的 3D 感知往往意味著高昂的硬件成本 —— 多攝像頭 BEV（鳥瞰圖）架構或者是數千美元的激光雷達。這使得具身智能被禁錮在昂貴的工業場景或高端實驗室中。

如今，算法重構讓高精度空間感知能力得以嵌入低功耗端側芯片 ——

其一，脫離激光雷達的純視覺方案，讓 AI 眼鏡、家用機器人等設備真正進入消費級價格區間；

其二，端側實時處理能力，為盲人導航、具身機器人等場景筑牢安全底線；

其三，從 「看到物體」 到 「理解空間」 的跨越，讓具身智能完成了從感知到決策的關鍵進化。

當底層算法重構取代了硬件堆砌，具身智能也將迎來走出實驗室的可能。

投資人觀察：尋找具身智能領域的「Intel Inside」

在提前看展的過程中，一位同行的硅谷投資人坦言：「過去我們看參數規模，現在我們看空間智能的落地效率。誰能讓 AI 在物理世界中實現‘仿生靈動’，誰就贏得了下一個十年。」

具身智能和可穿戴設備的「iPhone 時刻」，或許將始于這次 CES 展釋放的空間感知成本革命信號 ——

從「實驗室」到「消費級」：當 3D 空間感知的成本從數萬元（激光雷達方案）降至數百元（純視覺算法方案）時，市場容量將發生指數級擴張。不僅是盲人眼鏡，掃地機器人、低空無人機乃至消費級具身機器人的大規模落地將不再受困于硬件整機成本門檻。

數據的入口效應：誰能讓 AI 在各類復雜室內外場景中實現「視覺閉環」，誰就掌握了物理世界最真實的數據流。這種數據的護城河，遠比單純的文本爬取深得多。

投資人的集體共識指向了一個清晰趨勢：未來 3-5 年，具備端側、實時、高精度 3D 空間感知與決策能力的企業，將成為具身智能生態中不可或缺的 「視覺芯片級」 供應商，其行業地位也將堪比 PC 時代的 Intel、移動時代的 ARM，因為這些廠商會讓具身智能和可穿戴設備真正走入千家萬戶，成為新的消費級市場。

結語

從 CES 2026 的現場來看，這場從「語言智能」到「空間智能」的躍進已經不可逆轉。而這場革命的想象力遠不止于此：在消費端，百元級 3D 感知方案將催生智能穿戴、智能家居的新品類爆發，讓 AI 設備成為像手機一樣的生活必需品。在工業端，低成本空間智能將推動智能制造、物流倉儲的效率革命，為企業降本增效提供核心動力。在社會價值層面，它將為殘障人士、老年人等各類剛需群體帶來更便捷的生活方式，加速 AI 普惠。

如果說過去兩年，LLM 以「博學」令人震撼。那么，未來三年，AI 將以其在物理世界中的「仿生靈動」與「自主」重新定義智能邊界，而我們正在見證 AI 從「語言智能」向「空間智能」的范式躍進。在這場全球競速中，技術范式的重構、成本門檻的突破、應用場景的落地，正共同推動具身智能迎來真正的「iPhone 時刻」。