报告行业投资评级 - 本白皮书未提供明确的行业投资评级或个股评级 [4][7] 报告核心观点 - 空间智能是构建AI与物理世界之间的3D桥梁，其定义为智能系统基于真实世界空间信息完成感知-理解-推理-交互的综合能力，目标是在空间中形成可预测、可行动的认知闭环 [7][11] - 当前产业核心矛盾突出：支撑行业生态基础的三维空间数据极度稀缺，行业普遍陷入“模型超前、数据供给滞后”的状态，物理AI进步的核心限制不只是电力、算力、存储或模型，而是高质量的三维空间数据 [7] - 谁能持续稳定且规模化地提供高质量、多模态的三维空间数据，谁就掌握下一阶段空间智能的话语权，并有机会撬动数万亿美元级的新市场 [7] - AI正从Words迈向Worlds，从数字世界的思考者转变为物理世界的参与者，数据维度的每一次跃迁（一维文本→二维视觉→三维时空）都带来AI理解现实世界能力的质变 [5][17] - 空间智能相关能力正沿多个赛道落地并孕育独立商业价值池，主要包括世界模型与生成式AI、具身智能、影视娱乐、文旅文博与泛测绘 [6] 空间智能的定义与演进 - 空间智能是人类依靠“感知-理解-推理-交互”闭环与物理世界交互的基础能力，李飞飞将其概括为“连接感知、想象和行动的核心能力”，斯坦福HAI定义为理解和推理三维物理世界的能力，黄仁勋指出下一波AI应理解物理规律并能在现实世界中工作 [10] - 空间智能概念最初源于心理学领域，由霍华德·加德纳在多元智能理论中提出，1950年图灵发表《计算机器与智能》开启将人类“原生智能”赋予机器的征程 [12] - AI演进表现为模型范式沿LLM（一维序列语言表征）→MLLM（二维视觉及时序信息）→VLA（三维空间及时间的多模态时空表征）→WM世界模型（对动态环境状态及其随时间演化进行表征）的升级路径 [13] - 文本时代AI学会“理解语言”，多模态时代AI学会“感知世界”，行动时代VLA让AI学会“与世界交互”，空间智能时代世界模型让AI学会“预测世界变化” [14][15][16][17] - 世界模型相较VLA还需学习“当前状态—动作—未来状态”之间的变化关系，训练信息加入深度、三维点云、物体与自身位姿等空间状态信息 [17] 空间智能是物理AI演进的必经之路 - 从进化与认知发展视角看，空间智能是认知的“脚手架”：皮亚杰指出儿童通过抓取、触碰、移动和观察逐步建立对外部空间的表征，空间能力是高级智能得以发育的认知根基 [23] - 2025年《从语言到世界：空间智能是AI的下一个前沿》指出，感知与行动构成智能进化的核心循环，空间智能是这一循环的产物，是人类认知的“脚手架” [24] - 当前AI在走向真实世界时普遍暴露三类问题：感知不稳定、理解不深入、交互不可靠，本质是空间智能“感知-理解-推理-交互”能力缺少完整闭环 [25] - VSI-Bench测试显示，表现最佳的Gemini-1.5 Pro综合平均得分为45.4%，在400题人机对比子集上人类综合平均得分达79.2%而Gemini-1.5 Pro仅为48.8%，约71%的受分析错误可归因于空间推理缺陷 [26] - SPHERE测试显示GPT-4o与人类之间存在25个百分点的准确率差距；SRBench覆盖13个主流视觉语言模型，发现模型在空间关系、方向导航、心理旋转等任务上平均表现接近随机水平 [28] - EmbodiedBench在四类环境设置1,128项视觉驱动具身任务，Claude-3.5-Sonnet在EB-ALFRED和EB-Habitat上平均准确率分别为64.0%和68.0%，GPT-4o在EB-Navigation和EB-Manipulation上平均得分仅为57.7%和28.9% [32] - MMSI-Bench从超过12万张候选图像中筛选1,000道跨图像空间推理题，主流37个大模型中GPT-5达到41.9%而人类水平为97.2%，重叠匹配与场景重建错误在所有模型中都占据最大比例 [33] - 两条论证路径交汇于同一结论：空间智能不是现有AI能力之外的附加功能，而是物理AI发展不可绕过的底层能力 [36] 空间智能产业发展现状 - 空间智能对下游应用的影响本质是扩展了AI感知、理解、推理和与现实世界交互的能力边界，一方面提升三维资产生产应用能力打破供给端瓶颈，另一方面催生更丰富的沉浸式、可交互产品形态 [41] - 世界模型可分为三个层次：渲染器（Renderer）、模拟器（Simulator）和规划器（Planner），渲染器已实现商业化，模拟器处于技术快速突破和早期产业应用阶段，规划器仍总体处于技术探索期 [43] - 渲染器层面，Google Veo 3.1生成1080p视频及音频价格为0.40美元/秒，Runway Gen-4 Turbo收费标准为0.05美元/秒 [43] - 模拟器层面，NVIDIA Cosmos已落地机器人与自动驾驶研发，Agility Robotics、Figure等企业借助Cosmos生成合成训练数据，Uber利用Cosmos扩充驾驶场景库；World Labs的Atlas于2026年9月对部分合作伙伴开放早期访问 [44] - 世界模型相关企业资本投入一年内增长至近5倍：外部融资规模由2024年的14亿美元增至2025年的69亿美元 [48] - 生成式AI方面，2026年9月OpenAI推出GPT-6 Astra，在借助工具重建物体三维几何结构的评测中几何重合度达95.9%，显著高于上一代GPT-5.6 Sol的83.3% [50] - Gartner于2026年9月预测全球生成式AI模型支出2026年约283亿美元，2027年将增至约516亿美元；OpenAI新一轮融资洽谈目标估值约1.25万亿美元，Anthropic于2026年5月完成650亿美元融资、投后估值达9650亿美元 [51] - 具身智能方面，IDC统计2025年全球人形机器人出货量约1.8万台，其中超过85%仍集中在表演/导览、教育/科研等展示及验证场景 [56] - Google DeepMind于2025年推出Gemini Robotics，综合泛化测试表现较此前先进VLA模型提升超过一倍，On-Device版本仅需50-100个示例即可快速适配新任务 [57] - NVIDIA GR00T N1于2025年3月发布，三个月后升级至N1.5，在相同1,000个遥操作样本训练下部分真实机器人任务成功率由44.0%提升至98.8% [57] - 摩根士丹利判断全球人形机器人保有量将由2030年的约200.0万台增至2040年的约1.4亿台，2050年达约10.2亿台，同期全球人形机器人收入预计达约7.5万亿美元 [58] - 影视娱乐方面，2026年第二季度国内主流平台上线微短剧23.9万部，其中AI剧15.3万部、占比约64%；Netflix已有约300部作品在制作过程中使用生成式AI [132] - 工业光魔在漫威剧集《铁心》中采用NeRF技术从无人机拍摄的芝加哥实景2D素材重建高保真3D环境，获得HPA技术创新奖 [60] - 全球媒体与娱乐市场规模约为2.8万亿美元 [70] - 文旅文博方面，大英博物馆2023年宣布计划五年内新增或完善约240万条藏品线上记录，藏品记录与数字化计划预算为1000万英镑 [6] - 故宫博物院2005—2008年对养心殿采用“三维扫描+人工建模”采集三维数据，2026年建设数字孪生应用服务平台，将4类36项多源多模态数据接入统一“故宫数据底座” [74] 三维空间数据是产业发展瓶颈 - 黄仁勋指出，对于智能体系统、机器人系统和物理AI而言，数据是最棘手的问题；李飞飞指出机器人领域数据匮乏，训练数据不足、评估数据不足；王兴兴指出人形机器人相关数据非常稀缺 [77][78][79] - 不同行业对3D空间数据要求不同：世界模型与生成式AI属“高规模要求”，具身智能属“质量与规模并重”，影视娱乐对单场景细节和交付质量要求最高，文旅文博与泛测绘属“低规模、高质量”应用 [82] - 行业真正需要的不是单点工具，而是能够以全栈能力持续、标准化生产高质量数据并连接上下游形成生态的平台型玩家 [83] Kosmo：空间智能的基础设施 - Kosmo是三维世界数据引擎，包含AI空间相机Kosmo One和AI驱动的云平台Kosmo World，Kosmo One将真实世界数字化，Kosmo World将其转化为高质量三维空间数据 [85] - Kosmo One是全球首款8K超高清AI空间相机，集成超高空间解析力激光雷达、8K超高清影像系统、一英寸大底CMOS与高精度IMU，微秒级同步采集空间几何、色彩与纹理信息，融合3DGS重建技术实现毫米级几何精度 [86] - 激光雷达具备3.5 mm超高测距精度与无限加密扫描技术，结合高精度IMU对设备运动与位姿持续追踪 [86] - Kosmo World是一站式3D内容创作与管理平台，背后是Kosmo Spatial Core（KSC）AI原生3D空间重建与理解系统，通过智能补全和3D语义分割将真实世界转化为AI可理解、可交互、可训练的超高清三维智能空间 [87] - Kosmo One具备即开即扫、智能指引、一键续扫功能，15分钟即可完成100㎡空间采集，模型生成速度最高可达行业5倍 [90][91] - KSC一次重建即可同步生成3DGS、mesh、depth三种形态三维数据，画质最高可达8K，未扫描区域可AI自动补全 [94] - 借助AI驱动的3D语义分割技术，场景中每个物体可被独立识别与定义并转化为可交互、可编辑的三维实体，形成面向具身智能训练的Sim-ready数据 [94] - Kosmo开放从相机参数、原始图像、激光雷达、IMU等原始传感器数据到3DGS、mesh等三维空间资产的全栈数据，并通过Pixar's RenderMan、NVIDIA Isaac Sim、Unreal Engine等插件连接主流创作和仿真平台 [95] Kosmo解决Sim-Ready场景 - 世界模型越向三维演进，其能力越依赖能够清晰表达空间关系的三维数据，需要越来越多具有准确位姿、深度、几何结构和跨视角对应关系的真实3D数据 [102] - Kosmo每重建一个真实空间可裂变出该空间中万条以上的训练轨迹，每条轨迹高度贴近真实环境与真实交互，每一帧都有精确的相机位姿及深度信息 [102] - 实测数据作为现实校验依据的作用难以被纯仿真数据完全替代，Kosmo为世界模型提供可追溯的现实依据，商业空间从一次设备销售延伸到持续积累和供给真实世界数据资产 [104] - 生成式AI方面，GPT-6 Astra参考20张照片生成的三维场景在物体形态材质、物体位置与空间关系上存在明显失真；引入Kosmo的3DGS模型作为参考后，生成场景在空间结构、物体位置及场景布局上明显更接近真实世界 [105][108] - 生成式AI擅长依据已有信息创造可能的世界，Kosmo擅长高保真记录真实存在的世界，二者为互补关系；大模型越强，对高质量输入和高质量先验的利用能力越强，Astra的进步在不断放大Kosmo的价值 [110][111] - 具身智能行业长期面临数据供给的“不可能三角”：高质量、大规模与低成本三者难以同时兼得，训练数据主要来自互联网二维数据、第一人称视角数据、真机遥操作数据和仿真数据四条路径 [113] - 仿真数据存在Sim-to-Real Gap和长尾场景缺失缺陷；2024年牛津大学等机构在《Nature》发表论文发现，AI模型在多代训练中反复使用自己或同类模型输出作为训练数据时会出现不可逆退化现象 [115][116] - Kosmo以真实世界采集保障环境视觉与几何质量，以场景编辑和仿真增广扩大训练环境多样性，再通过自动化重建与资产复用降低新增环境生产成本，破解“不可能三角” [128] - 3DGS让机器人“看得真”，Mesh让机器人拥有可交互的几何环境，Depth让机器人“知道有多远”，三类数据来自同一真实场景并保持空间对齐 [120][121] - 借助Kosmo World的物体识别、语义分割和场景编辑能力，一个真实门店可衍生出海量不同布局、不同视觉条件的训练环境 [124] Kosmo解决Production-Ready场景 - 影视娱乐方面，AI生成面临一致性、可控性和经济性三大瓶颈；2026年《华尔街日报》报道95分钟AI电影《Hell Grind》制作支出约50万美元，其中约80%用于算力，前25分钟经历16,181次视频生成最终形成253个镜头，生成与入选数量之比约为64∶1 [133] - Kosmo基于真实世界三维数据高保真重建，保留场景中物体的尺度、位置、距离及遮挡关系，无论摄影机高速推进、360°环绕、升降还是跟拍，物体不会因视角变化而被重新生成 [134] - 在典型4K显示设备、约2米观看距离下，Kosmo重建环境已达到接近肉眼难以察觉明显重建差异的视觉效果 [136] - 勘景预演阶段，Kosmo可提前完成场景数字化，让主创团队直接在三维空间中完成选景、机位设计和镜头预演 [141] - 拍摄阶段，万平米欧洲街景实景搭建需2个月，扫描、重建加编辑只需1周，成本节省最高达80% [144] - 后期阶段，Pixar's RenderMan可将Kosmo生成的3DGS数据接入其渲染管线，Pixar还发布官方教程展示在即将推出的新版本RenderMan中使用Kosmo [146] - 借助Kosmo确定人物与环境空间关系及相机位置和运动路径后，获得可用镜头所需的“抽卡”次数可从几十次降至几次，对应生成环节费用可节省约90% [151] - 文旅文博方面，巴黎圣母院火灾后的数字模型制作动用12台激光扫描仪、7名工程师、4.6万张照片，耗时超过一年；Kosmo通过“LiDAR精确测距+高清影像采集+AI算法+3DGS自动重建”将流程压缩为一次采集、自动成模 [153] - 立体导航方面，Kosmo将门店、楼层、货架、商品陈列和空间关系完整数字化，使服务能力从“导航到一家店”延伸到“导航到店内空间”甚至“找到一件具体商品” [155] - Kosmo已与中国数字地图及导航平台高德达成战略合作，首批三维重建的重美术馆、偏锋画廊已上线高德扫街榜“飞行街景”，未来更多真实场景将接入高德近10亿月活应用 [158] 小结 - 空间智能将感知-理解-推理-交互连接成完整闭环，使智能体不仅能识别物体，还能理解位置、距离、结构和物理关系，预测环境变化并采取行动 [161] - 禾赛正拓展为面向物理AI与机器人的全栈基础设施平台：激光雷达帮助机器“感知”世界，三维世界数据引擎Kosmo帮助机器“理解”世界，机器人运动引擎帮助机器与世界“交互” [162] - Kosmo以开放数据和开放生态推动空间智能规模化发展，开放从原始传感器信息到3DGS、mesh等三维资产的全栈数据，并连接Pixar's RenderMan、NVIDIA Isaac Sim、Unreal Engine等平台 [163]