Spatial AI

Spatial AI（空间智能） 是由 Andrew Davison 的 FutureMapping 系列论文推广开的一个术语，指的是 SLAM 式的几何理解与语义场景理解、学习式世界表示三者的融合。其愿景是：机器人或设备不应仅仅估计一条轨迹和一个点云，而应维护一个持久的、通用的空间表示——几何、物体、语义与动态信息融为一体——供任何下游任务（导航、操作、AR、人机交互）查询。

重新界定 SLAM 的目标

经典 SLAM 回答的问题是”我在哪里，表面在哪里？“而 Spatial AI 提出的是随之而来的下一批问题：

地图中的东西是什么（物体、房间、可操作性/affordance），而不仅仅是表面点的位置？
表示形式应如何存储，才能在数小时甚至数天内保持有用——紧凑、可更新，并能在不同任务间共享？
实时空间感知需要什么样的计算与硬件（Davison 的 FutureMapping 2 探讨了图处理器和非冯诺依曼硬件在这方面的应用）？
应该学到什么程度？ 学习式组件（深度先验、语义特征、生成模型）正越来越多地替代或增强手工构建的几何。

从三个方向汇聚

可以看到该领域正从几个方向朝这一愿景汇聚，其中每一个方向都对应本路线图的一部分：

语义与物体级 SLAM（SemanticFusion、Kimera 与三维动态场景图、Hydra）用标签、物体和层次化结构（房间、场所、智能体）丰富地图——把一个表面模型变成一个可查询的场景模型。
开放词汇感知使地图变得可用语言查询：LERF 将 CLIP 特征嵌入辐射场，使任意文本查询都能检索出一个三维相关性地图；ConceptFusion 和 OpenFusion 在线维护稠密的 CLIP 特征地图（可以视为 LERF 在 SLAM 中的对应物）；OpenMask3D 一类方法将开放词汇特征附加到三维分割块上。这里的模式是一致的——SLAM 提供三维几何；VLM 提供语义；两者结合，产生开放词汇的三维场景理解。
世界模型与 VLM/VLA 从学习的角度逼近同一个目标：在互联网规模上获取的隐式空间知识，几乎没有或完全没有显式几何——而在 VLA 的情形下，还直接把感知与动作耦合了起来。

汇聚的技术栈

一种便于整体把握的方式是把它看作一个技术栈：

$\text{感知} \xrightarrow{\text{SLAM}} \text{地图 + 位姿} \xrightarrow{\text{VLM / 场景图}} \text{场景理解} \xrightarrow{\text{VLA / 规划}} \text{动作}$

Spatial AI 的主张是：这些层应该围绕一个共享的空间表示被协同设计，而不是被简单拼接在一起。目前存在两种相互竞争的设计模式：

模块化：每一层保留自己的专长——SLAM 提供具有度量精度和回环可纠正性的几何骨架；VLM 负责解释；VLA（或经典规划器）在此基础上执行动作。
端到端：单一学习系统（WorldVLA 式，以及某些 RT-2 配置）完全跳过显式几何。

哪种答案更优，很可能取决于任务：已知空间中的精密操作和长时程导航偏向显式 SLAM；开放世界的指令跟随则可能更偏向端到端方法。目前大多数 VLA 完全没有度量记忆——而这恰恰正是 SLAM 仍然大有用处的地方。

SLAM 与基础模型交界处的开放问题

以下问题目前构成了该领域研究前沿的主要内容：

语言查询式 SLAM 地图 —— 将 CLIP/SigLIP 特征融入实时 SLAM（ConceptFusion、OpenFusion、LERF），以实现语义场景查询。
以 SLAM 为基础的 VLA —— 利用 SLAM 维护的度量地图作为 VLA 的结构化记忆，实现具有度量精度的长时程导航。
生成式地图补全 —— 利用生成先验，在未观测的地图区域中”幻想”出合理的几何结构。
世界模型式回环检测 —— 利用学习式视频预测来检测预测场景与观测场景何时出现分歧，作为几何回环检测的一种学习式替代方案。
基础模型地图先验 —— 利用三维世界生成模型为新环境提供 SLAM 初始化。

对SLAM的意义

Spatial AI 是现代路线图背后的”为什么”：它解释了这一领域为何从稀疏点地图转向稠密、语义化、层次化以及学习式表示。对于任何计划在 SLAM 领域从事研究或工程工作的人来说，这正是把本路线图中的几何层级与基础模型层级连接起来的框架——SLAM 与更广泛 AI 之间的边界正在消融，而最具价值的从业者将同时精通几何基础和学习式表示。