Spatial Intelligence

A inteligência espacial em IA é a capacidade de um sistema perceber a estrutura tridimensional do mundo, raciocinar sobre a localização dos objetos e as relações entre eles, e utilizar essa compreensão para agir, responder a perguntas ou gerar novas cenas. Um modelo com inteligência espacial sabe que uma chávena está sobre uma mesa e ao alcance, que um corredor continua para lá de uma esquina e qual seria o aspeto de uma cena vista de outro ângulo. O termo vem da psicologia, onde a inteligência espacial é uma das capacidades da teoria das inteligências múltiplas de Howard Gardner (1983). Em IA, o termo foi popularizado por Fei-Fei Li, cujo ensaio de 2025 From Words to Worlds a apresentou como a próxima fronteira depois da linguagem; está na base da robótica, da realidade aumentada e da condução autónoma.

Elementos fundamentais da inteligência espacial#

A compreensão espacial combina várias capacidades:

• Profundidade e geometria 3D: A estimativa de profundidade, a visão estéreo e a deteção de objetos 3D recuperam distâncias e dimensões dos objetos a partir de imagens. Modelos de reconstrução feed-forward, como o VGGT da Meta e de Oxford, o melhor artigo da CVPR 2025, preveem poses de câmera, mapas de profundidade e mapas de pontos 3D a partir de uma a centenas de imagens em segundos.
• Localização e mapeamento: O SLAM visual acompanha uma câmera em movimento enquanto cria um mapa do ambiente à sua volta.
• Orientação e articulação: A estimativa de pose recupera as poses de pessoas e objetos, e as caixas delimitadoras orientadas capturam a rotação de objetos vistos de cima, como em imagens aéreas.
• Representações 3D: Nuvens de pontos, malhas, campos de radiância neural e splatting gaussiano armazenam a cena reconstruída para renderização, simulação e planejamento.
• Raciocínio espacial: Relações como acima, atrás e mais perto do que, além de distâncias, tamanhos e rotas, expressas em linguagem ou usadas diretamente para tomar decisões.

Diferentes tarefas recorrem ao mesmo modelo de cena de maneiras distintas:

De deteções 2D a posições 3D#

Um detetor indica onde os objetos aparecem numa imagem; adicionar profundidade informa ao sistema a que distância estão. O Ultralytics YOLO26 inclui uma tarefa de estimativa monocular de profundidade, cujos modelos preveem um mapa de profundidade por pixel em metros, por isso combinar um detetor YOLO26 com um modelo de profundidade YOLO26 posiciona cada objeto detetado a uma distância da câmera:

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")

Com os parâmetros intrínsecos da câmera, o centro de cada caixa e a respetiva profundidade convertem-se em coordenadas x, y, z em metros, o tipo de disposição 3D de que um planejador de preensão ou um sistema de respostas a perguntas espaciais precisa.

Inteligência espacial e termos relacionados#

• Visão computacional: O campo mais amplo que extrai informações de imagens. Grande parte dele trabalha no plano 2D da imagem, classificando imagens e delimitando objetos; a inteligência espacial baseia-se nele, acrescentando relações e estrutura 3D métrica.
• Computação espacial: O paradigma de interação entre humanos e computadores em que o conteúdo digital é colocado no espaço físico e responde a ele, como nos headsets de realidade mista. É uma aplicação que depende da inteligência espacial.
• IA incorporada: Agentes que percebem e agem por meio de um corpo físico ou simulado. A inteligência espacial é uma das capacidades de que esse tipo de agente precisa.
• Modelos de mundo: Modelos que preveem como um ambiente vai mudar. Modelos de mundo com fundamentação espacial geram ou simulam cenas 3D coerentes.

Raciocínio espacial em modelos multimodais#

Modelos de linguagem visual descrevem imagens com fluência, mas têm tido dificuldades com raciocínio espacial. O VSI-Bench, um benchmark com mais de 5.000 perguntas sobre vídeos de ambientes internos, constatou em 2024 que LLMs multimodais apresentavam inteligência visuoespacial competitiva, mas inferior à humana, e que o raciocínio espacial era o principal gargalo; pedir aos modelos que desenhassem um mapa cognitivo explícito do ambiente antes de responder melhorou suas estimativas de distância. O Leaderboard de VLMs da Ultralytics mede uma habilidade espacial mais específica: a precisão com que modelos de linguagem visual posicionam caixas em torno de objetos em imagens do mundo real. Modelos generativos estão abordando o problema pelo outro lado. A World Labs, empresa cofundada por Fei-Fei Li, lançou o Marble em novembro de 2025, um modelo de mundo que transforma texto, imagens ou vídeo em ambientes 3D persistentes e navegáveis, exportáveis como splats gaussianos ou malhas.