機(jī)器之心發(fā)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(chǎn)業(yè)最重要的風(fēng)向標(biāo)之一，筆者在超前探訪之后欣喜發(fā)現(xiàn)，在今年機(jī)器人「后廚翻炒」與 AI 眼鏡「同聲傳譯」的熱鬧之外，行業(yè)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(gè)十年」 的關(guān)鍵賽道，正在本屆 CES 上完成從學(xué)術(shù)概念到產(chǎn)業(yè)實(shí)踐的突破性跨越。從巨頭的算力競賽到中國初創(chuàng)企業(yè)的端側(cè)破局，一場關(guān)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(diǎn)，但在這背后一種冷靜的共識正在行業(yè)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(yuǎn)被困在屏幕或昂貴的遙控器里。

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

感知困局：萬億參數(shù)為何敵不過一只蒼蠅的空間直覺？

CES 2026 的展臺前，一個(gè)矛盾現(xiàn)象引發(fā)行業(yè)深思：一邊是參數(shù)規(guī)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(dá)或人工遠(yuǎn)程操控才能勉強(qiáng)運(yùn)行的智能設(shè)備。多數(shù) 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(jī)器人，在復(fù)雜物理環(huán)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(shù)，卻能在雜亂空間中極速避障、精準(zhǔn)著陸?！?一位資深 AI 投資人的感嘆，點(diǎn)出了當(dāng)前具身智能的核心痛點(diǎn)。

正如 OpenAI 前首席科學(xué)家 Ilya Sutskever 與 Meta AI 負(fù)責(zé)人 Yann LeCun 共同指出的：物理世界的常識無法通過文字完全習(xí)得。貓與蒼蠅不識字，卻憑借與生俱來的空間直覺，在 3D 環(huán)境中展現(xiàn)出遠(yuǎn)超超級計(jì)算機(jī)的感知與決策能力。

這種「語言強(qiáng)、手腳笨」的困境，本質(zhì)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(gè)十年：若 AI 無法理解物體的深度、距離、遮擋與重力，就永遠(yuǎn)無法真正 「具身」。在語言智能趨于飽和的今天，AI 行業(yè)的競爭焦點(diǎn)正從 「參數(shù)競賽」 轉(zhuǎn)向 「感知革命」—— 誰能以更低成本實(shí)現(xiàn)更快的空間直覺，誰就掌握了下一輪技術(shù)浪潮的主動權(quán)。

空間智能：AI 理解世界的「認(rèn)知革命」

為何整個(gè)行業(yè)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(shù)迭代，而是一場讓 AI 獲得「人類理解世界」底層能力的認(rèn)知革命。

李飛飛在其論述中深刻指出，空間智能是人類認(rèn)知的「腳手架」。從嬰兒通過抓握與爬行來探索環(huán)境，到消防員在濃煙中憑借直覺判斷建筑坍塌的風(fēng)險(xiǎn)，我們無時(shí)無刻不依賴著對深度、距離、遮擋和物理關(guān)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(jìn)化之中，是連接感知與行動、驅(qū)動智能涌現(xiàn)的核心循環(huán)。

然而，當(dāng)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(guān)系、預(yù)測物理動態(tài)等根本任務(wù)上表現(xiàn)薄弱，與它們所試圖交互的物理現(xiàn)實(shí)嚴(yán)重脫節(jié)。

要彌合這一鴻溝，李飛飛提出需要為 AI 構(gòu)建全新的認(rèn)知基礎(chǔ) —— 即能夠理解、推理并與復(fù)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(chuàng)造在視覺、幾何與物理層面皆一致的世界；多模態(tài)性，可融合處理文本、圖像、動作等多種信號；交互性，能預(yù)測動作對世界狀態(tài)的影響。這遠(yuǎn)超越了對語言序列的建模，是對高維、動態(tài)物理規(guī)律的統(tǒng)一表征，其挑戰(zhàn)規(guī)?？涨?。

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(jī)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(guān)聯(lián)，以及將如何變化。由此，AI 才能從被動的信息處理器，蛻變?yōu)槟茉谡鎸?shí)世界中主動規(guī)劃、安全交互的智能體。

這場認(rèn)知革命的產(chǎn)業(yè)價(jià)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(yù)判能力；機(jī)器人能在復(fù)雜環(huán)境中實(shí)現(xiàn)真正自主的導(dǎo)航與靈巧操作；智能制造、醫(yī)療手術(shù)輔助等領(lǐng)域也將獲得顛覆性的可靠「伙伴」。

這不僅是技術(shù)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(shù)路徑分野

當(dāng)前，空間智能的技術(shù)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(gòu)建與生成逼真的 3D 世界，為 AI 提供學(xué)習(xí)和訓(xùn)練的無限場景；另一條則專注于在現(xiàn)實(shí)環(huán)境中實(shí)現(xiàn)實(shí)時(shí)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(shí)物理世界。

本屆 CES 清晰地展現(xiàn)了這兩種路徑的平行競賽與互補(bǔ)可能。

路徑一：世界生成 —— 創(chuàng)造 AI 的「無限模擬場」

該路徑的核心在于，通過生成式模型構(gòu)建高保真、可交互的虛擬環(huán)境，為機(jī)器人訓(xùn)練、游戲娛樂、影視創(chuàng)作等提供「數(shù)字孿生」基礎(chǔ)。

META 憑借 SAM 3 (3D）項(xiàng)目，致力于為物理世界中的萬物進(jìn)行 3D 標(biāo)記與重建，旨在建立最龐大的視覺詞典。由李飛飛領(lǐng)銜的 World Labs 則走得更遠(yuǎn)，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(jīng)渲染等技術(shù)，從 2D 圖像或視頻中高效生成高質(zhì)量的 3D 場景資產(chǎn)。

這條路徑的價(jià)值在于，它能為缺乏真實(shí)交互數(shù)據(jù)的機(jī)器人訓(xùn)練，以及需要大量 3D 內(nèi)容的創(chuàng)意產(chǎn)業(yè)，提供一個(gè)成本可控、規(guī)模無限的「練兵場」和「素材庫」。

路徑二：空間決策 —— 賦予機(jī)器「實(shí)時(shí)行動力」

與「造世界」的宏大敘事并行，另一批公司正攻堅(jiān)更具即時(shí)挑戰(zhàn)的命題：如何讓機(jī)器基于當(dāng)下的視覺輸入，在毫秒間理解空間關(guān)系并做出安全、精準(zhǔn)的決策。

NVIDIA 的 NitroGen 項(xiàng)目通過建立視覺到動作的端到端模型，減少傳統(tǒng)規(guī)劃環(huán)節(jié)的延遲。自動駕駛領(lǐng)域的小鵬汽車等其城市級智能駕駛系統(tǒng)本質(zhì)上是在復(fù)雜開放的世界中完成持續(xù)的空間決策。銀河通用（Galbot） 研發(fā)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(jī)器人「看到即思考，思考即行動」。聯(lián)匯科技 OmAI 則更側(cè)重于通過普通 RGB 攝像頭和有限的端側(cè)算力下，實(shí)現(xiàn)極高精度的 3D 開放空間感知，為無人裝備和可穿戴設(shè)備提供視覺決策核心。

這條路徑的競爭，圍繞著實(shí)時(shí)性、精度、功耗與成本展開，直接決定了具身智能能否走出實(shí)驗(yàn)室，走進(jìn)動態(tài)變化的真實(shí)生活與普通消費(fèi)場景。

當(dāng)然，兩條路徑并非割裂，而是共同構(gòu)成空間智能的完整閉環(huán)。

「世界生成」為「空間決策」提供了海量、安全的訓(xùn)練與仿真環(huán)境；而「空間決策」中帶來的真實(shí)數(shù)據(jù)與挑戰(zhàn)，又不斷反哺和修正「世界生成」的模型，使其更貼近物理規(guī)律。

這場競速的本質(zhì)，是 AI 在「虛擬」與「現(xiàn)實(shí)」之間構(gòu)建雙向通道的能力比拼，其終點(diǎn)則是創(chuàng)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(yè)拐點(diǎn)：當(dāng)空間感知進(jìn)入「百元時(shí)代」

但比終點(diǎn)更早來臨的將是行業(yè)「拐點(diǎn)」。

不論何種技術(shù)路徑的演進(jìn)，都將指向一個(gè)清晰的產(chǎn)業(yè)目標(biāo)：將曾經(jīng)成本高昂的空間感知能力變成一項(xiàng)可大規(guī)模普及的基礎(chǔ)服務(wù)。

在本屆 CES 現(xiàn)場，我們還看到了關(guān)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(shè)備所壟斷：多攝像頭 BEV 架構(gòu)或數(shù)千美元的激光雷達(dá)，讓具身智能只能局限于高端實(shí)驗(yàn)室和工業(yè)場景。但在 2026 年的展臺上，一種 「視覺優(yōu)先」 的技術(shù)路徑正在改寫游戲規(guī)則。

美國 AI 頂級大廠率先吹響了范式轉(zhuǎn)型的號角 ——

• META SAM 3 (3D）：試圖把全世界的物體在 3D 空間中「標(biāo)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(yùn)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(jī)器人不再通過語言大腦轉(zhuǎn)譯，而是憑視覺直覺直接做出反應(yīng)。

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

不過，筆者也在 CES 現(xiàn)場看到了另一類產(chǎn)業(yè)化技術(shù)破局者 —— 著名的消費(fèi)電子品牌韶音（Shokz）與 AI 空間智能廠商聯(lián)匯科技（OmAI）聯(lián)合推出的 AI 眼鏡，它展示了一種極具破局性思路的技術(shù)路徑。

這款搭載了聯(lián)匯科技 OmAI 核心空間智能技術(shù)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(cè)的 OmModel 模型，即實(shí)現(xiàn)了實(shí)時(shí)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(shí)轉(zhuǎn)化為清晰的避障指令；而對于行業(yè)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(yōu)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(shí)現(xiàn)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(gòu)或者是數(shù)千美元的激光雷達(dá)。這使得具身智能被禁錮在昂貴的工業(yè)場景或高端實(shí)驗(yàn)室中。

如今，算法重構(gòu)讓高精度空間感知能力得以嵌入低功耗端側(cè)芯片 ——

其一，脫離激光雷達(dá)的純視覺方案，讓 AI 眼鏡、家用機(jī)器人等設(shè)備真正進(jìn)入消費(fèi)級價(jià)格區(qū)間；

其二，端側(cè)實(shí)時(shí)處理能力，為盲人導(dǎo)航、具身機(jī)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?jīng)Q策的關(guān)鍵進(jìn)化。

當(dāng)?shù)讓铀惴ㄖ貥?gòu)取代了硬件堆砌，具身智能也將迎來走出實(shí)驗(yàn)室的可能。

投資人觀察：尋找具身智能領(lǐng)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(shù)規(guī)模，現(xiàn)在我們看空間智能的落地效率。誰能讓 AI 在物理世界中實(shí)現(xiàn)‘仿生靈動’，誰就贏得了下一個(gè)十年?！?/p>

具身智能和可穿戴設(shè)備的「iPhone 時(shí)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(shí)驗(yàn)室」到「消費(fèi)級」：當(dāng) 3D 空間感知的成本從數(shù)萬元（激光雷達(dá)方案）降至數(shù)百元（純視覺算法方案）時(shí)，市場容量將發(fā)生指數(shù)級擴(kuò)張。不僅是盲人眼鏡，掃地機(jī)器人、低空無人機(jī)乃至消費(fèi)級具身機(jī)器人的大規(guī)模落地將不再受困于硬件整機(jī)成本門檻。

數(shù)據(jù)的入口效應(yīng)：誰能讓 AI 在各類復(fù)雜室內(nèi)外場景中實(shí)現(xiàn)「視覺閉環(huán)」，誰就掌握了物理世界最真實(shí)的數(shù)據(jù)流。這種數(shù)據(jù)的護(hù)城河，遠(yuǎn)比單純的文本爬取深得多。

投資人的集體共識指向了一個(gè)清晰趨勢：未來 3-5 年，具備端側(cè)、實(shí)時(shí)、高精度 3D 空間感知與決策能力的企業(yè)，將成為具身智能生態(tài)中不可或缺的 「視覺芯片級」 供應(yīng)商，其行業(yè)地位也將堪比 PC 時(shí)代的 Intel、移動時(shí)代的 ARM，因?yàn)檫@些廠商會讓具身智能和可穿戴設(shè)備真正走入千家萬戶，成為新的消費(fèi)級市場。

結(jié)語

從 CES 2026 的現(xiàn)場來看，這場從「語言智能」到「空間智能」的躍進(jìn)已經(jīng)不可逆轉(zhuǎn)。而這場革命的想象力遠(yuǎn)不止于此：在消費(fèi)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(fā)，讓 AI 設(shè)備成為像手機(jī)一樣的生活必需品。在工業(yè)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(yè)降本增效提供核心動力。在社會價(jià)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(xué)」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(jìn)。在這場全球競速中，技術(shù)范式的重構(gòu)、成本門檻的突破、應(yīng)用場景的落地，正共同推動具身智能迎來真正的「iPhone 時(shí)刻」。