Spatial Intelligence
يتيح الذكاء المكاني للذكاء الاصطناعي إدراك الفضاء ثلاثي الأبعاد والاستدلال بشأنه والتصرف فيه باستخدام العمق والهندسة والحركة. تعرّف على كيفية توسيعه لرؤية الحاسوب ونماذج الرؤية واللغة (VLMs).
الذكاء المكاني في الذكاء الاصطناعي هو قدرة النظام على إدراك البنية ثلاثية الأبعاد للعالم، والاستدلال على مواقع الأشياء وعلاقاتها بعضها ببعض، واستخدام هذا الفهم للتصرف أو الإجابة عن الأسئلة أو توليد مشاهد جديدة. ويعرف النموذج ذو الذكاء المكاني أن الكوب على الطاولة وفي متناول اليد، وأن الممر يستمر بعد منعطف، وكيف سيبدو المشهد من زاوية رؤية أخرى. ويعود المصطلح إلى علم النفس، حيث يشكّل الذكاء المكاني إحدى القدرات في نظرية الذكاءات المتعددة لهوارد غاردنر (1983). وشاع استخدامه في الذكاء الاصطناعي بفضل فاي فاي لي، التي دعت في مقالها الصادر عام 2025 من الكلمات إلى العوالم إلى اعتباره الجبهة التالية بعد اللغة، وهو أساس الروبوتات والواقع المعزز والقيادة الذاتية.
مقومات الذكاء المكاني#
يجمع الفهم المكاني بين عدة قدرات:
- العمق والهندسة ثلاثية الأبعاد: تستعيد تقديرات العمق والرؤية المجسمة واكتشاف الأجسام ثلاثية الأبعاد المسافات وأبعاد الأجسام من الصور. وتتنبأ نماذج إعادة البناء ذات التمرير الأمامي، مثل VGGT من Meta وأكسفورد، الذي نال جائزة أفضل ورقة في CVPR 2025، بوضعيات الكاميرا وخرائط العمق وخرائط النقاط ثلاثية الأبعاد انطلاقًا من صورة واحدة إلى مئات الصور، وذلك في ثوانٍ.
- تحديد الموقع ورسم الخرائط: يتتبّع تحديد الموقع ورسم الخرائط المتزامنان المرئيان (Visual SLAM) كاميرا متحركة أثناء إنشاء خريطة لما يحيط بها.
- الاتجاه والتفصيل الحركي: تستعيد تقديرات الوضعية كيفية اتخاذ الأشخاص والأجسام لوضعياتهم، وتلتقط الصناديق المحيطة الموجّهة دوران الأجسام التي تُرى من الأعلى، كما في الصور الجوية.
- التمثيلات ثلاثية الأبعاد: تخزّن السحب النقطية والشبكات وحقول الإشعاع العصبي وتنقيط غاوس المشهد المعاد بناؤه لأغراض التصيير والمحاكاة والتخطيط.
- الاستدلال المكاني: العلاقات مثل أعلى وخلف وأقرب من، إلى جانب المسافات والأحجام والمسارات، معبّرًا عنها باللغة أو مستخدمة مباشرةً لاتخاذ القرارات.
تستفيد المهام المختلفة من نموذج المشهد نفسه بطرق مختلفة:
من اكتشافات ثنائية الأبعاد إلى مواقع ثلاثية الأبعاد#
يحدّد الكاشف مواضع ظهور الأجسام في الصورة؛ وتُخبر إضافة العمق النظامَ بمدى بُعدها. تتضمن Ultralytics YOLO26 مهمة تقدير العمق أحادي العين، وتتنبأ نماذجها بخريطة عمق لكل بكسل بوحدة المتر؛ لذا فإن إقران كاشف YOLO26 بنموذج عمق YOLO26 يحدّد بُعد كل جسم مكتشف عن الكاميرا:
from ultralytics import YOLO
detector = YOLO("yolo26n.pt")
depth_model = YOLO("yolo26n-depth.pt")
image = "https://ultralytics.com/images/bus.jpg"
boxes = detector(image)[0].boxes
depth = depth_model(image)[0].depth.data # per-pixel depth in meters, shape (H, W)
# Read the depth at each box center to place the objects in 3D
for cls, (x, y, w, h) in zip(boxes.cls.tolist(), boxes.xywh.tolist()):
print(f"{detector.names[int(cls)]}: {depth[int(y), int(x)]:.1f} m")باستخدام المعلمات الداخلية للكاميرا، يُحوَّل مركز كل مربع وعمقه إلى إحداثيات x وy وz بالأمتار، وهو نوع التخطيط ثلاثي الأبعاد الذي يحتاج إليه مخطط الإمساك أو نظام الإجابة عن الأسئلة المكانية.
الذكاء المكاني والمصطلحات ذات الصلة#
- الرؤية الحاسوبية: المجال الأوسع لاستخراج المعلومات من الصور. يعمل جزء كبير منها على مستوى الصورة ثنائية الأبعاد، من خلال تصنيف الصور ووضع مربعات حول الأجسام، ويستند الذكاء المكاني إليها بإضافة البنية والعلاقات المكانية ثلاثية الأبعاد ذات القياس المتري.
- الحوسبة المكانية: نهج التفاعل بين الإنسان والحاسوب الذي يوضع فيه المحتوى الرقمي في الفضاء المادي ويتفاعل معه، كما في نظارات الواقع المختلط. وهي تطبيق يعتمد على الذكاء المكاني.
- الذكاء الاصطناعي المتجسد: وكلاء يدركون ويتصرفون من خلال جسم مادي أو محاكى. والذكاء المكاني إحدى القدرات التي يحتاج إليها هذا النوع من الوكلاء.
- نماذج العالم: نماذج تتنبأ بكيفية تغيّر البيئة. وتُنشئ نماذج العالم المستندة مكانيًا مشاهد ثلاثية الأبعاد متسقة أو تحاكيها.
الاستدلال المكاني في النماذج متعددة الوسائط#
تصف نماذج الرؤية واللغة الصور بطلاقة، لكنها تأخرت في الاستدلال المكاني. ووجد VSI-Bench، وهو معيار يضم أكثر من 5,000 سؤال عن مقاطع فيديو لمشاهد داخلية، في عام 2024 أن نماذج LLM متعددة الوسائط أظهرت ذكاءً بصريًا مكانيًا منافسًا لكنه دون المستوى البشري، وأن الاستدلال المكاني هو عنق الزجاجة الرئيسي؛ كما أدى توجيه النماذج إلى رسم خريطة معرفية صريحة للغرفة قبل الإجابة إلى تحسين تقديراتها للمسافة. وتقيس لوحة صدارة VLM من Ultralytics مهارة مكانية أضيق نطاقًا، وهي دقة نماذج الرؤية واللغة في وضع صناديق حول الأجسام في صور واقعية. وتتجه النماذج التوليدية إلى معالجة المشكلة من الجهة المقابلة. وأطلقت World Labs، الشركة التي شاركت Fei-Fei Li في تأسيسها، Marble في نوفمبر 2025؛ وهو نموذج للعالم يحوّل النصوص أو الصور أو الفيديو إلى بيئات ثلاثية الأبعاد دائمة وقابلة للاستكشاف، ويمكن تصديرها على هيئة تمثيلات Gaussian أو شبكات مجسمة.
