Spatial Intelligence

Trí tuệ không gian trong AI là khả năng của một hệ thống trong việc nhận biết cấu trúc ba chiều của thế giới, suy luận về vị trí và mối quan hệ giữa các vật thể, đồng thời sử dụng hiểu biết đó để hành động, trả lời câu hỏi hoặc tạo cảnh mới. Model có trí tuệ không gian biết rằng một chiếc cốc đặt trên bàn và nằm trong tầm với, hành lang tiếp tục vòng qua một góc, cũng như cảnh vật sẽ trông như thế nào từ một góc nhìn khác. Thuật ngữ này bắt nguồn từ tâm lý học, trong đó trí tuệ không gian là một trong các năng lực thuộc thuyết đa trí tuệ (1983) của Howard Gardner. Trong AI, Fei-Fei Li phổ biến thuật ngữ này; bài luận năm 2025 của bà, From Words to Worlds, gọi đây là biên giới tiếp theo sau ngôn ngữ. Trí tuệ không gian là nền tảng của robot học, thực tế tăng cường và lái xe tự hành.

Các thành phần nền tảng của trí tuệ không gian#

Hiểu biết không gian kết hợp một số năng lực:

• Độ sâu và hình học 3D: Ước lượng độ sâu, thị giác lập thể và phát hiện đối tượng 3D khôi phục khoảng cách và kích thước của đối tượng từ hình ảnh. Các model tái dựng feed-forward như VGGT của Meta và Oxford, bài báo xuất sắc nhất tại CVPR 2025, dự đoán tư thế camera, bản đồ độ sâu và bản đồ điểm 3D từ một đến hàng trăm hình ảnh chỉ trong vài giây.
• Định vị và lập bản đồ: SLAM thị giác theo dõi camera đang di chuyển đồng thời xây dựng bản đồ môi trường xung quanh.
• Hướng và khớp nối: Ước lượng tư thế khôi phục tư thế của người và vật thể, còn hộp giới hạn có hướng biểu diễn góc xoay của các vật thể nhìn từ trên cao, chẳng hạn trong ảnh hàng không.
• Biểu diễn 3D: Đám mây điểm, mesh, trường bức xạ thần kinh và Gaussian splatting lưu trữ cảnh đã tái dựng để kết xuất, mô phỏng và lập kế hoạch.
• Suy luận không gian: Các quan hệ như ở phía trên, phía sau và gần hơn, cùng với khoảng cách, kích thước và tuyến đường, được diễn đạt bằng ngôn ngữ hoặc sử dụng trực tiếp để ra quyết định.

Các tác vụ khác nhau khai thác cùng một model cảnh theo những cách khác nhau:

Từ phát hiện 2D đến vị trí 3D#

Detector cho biết vị trí các vật thể trong hình ảnh; bổ sung độ sâu giúp hệ thống biết chúng cách xa bao nhiêu. Ultralytics YOLO26 có tác vụ ước lượng độ sâu đơn ảnh, với các model dự đoán bản đồ độ sâu theo từng pixel tính bằng mét. Vì vậy, kết hợp YOLO26 detector với model độ sâu YOLO26 sẽ xác định khoảng cách từ camera đến từng vật thể được phát hiện:

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")

Với các thông số nội tại của camera, tâm của mỗi box và độ sâu tương ứng được chuyển thành tọa độ x, y, z tính bằng mét; đây là kiểu bố cục 3D mà bộ lập kế hoạch gắp hoặc hệ thống trả lời câu hỏi không gian cần đến.

Trí tuệ không gian và các thuật ngữ liên quan#

• Thị giác máy tính: Lĩnh vực rộng hơn chuyên trích xuất thông tin từ hình ảnh. Phần lớn lĩnh vực này hoạt động trên mặt phẳng ảnh 2D, phân loại hình ảnh và đóng khung vật thể; trí tuệ không gian phát triển dựa trên đó bằng cách bổ sung cấu trúc 3D theo hệ mét và các mối quan hệ.
• Điện toán không gian: Mô hình tương tác người-máy trong đó nội dung số được đặt trong không gian vật lý và phản hồi theo không gian đó, chẳng hạn như trong kính thực tế hỗn hợp. Đây là một ứng dụng phụ thuộc vào trí tuệ không gian.
• AI hiện thân: Các agent nhận thức và hành động thông qua một cơ thể vật lý hoặc được mô phỏng. Trí tuệ không gian là một trong những năng lực mà agent như vậy cần có.
• Model thế giới: Các model dự đoán môi trường sẽ thay đổi như thế nào. Model thế giới có nền tảng không gian tạo hoặc mô phỏng các cảnh 3D nhất quán.

Suy luận không gian trong các model đa phương thức#

Các mô hình thị giác-ngôn ngữ mô tả ảnh trôi chảy nhưng còn yếu trong suy luận không gian. VSI-Bench, một benchmark gồm hơn 5.000 câu hỏi về video quay cảnh trong nhà, cho thấy vào năm 2024 rằng các LLM đa phương thức có năng lực trí tuệ thị giác-không gian cạnh tranh nhưng thấp hơn con người, trong đó suy luận không gian là nút thắt chính; yêu cầu các model vẽ bản đồ nhận thức tường minh về căn phòng trước khi trả lời giúp cải thiện khả năng ước lượng khoảng cách. Bảng xếp hạng VLM của Ultralytics đo lường một kỹ năng không gian hẹp hơn: độ chính xác khi các mô hình thị giác-ngôn ngữ đặt bounding box quanh đối tượng trong ảnh thực tế. Các mô hình tạo sinh đang tiếp cận vấn đề theo hướng ngược lại. World Labs, công ty do Fei-Fei Li đồng sáng lập, phát hành Marble vào tháng 11 năm 2025; đây là một world model chuyển văn bản, ảnh hoặc video thành môi trường 3D có thể điều hướng và duy trì trạng thái, có thể xuất dưới dạng Gaussian splat hoặc mesh.