空间智能与大模型 - 空间智能是人类和机器对空间的感知、理解和运用能力，大语言模型(LLMs)正展现出显著的空间智能潜力[1] - 大模型通过内化吸收(预训练数据)和外部调用(查询专业数据库)两种方式获取空间记忆与知识[4] - 大模型在空间记忆方面存在"幻觉"现象和知识动态更新两大挑战[5][6] 空间推理能力 - 抽象空间推理包括定性空间推理、几何推理和图论推理三大方向[7][8] - 当前大模型主要依赖语言建模能力"模仿"空间任务，而非真正具备深层空间认知机制[9] - 结构化推理框架、外部知识引导和监督学习是提升空间推理能力的潜在途径[9] 微观尺度应用(具身智能) - 机器人空间智能包含空间感知与理解、空间交互与导航两个关键阶段[11][12] - 多模态大语言模型(MLLMs)推动三维物体定位、场景语义理解等能力提升[12] - 面临多模态信息融合、动态环境适应和人类直觉模拟等挑战[14] 中观尺度应用(城市空间智能) - 大模型应用于城市空间理解与记忆、空间推理与智能两大方向[16][18] - 可结合卫星影像、街景图片、POI数据等多源信息构建城市知识图谱[17] - 面临数据异构性、环境动态性和决策可解释性三大挑战[19] 宏观尺度应用(地球空间智能) - 地球空间智能(ESI)处理卫星遥感、传感器网络等多源地球科学数据[20] - 大模型在气候科学领域可提升天气预报精度和极端天气预警能力[23] - 在地理学领域可与GIS工具结合完成专业空间分析任务[25] 未来发展方向 - 需建立跨领域、跨尺度的通用空间智能评估框架[29] - 城市空间智能需发展动态建模和因果推理能力[31][32] - 地球空间智能需加强跨学科合作和知识-数据融合[33] - 空间智能将与"世界模型"概念更紧密结合[34]