高德，做真实世界里的下一代 AI

AI 花了几年时间学会流畅地谈论世界。现在，它要面对一件困难得多的事：真正进入世界。

让大模型制定一份周末计划并不难。它可以在几秒钟内推荐十家餐厅、概括网友评价，再生成一条看起来井井有条的游览路线。但当一个人真的走出家门，问题很快就变了：推荐的店今天是否营业？现在过去会不会排队？车应该停在哪里？从地铁站的哪个出口出来？地图上的入口是否正在施工？等等等等……

这些问题很难仅靠语言回答，现实世界不是一份已经写完、等待模型总结的文本。道路会拥堵，商户会迁移，人流会聚散，天气和时间会改变同一个地点的状态；人的每一次选择，又会把这个世界推向不同的下一刻。

这也是为什么在语言模型之后，越来越多 AI 研究者开始把目光转向 “空间智能”。

斯坦福大学教授、World Labs 联合创始人李飞飞说，空间智能是人类认知的基础架构，它不仅关乎我们识别物体、理解环境和判断距离、方向等空间关系，也支撑着人类在现实世界中进行感知、推理、规划和行动。

人类正是借助这种能力，才能在复杂环境中建立对世界的认知模型，并据此预测变化、解决问题和与周围环境互动。

如果说大语言模型是第一阶段人工智能的突破，那么空间智能可能是接下来需要解决的更重要的问题、难题。

大语言模型的训练有一个相对明确的目标：根据前文预测下一个词。互联网上规模庞大的文本，也为这件事提供了现成的训练材料。

现实世界却没有这样统一、清晰的数据形式。机器不仅要识别物体，还要理解物体之间的距离、方向和遮挡关系；不仅要看见眼前的画面，还要记住空间的结构，判断时间和行动将如何改变它。

当场景从一间房扩展到一条街、一座城市，问题会更加复杂。建筑、道路和地点构成三维空间，车流、人流、天气和营业状态又让这个空间时刻发生变化。机器需要理解的，不只是 “这里有什么”，还有 “现在发生了什么”“接下来可能发生什么”。

世界模型由此成为实现空间智能的一条重要技术路径。它试图让 AI 在内部形成一个关于外部世界的模型，用来表达空间、模拟变化，并规划下一步行动。简单地说，空间智能是希望机器获得的一种能力，世界模型则是实现这种能力的方法之一。

围绕这个目标，不同公司选择了不同的入口。

李飞飞创立的 World Labs 从三维空间的生成与重建出发。2025 年推出的 Marble，可以根据文字、图片、视频或粗略的三维结构，生成一个可供用户进入、探索和编辑的三维世界。2026 年 9 月 1 日，World Labs 又发布了新一代世界模型 Atlas，它把文字、图片、视频和三维信息放入同一个空间上下文中，可以生成新的观察视角、重建现实场景，并模拟空间随时间发生的变化。

Google DeepMind 选择的是另一种形态。它的 Genie 3 可以根据文字描述，实时生成一个能够被探索和操控的环境。当智能体在其中移动时，模型需要持续生成世界的下一帧，记住已经经过的场景，并根据智能体的动作模拟环境将如何变化。

英伟达的 Cosmos 则更直接地服务于机器人和自动驾驶等 “物理 AI”。它可以生成不同天气、光照、道路状况和突发事件下的未来场景，为机器提供训练和测试环境。现实中罕见、昂贵甚至危险的情况，可以先在模型生成的世界里反复发生。

高德走了另一种技术范式。

如果把三维生成、Robotaxi 和具身智能等业务全部计算在内，高德的技术体系同样涉及世界的表达、模拟和行动规划。但高德所强调的空间智能，重心并不是从零生成一个世界，而是理解一个已经存在、持续变化，而且每天都有大量真实行动发生的世界。

这与高德过往的积累有关。与其他的人工智能实验室不一样，高德作为一个 10 亿级用户的 C 端产品，它拥有一套关于现实世界的长期记录，比如道路如何连接，建筑和商户在哪里，交通怎样变化，人们选择了什么目的地、沿哪条路线移动等等。

它要解决的，也不是一个地方可以被生成成什么样，而是它此刻究竟是什么状态，接下来可能发生什么，以及用户应该如何行动。

这也带来了不同的评价标准。对于生成式世界模型，一个没有被拍到的空间可以存在多个合理答案；但对于地图和导航，现实中的正确答案通常只有一个。

过去，地图主要负责记录地点和道路，导航则负责计算从 A 点到 B 点的路线。高德 CEO 郭宁将这两种能力概括为 “连接真实世界”。进入 AI 时代，他希望高德进一步做到的是 “理解真实世界”。

他说，连接解决的是 “世界如何抵达”，而理解解决的是 “世界真实是什么样、如何变化”。

郭宁将一家地图公司理解现实世界的能力，拆分为四层。

第一层是二维世界的连接关系。道路、地铁、步行网络、商场通道、停车场和建筑入口，共同组成了一张巨大的网络。一个地点并不只是地图上的经纬度，而是它与周围空间的关系：连接哪条街，离哪个地铁口最近，从什么方向更容易进入，吃完饭之后还能顺路去哪里。

第二层是三维空间。建筑的高度、道路的宽度、楼层关系、遮挡和景观朝向，让机器进一步知道现实世界 “长什么样”。地图由平面上的点和线，变成一个可以从不同位置进入和观察的立体空间。

第三层是时间。现实世界不是静止的。同一家餐厅在工作日下午和周末晚上可能处于完全不同的状态；同一条道路在早晚高峰、雨天和节假日，也会呈现不同的通行效率。加入时间之后，地图所表达的就不再是一个静态空间，而是一个持续变化的时空系统。

第四层是现实世界中的 “流”。人在移动，汽车在移动，城市的活跃区域也在不断转移。人流、车流、搜索、导航、到访和停留等信息，让高德不仅能够观察空间本身，也能看到人与空间如何发生关系。

这四层形成了一个逐步扩展的框架：二维网络呈现空间如何连接，三维数据补充世界的物理结构，时间让静态空间开始变化，人流、车流和用户行动则呈现这个世界如何真实运转。

“当二维网络、三维空间、时间变化、人流、车流、导航行为被统一之后，我们得到的不再是一张地图，而是一个能够进行预测和模拟的城市世界模型”，郭宁说。

这个类比重新定义了地图公司的能力边界：它不应只是一个保存道路和地点的数据库，还可以成为一个持续更新的 “模型”，一个理解世界如何运转的入口。

高德空间智能技术负责人徐牧借用李飞飞对世界模型的划分——渲染器（Renderer）、模拟器（Simulator）和规划器（Planner），解释了高德空间智能体系中不同能力的分工与协同：从呈现世界，到推演变化，再到指导行动。

渲染器负责高精度表达或生成可被观察的三维世界。高德近期落地的 ABot-World、ABot-Earth 系列模型正是这一能力的集中体现，支撑着三维地图与飞行街景的立体化呈现。

模拟器负责构建可计算、可交互的环境状态，比如模拟道路临时封闭后周边路网的拥堵如何传播，或不同疏导措施如何影响节假日期间商圈的人流分布。

规划器则结合环境观测、任务目标，以及可用的状态预测与模拟结果，在环境与任务约束下生成行动方案。这既可以表现为面向普通人的出行路线推荐，也可以延伸至机器人的自主导航与物理操作。

支撑这套体系协同运转的，是一套能够协同处理多元异构信息的 MoT（Mixture of Transformers）架构。其核心就是兼顾了模态内的专业化处理与模态间的信息融合，将多源数据转化为面向不同任务的综合表征。

在这之下，是高德长期积累、覆盖广泛的真实场景的时空数据——这些数据将物理空间、动态变化与真实行动联系起来，为模型理解世界如何运转提供连续而丰富的依据。

按照徐牧的分类，高德的数据有四种。一是空间几何数据，描述地形、建筑与道路等物理环境的形态和结构；二是空间语义数据，描述道路的通行属性、地点的功能以及商户的服务信息；三是动态状态数据，描述人流、车流、交通状况及环境随时间的变化；四是行为交互数据，关联人在具体环境中的行动选择、移动过程与结果反馈。这些信息共同构成了从空间结构到环境变化、再到行动结果的多维数据基础。

数据之外，高德的另一层壁垒是长期建立的数据和 AI 基础设施。

这意味着，当新的技术范式出现时，高德能够依托成熟的数据采集与生产体系，快速获取、加工并组织适配新方法的海量高精度数据，并通过规模化训练、评估与部署能力，加速空间智能与物理智能模型的研发和应用验证。

更为关键的是应用、模型与数据之间形成的反馈闭环。

高德的模型不是完成训练之后才去寻找使用场景。地图、导航、交通、本地生活和数字孪生等业务，会持续产生新的需求、数据和反馈。新技术进入真实业务后，用户和客户的使用又会形成新的反馈，推动下一轮迭代。

以机器人导航为例，系统可以从复杂环境中的失败案例定位能力缺口，利用场景生成与仿真构建针对性数据，经训练、独立评估与真实环境验证，持续提升模型的泛化能力。改进后的模型又可反过来增强场景生成与评估能力，为下一轮迭代创造更好的条件。

这种 “能力提升推动改进过程升级” 的机制，也为探索 RSI（Recursive Self-Improvement，递归自我改进）提供了基础，使空间生成、环境模拟与行动规划相互促进，持续拓展了空间智能的能力边界。

任何技术底座的演进，最终都要回答它如何改变普通人的日常生活体验。

过去，地图通常从用户确定目的地之后开始工作：用户先决定去哪里，再打开地图搜索路线。高德现在想向前、向后各走一步——在出发前帮助用户选择和判断，在路上根据现实变化调整行动，到达之后继续理解周围的空间。

在前述构建的现实世界模型之上，郭宁认为，高德还需要计算四件更接近用户体验的事：信任、品味、在场感和上下文。

信任回答的是哪些地点、评价和推荐值得相信；品味回答的是一个地方是否适合具体的人；在场感是让用户提前理解置身其中会有什么体验；上下文则要判断，在此时、此地和这段具体行程中，什么才是合适的选择。

可以用一次用户的完整线下行动，来回答高德是如何用产品来完成这层计算。

扫街榜是这条链路的起点。它首先要回答的不是 “怎么去”，而是 “去哪里”，试图解决一份榜单如何获得信任。

传统榜单主要依赖评分、评论和点击等线上信息。高德则希望从用户在现实世界中的行动，判断一家店是否真正值得前往。但一次到店本身也有不同含义：一个人可能专程跨越半座城市去吃一家店，也可能只是上班途中顺路经过；可能只去过一次，也可能住在附近、长期复购。

2026 年，扫街榜进一步把这些差异纳入算法。它用 “专程前往比例” 区分专程到访和顺路经过，用 “回头客比例” 和 “本地人比例” 衡量复购及本地用户的长期选择。当真实到访和长期选择能够相互印证，一家店的推荐才更可信。

当然，真实到店也不天然等于真实口碑。商户的位置、交通便利程度和经营时间，都会影响到访行为。扫街榜所做的，是在单纯的流量之外增加更多现实信号，再将行动与评价结合起来，尽可能接近一次选择的真实分量。

在信任之上，扫街榜还想进一步理解 “品味”。

一家店是否值得去，并不是一个对所有人都相同的答案。高德扫街榜 2026 因此引入了专业评分。针对咖啡馆等专业性较强的榜单，行家的用脚投票将获得更高的评分权重——同样是一家咖啡店，受到更多咖啡行家用户认可的，显然理应比一家大众连锁品牌咖啡店，获得更高的评分。

决定去哪里之后，用户面对的下一个问题，是那个地方究竟什么样。飞行街景承担的是出发前的空间预览，也对应着郭宁所说的 “在场感”。

第一代飞行街景可以沿着系统设定的路径，从空中俯瞰街区、识别店铺门头，部分场景还可以进入店内。飞行街景 2.0 进一步把固定观看变成自由探索：用户可以调整位置、方向、高度和观察角度，提前了解目的地及周边环境。

它的意义不只是让地图变得更逼真。对于一个陌生街区、景区或者入口复杂的建筑，二维地图只能告诉用户目的地在哪里，三维空间则让人提前想象 “到了那里会是什么感觉”：周围有哪些道路，店铺处于怎样的环境，从哪里进入，又能看到什么。

避雷指南，主要解决的则是 “上下文”，综合营业时间、行程节奏、预计到达时间、天气、费用、顺路程度和停车等信息，对一次计划进行动态核验。

一家店可能值得去，也可能符合用户的品味，但如果抵达时已经停止营业，或者路上耗时远超预期，这次推荐仍然没有完成任务。理解上下文，就是把一个地点放回具体的时间、位置和行程中，再判断它此刻是否仍是合适的选择。

真正进入行程之后，导航 Live 开始接手。

高德导航产品负责人孙冲将导航的变化概括为四次演进：第一次，导航从纸质地图到数字算法，学会了静态寻路；第二次，导航从静态路网到实时人流，学会避开拥堵；第三次则是从二维平面升级到三维孪生，学会了看清世界；到现在，它从指引一段路到接管一整天，学会陪伴生活。

这种变化首先体现在用户提出的问题上。一句 “帮我找一家顺路的、人均 200 元以内的淮扬菜，到的时候还在营业”，同时包含地点、价格、路线和时间等条件。传统导航通常需要用户先搜索餐厅、逐家查看信息，再返回地图比较路线；导航 Live 试图持续保留这些条件，直接完成选择和规划。

它依赖的是一个不断更新的 “动态时空上下文”：用户此刻在哪里，正沿着哪条路线移动，周围的道路和地点是什么状态，此前交代过什么任务，以及摄像头和语音正在输入什么信息。

到这里，郭宁所说的四件事也开始汇集到同一个产品中。导航 Live 需要使用可信的地点和道路信息，理解用户此前表达的偏好，通过摄像头建立对现场的感知，再结合此时、此地和整段行程的上下文作出判断。

这也是导航 Live 与普通视觉问答的主要差别。通用视觉模型可以认出画面中有一栋大楼或者一个路口，却未必知道它们在真实地图中对应哪个地点。导航 Live 需要把摄像头里的建筑、道路和入口，与用户的位置、方向、高德的路网和地点信息对应起来。

经过这种对应，画面中的 “那栋楼” 才会成为地图上一个具体的商场，“旁边的小门” 才会带有是否可以通行的属性。用户举起手机看到的现实空间，也由此变成可以被搜索和导航的对象。

从扫街榜、飞行街景和避雷指南，到导航 Live，高德试图将一次线下行动连接起来：信任帮助用户判断哪里值得去，品味让推荐更接近具体的人，在场感让人提前理解一个空间，上下文则决定此时应该怎样行动。

换句话说，空间智能对一个用户更切身的感知，不再是更多的信息本身，而是更贴近当下处境的体验判断和行动安排。

将一个语言世界里的需求，转化为一组可以在物理世界中执行的行动，扫街榜、飞行街景、避雷指南和导航 Live 是高德空间智能目前的产品答案，但它显然不是空间智能的终点。

如果这套能力继续发展，未来可能不再需要用户在榜单、街景、路线和导览之间来回切换。系统会持续理解同一个人的意图，以及他所在的时间、位置和环境，再根据现实变化调用不同能力。

届时，用户接触到的可能不再是几个彼此独立的功能，而是一个始终知道 “你在哪里、准备做什么、接下来可能遇到什么” 的空间智能体。

郭宁也更愿意将高德的变化理解为一次 “能力范式的变化”，而不只是地图和导航的技术升级。

过去，高德主要优化一个地点或者一条路线，空间智能要解决的，则是在具体的人、时间、位置、天气和偏好之下，判断什么选择更加合适。这意味着，地点的价值不再是一个固定分数。系统不仅要知道 “什么地方好”，还要判断 “它现在是否适合这个人”。

进一步看，一次旅行或者周末出行，也不是十个彼此独立的地点。住在哪里、几点出门、走哪条路、在哪里停留、什么时候吃饭，以及离开之后去哪里，都会相互影响。前一个选择，会改变后一个选择所处的时间、位置和状态。

郭宁认为，高德最终需要把这些地点和行动作为一个连续序列来考虑。AI 给出的不只是一份目的地榜单或一条最快路线，而是一组更符合用户具体需要、也能根据现实变化不断调整的行动建议。

高德导航产品负责人孙冲把这种变化概括为，用户从 “发出一连串短指令”，转向 “交付一个长程意图”。

当用户说 “接下来两小时的行程你帮我盯好”，AI 需要记住此前提出的要求，理解用户当前的位置和状态，并在合适的时间处理沿途发生的变化。用户不必再把任务拆成搜索地点、查看营业时间、比较路线和寻找停车场等多个步骤。

在这个过程中，高德的产品角色也开始改变。它不再只是一个等待用户操作的工具，而更接近一个在现实世界中主动、持续工作的智能体。

这也打开了高德在地图 App 之外的想象空间——成为真实世界里的下一代 AI。地点推荐、空间理解和行动规划，可以出现在汽车、智能手表、智能眼镜和机器人等不同终端上。设备形态可能变化，但背后需要解决的问题相同——让数字世界中的意图，能够在真实的物理世界中被执行。

不过，当地图开始参与用户的选择，问题也会变得更加复杂。系统介入现实行动越深，对准确性和可信度的要求也越高。高德不仅需要让系统拥有更多能力，也要让它知道什么时候可以作出判断，什么时候应该保持克制。

真实世界数据、地图体系和高频应用入口，为它提供了独特的起点，但这些优势能否被组织成稳定、可信、连贯的用户体验，仍然要通过一次次真实行动来检验。