Spatial Intelligence

L'intelligenza spaziale nell'IA è la capacità di un sistema di percepire la struttura tridimensionale del mondo, ragionare sulla posizione delle cose e sulle loro relazioni reciproche e usare questa comprensione per agire, rispondere a domande o generare nuove scene. Un modello dotato di intelligenza spaziale sa che una tazza è sul tavolo e a portata di mano, che un corridoio prosegue oltre un angolo e come apparirà una scena da un altro punto di vista. Il termine proviene dalla psicologia, dove l'intelligenza spaziale è una delle capacità della teoria delle intelligenze multiple di Howard Gardner (1983). Nell'IA è stato reso popolare da Fei-Fei Li, che nel saggio del 2025 From Words to Worlds lo ha definito la nuova frontiera dopo il linguaggio; è alla base della robotica, della realtà aumentata e della guida autonoma.

Elementi fondamentali dell'intelligenza spaziale#

La comprensione spaziale combina diverse capacità:

• Profondità e geometria 3D: la stima della profondità, la visione stereo e il rilevamento di oggetti 3D ricavano dalle immagini distanze e dimensioni degli oggetti. Modelli di ricostruzione feed-forward come VGGT di Meta e Oxford, il miglior articolo di CVPR 2025, predicono in pochi secondi pose della fotocamera, mappe di profondità e mappe di punti 3D a partire da una a centinaia di immagini.
• Localizzazione e mappatura: lo SLAM visivo segue una fotocamera in movimento mentre costruisce una mappa dell'ambiente circostante.
• Orientamento e articolazione: La stima della posa ricava la posa di persone e oggetti; i riquadri di delimitazione orientati rappresentano la rotazione degli oggetti osservati dall'alto, come nelle immagini aeree.
• Rappresentazioni 3D: nuvole di punti, mesh, campi di radianza neurale e Gaussian splatting memorizzano la scena ricostruita per il rendering, la simulazione e la pianificazione.
• Ragionamento spaziale: relazioni come sopra, dietro e più vicino di, oltre a distanze, dimensioni e percorsi, espresse in linguaggio o utilizzate direttamente per prendere decisioni.

Attività diverse si basano sullo stesso modello della scena in modi diversi:

Dai rilevamenti 2D alle posizioni 3D#

Un rilevatore indica dove compaiono gli oggetti in un'immagine; aggiungere la profondità consente a un sistema di capire quanto sono lontani. Ultralytics YOLO26 include un'attività di stima monoculare della profondità, i cui modelli predicono una mappa di profondità per pixel in metri. Abbinando quindi un rilevatore YOLO26 a un modello di profondità YOLO26, ogni oggetto rilevato viene collocato a una certa distanza dalla fotocamera:

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")

Con i parametri intrinseci della fotocamera, il centro di ogni riquadro e la relativa profondità si convertono in coordinate x, y, z in metri: è il tipo di disposizione 3D richiesto da un pianificatore di presa o da un sistema che risponde a domande spaziali.

Intelligenza spaziale e termini correlati#

• Visione artificiale: il campo più ampio che estrae informazioni dalle immagini. Gran parte delle attività opera sul piano dell'immagine 2D, classificando le immagini e delimitando gli oggetti; l'intelligenza spaziale si basa su queste attività aggiungendo strutture metriche 3D e relazioni.
• Informatica spaziale: paradigma di interazione uomo-computer in cui i contenuti digitali vengono collocati nello spazio fisico e interagiscono con esso, come nei visori per la realtà mista. È un'applicazione che dipende dall'intelligenza spaziale.
• IA incarnata: agenti che percepiscono e agiscono attraverso un corpo fisico o simulato. L'intelligenza spaziale è una delle capacità di cui un agente del genere ha bisogno.
• Modelli del mondo: modelli che predicono come cambierà un ambiente. I modelli del mondo con una rappresentazione spaziale generano o simulano scene 3D coerenti.

Ragionamento spaziale nei modelli multimodali#

I modelli visione-linguaggio descrivono le immagini con fluidità, ma sono rimasti indietro nel ragionamento spaziale. Nel 2024, VSI-Bench, un benchmark con oltre 5.000 domande su video di scene interne, ha rilevato che gli LLM multimodali mostravano un'intelligenza visuo-spaziale competitiva ma inferiore a quella umana, con il ragionamento spaziale come principale collo di bottiglia; chiedere ai modelli di disegnare una mappa cognitiva esplicita della stanza prima di rispondere ha migliorato le loro stime delle distanze. La classifica VLM di Ultralytics misura una capacità spaziale più circoscritta: la precisione con cui i modelli visione-linguaggio collocano riquadri attorno agli oggetti nelle immagini del mondo reale. I modelli generativi affrontano il problema dalla direzione opposta. World Labs, l'azienda cofondata da Fei-Fei Li, ha rilasciato Marble nel novembre 2025: un modello del mondo che converte testo, immagini o video in ambienti 3D persistenti ed esplorabili, esportabili come Gaussian splat o mesh.