空间 AI 将人工智能应用于空间情境：事物位于哪里、附近有什么、地点之间如何关联、人们如何在空间中移动，以及哪些地理条件会影响决策。在地图产品中，它可以理解自然语言请求，检索已授权的地点或企业数据，进行空间排序，并返回有依据的地图操作。该术语涵盖地图、GeoAI、机器人、城市和地球科学，因此其含义取决于所处理的尺度。
下文介绍定义、尺度、相关术语、核心能力、事实依据、语言模型的局限、应用场景、Kaleidr 产品、评估方法和常见错误。产品信息可参阅 Kaleidr Spatial AI 和 Kaleidr Enterprise。产品分类请参阅 AI 地图，技术栈背景请参阅 数字地图。
空间 AI 要点
- 综合性术语： 同一个名称涵盖地图、GeoAI、机器人、城市和地球观测。
- 意图不等于计算： 模型负责理解，空间引擎负责计算，业务系统负责验证。
- 绘制前先建立依据： 在地图上，稳定 ID、来源和适用资格比流畅文字更重要。
- 先应用必要筛选条件： 已关闭或不符合资格的记录不应因为描述动听而获得高排名。
- 衡量实际结果： 地点被选中、工作流完成，比提示词数量更重要。
什么是空间 AI？
空间 AI 是能够在理解或决策时使用空间、位置、关系、移动或物理情境信息的人工智能。对于地图产品，这可能意味着理解用户在哪里搜索、哪些地点位于某一区域内、所选位置附近有什么、哪些目的地能在限定时间内到达、候选地点与公共交通或需求有什么关系、当前可见地图区域包含什么，以及多项地理条件应如何影响推荐。Kaleidr 在产品情境中把空间 AI 定义为应用于地点和位置数据的 AI——理解一个地点是什么、附近有什么，以及它为何相关——并将自然语言地点探索、地图交互、创建、个性化和分享结合起来（Spatial AI）。一项 2025 年的语言模型空间智能综述将研究领域扩展到具身智能体、城市环境和地球科学，而不是局限于单一地图问题（Feng et al., 2025）。因此，空间 AI 是综合性术语，而不是一种标准化 API 或模型类别。
传统文本搜索可以匹配词语。空间问题通常包含必须计算或解析的关系。例如，“酒店步行十五分钟以内、今晚营业的书店”同时包含实体类型、起点、可达性、出行方式、时间和营业状态。关键词系统能识别“书店”，但可靠的空间 AI 工作流仍需要地点身份、坐标、路线或出行时间、营业时间数据、用户情境、空间筛选、排序和地图状态。空间 AI 并不是简单地给通用聊天模型附加一张地图。
空间 AI 可以在哪些尺度上运作？
这一术语用于尺度差异很大的问题。在物体和房间尺度上，机器人、具身 AI、增强现实和计算机视觉涉及深度、物体位置、方向、遮挡、导航、操控、场景理解和 3D 世界表示。建筑和场地尺度包括室内导航、仓库、设施、施工、数字孪生和资产定位。城市尺度支持地点探索、交通出行、门店选择、房地产搜索、城市规划和社区分析。区域和全球尺度则包括卫星影像、土地利用分析、气候与环境监测、农业、灾害评估、基础设施和地球观测。Feng 等人的综述也明确从具身、城市和地球科学三个尺度描述语言模型驱动的空间智能。
空间 AI 与相关术语有什么关系？
空间智能在认知科学中长期指人类表示空间、理解关系、旋转物体或进行导航的能力。在当前 AI 研究中，机器空间智能可指系统感知、表示、推理空间环境并在其中行动的能力。空间 AI 则是把 AI 方法应用于空间信息和任务的实用技术名称。两者都不应被理解为仅指地理地图。
**GeoAI（地理空间人工智能）**更具体地关联地理空间数据、GIS、地球观测和地理分析。Esri 将 GeoAI 定义为融合 AI 与地理空间数据、科学和技术，以加速理解商业机会、环境影响和运营风险（What Is GeoAI?）。常见任务包括要素提取、影像分类、目标检测、变化检测、聚类、预测、空间模式分析和预报。空间 AI 可以包含这些任务，也可以包含对话式地点搜索、地图感知推荐、自然语言地图创建，以及零售或房地产应用中的位置感知助手。简而言之，GeoAI 是空间 AI 中专注于地理与地理空间数据的重要分支，但二者边界尚无正式标准。
位置智能通常专注于利用位置数据改善商业或运营决策，例如订单履约地点、选址、符合通勤条件的房源、服务区域资格或旅行目的地匹配。空间 AI 是更广泛的技术层；位置智能通常是意图理解、已授权数据检索和排序之后形成的决策结果。**地理空间情报（GEOINT）**在政府和国防领域有特定制度含义，不应作为空间 AI 的同义词。AI 地图描述 AI 在地图创建、地图交互、地理分析、影像、地点排序或空间操作中的应用，是建立在空间 AI 能力上的一种可见产品类别。
空间 AI 系统需要哪些能力？
实用系统通常结合多种能力。空间理解必须表示“内部”“附近”“沿线”“相交”“可从某处到达”“半径内”或“出行时间范围内”等关系。地理空间推理研究持续表明，基础模型可能难以处理精确几何和拓扑关系，这也是确定性地理计算仍然重要的原因之一（Ji et al., 2025）。地点和实体解析需要把含糊表达转化为结构化实体，并附上稳定 ID、几何或坐标、类型、行政情境和来源。情境理解必须先区分旅行偏好、物流约束和房地产条件。需要精度时，空间计算应处理点在多边形内、最近邻、缓冲区、相交、路线、出行时间矩阵、距离、包含、覆盖和聚类。模型可以决定使用哪项操作，但应由地理引擎执行计算。排序应分离硬性资格与软性偏好，避免已关闭的商店仅因描述吸引人而排名第一。对话式产品还需要保存地图和对话状态，并生成结构化输出，以移动相机、突出几何、筛选图层、绘制路线、打开地点或触发宿主工作流。
为什么必须建立事实依据并使用确定性计算？
空间回答可能看起来可信，却在地理上错误；当答案绘制在地图上时风险更高。有依据的结果应保留稳定地点 ID、坐标或几何、来源、时间戳、事实属性、入选原因、不确定性和允许执行的操作。说明文字可以根据记录生成，但不能根据说明文字重新构造事实记录。语言模型能够理解许多地理概念并从文本提取空间含义，但精确空间推理仍是活跃研究领域。一项 2026 年的智能体地理空间研究指出，语言模型智能体可能退回到模式匹配或 Web 搜索，而不是真正进行地理空间计算，因此需要以科学概念为依据的可执行空间工作流（Bao et al., 2026）。实用架构应让模型负责理解和协调，让空间系统负责计算和验证。即使只是计算两点距离，也应使用地理函数，而不是让语言模型估算。
空间 AI 在哪里有用，什么时候没有必要？
地点探索是最明确的消费者应用之一：将“从酒店前往方便的安静滨水餐厅”转化为类别、起点、区域、出行限制、偏好、时间和当前地点数据，再在地图中显示结果和理由。零售可结合门店位置、资格、营业时间、库存、取货和出行时间，同时让门店数据库继续作为营业状态和库存的权威来源。房地产可结合房源库存、出行时间、周边设施和排序，同时对硬性房源条件采用确定性筛选。旅游和酒店业可基于获准的目的地目录回答步行距离与偏好问题。交通和物流可理解路线限制和服务区域，而不绕过车辆规则、容量、法律限制或人工监督。在区域尺度，NASA Earthdata 将 AI 和机器学习描述为搜索大型地球观测数据、发现关系并改善探索和分析的工具（Earth Observation Data and AI）。地图创建可以把提示词转换为初始空间结构，但作者仍需验证身份、坐标、标签、权利和无障碍要求；Kaleidr Studio 使用 Prompt → Process → Refine → Deploy 工作流。
并非所有位置任务都需要 AI。对于五公里内的门店、有效地块、已知公交路线、绘制某个坐标或现在营业的餐厅等明确要求，确定性界面通常更好。当语言含糊、多项条件相互影响、用户需要追问、偏好难以编码为固定筛选器，或意图必须转换为多个地理操作时，空间 AI 更有价值。
Kaleidr 如何应用空间 AI？
Kaleidr Spatial AI 让用户提出问题、探索地点、创建和个性化地图，并在酒店、旅游、零售、房地产、交通及其他地点工作流中分享交互式地图体验。Studio 将地图概念转化为可编辑空间结构，并提供视觉优化和发布。Analytics 衡量地图、受众和地点参与度。Developer 与 Enterprise 产品提供 AI 地图聊天、已发布查看器、设计底图和嵌入式编辑器；聊天可附加到现有 Mapbox、Google Maps 或 MapLibre 实现，让宿主保留渲染器和应用工作流（开发者文档）。对于私有商业产品，宿主应继续掌控身份、权限、权威业务数据、租户隔离、持久化和重要操作。授权后只检索最低权限记录，分离可公开的浏览器密钥和后端密钥，并限制 AI 可调用的每项工具。相关指南包括什么是位置智能 API？、什么是 AI 地图 SDK？和在 Mapbox、Google Maps 与 MapLibre 中添加 AI 聊天。
团队应如何评估空间 AI？
在评估抽象的“AI 质量”之前先定义地理任务。针对每项重要主张指定权威来源：已批准地点数据库、自有门店系统、房源库存、路线服务、业务规则或空间数据库。分离 AI 负责理解的内容、空间引擎负责计算的内容和业务系统负责验证的内容。测试重名城市、更名地点、边界边缘、多语言名称和多个分店。测试无结果行为：系统应说明没有任何已验证结果满足全部条件，而不是编造貌似合理的答案。衡量有依据结果率、地点解析准确率、无效坐标率、过期数据率、排序接受率，以及地点被选中、路线被打开、地图被保存、房源被列入候选、预订开始、门店被选择或工作流完成等结果。核心指标应反映地理任务，而不是 AI 提示词的数量。
团队应避免哪些错误？
| 错误 | 后果 | 更好的方法 |
|---|---|---|
| 把每项地图功能都称为 AI | 产品定位变得模糊 | 指明具体 AI 能力 |
| 要求语言模型计算精确几何 | 空间精度不可靠 | 使用确定性空间运算 |
| 把模型知识视为当前地点数据 | 时间、地点或库存过期 | 检索已批准的最新记录 |
| 混合资格条件和排序 | 无效选项可能排名靠前 | 先筛选硬性条件 |
| 未经授权发送私有数据 | 敏感记录可能泄露 | 授权后检索最低权限数据 |
| 隐藏来源 | 用户无法判断证据 | 保留 ID、来源和时间戳 |
| 对简单筛选使用聊天 | 用户体验变慢 | 保留有效的确定性控件 |
| 衡量提示词数量 | 把活动误认为价值 | 衡量已完成的地理任务 |
| 允许 AI 触发不受限操作 | 工具访问成为安全风险 | 限制并验证每项操作 |
最终结论
空间 AI 不是单一模型，也不是单一地图功能。它涵盖使用空间情境理解环境、解释地理意图、检索相关信息、推理关系、对地点排序并协调操作的 AI 系统。对于地图和位置产品，最可靠的架构通常是：AI 解释意图，可信系统提供事实，空间引擎计算关系，应用验证权限，地图显示结果。解释—计算—验证的边界，能把对话式地图从令人信服的演示转变为可靠的空间产品。Kaleidr 将该模式应用于地点探索、提示词地图创建、嵌入式地图 AI、空间分析和业务集成，同时让现有地图和业务系统保留适当职责。
使用 Kaleidr 探索空间 AI
提出位置问题、探索地点、创建并个性化地图，然后分享结果。体验 Kaleidr Spatial AI；如果需要在现有产品中加入聊天或嵌入组件，请查看开发者文档。
常见问题
什么是空间 AI？
空间 AI 是理解或使用位置、邻近、距离、包含、移动、方向或地理关系等空间情境，以回答问题、提供推荐、分析环境或执行操作的人工智能。
空间 AI 与 GeoAI 相同吗？
不完全相同。GeoAI 专注于把 AI 应用于地理空间数据、GIS、遥感和地理分析。空间 AI 更广泛，还包括机器人、3D 环境、具身智能体、对话式地图和其他具备空间感知能力的 AI 系统。
空间 AI 与位置智能相同吗？
不同。位置智能专注于从位置和地理情境得出的决策。空间 AI 是支持位置智能工作流的一种技术方法。
空间 AI 与空间推理相同吗？
空间推理是一项理解和推断空间关系的能力。空间 AI 是更广泛的系统类别，可以结合空间推理、感知、数据检索、排序、地图或操作。
大型语言模型能理解地理吗？
它们可以理解许多地理概念并从语言中提取空间关系，但精确几何和拓扑推理仍是活跃研究问题。生产系统应使用专用空间函数完成需要精度的计算。
空间 AI 可以使用私有业务数据吗？
可以，但应用必须只检索已授权记录，并执行用户、租户、字段和工具权限。私有数据应继续由宿主系统治理。
空间 AI 会取代 GIS 或地图提供商吗？
不会。GIS 可以继续作为空间数据、分析、编辑和治理的权威系统。空间 AI 层可以使用现有渲染器、地理编码器、路线系统、地点数据库和业务系统，包括应用已运行的 Mapbox、Google Maps 或 MapLibre 地图。
空间 AI 什么时候有用？
当任务包含模糊语言、多项相互影响的条件、情境偏好、追问，或需要把意图转换为多个地理操作时，它最有用。
什么时候应避免使用空间 AI？
任务简单且确定时，应使用传统搜索、筛选器或明确的空间函数。对于可用现有控件清晰表达的查询，AI 不一定更好。
应如何衡量空间 AI？
衡量有依据结果的质量和地理任务完成情况，例如选择有用地点、保存地图、打开路线、将房源列入候选、选择门店或完成运营工作流。
参考资料
- Bao, Riyang, et al. Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts. arXiv:2601.16965, 2026. https://arxiv.org/abs/2601.16965
- Esri. What Is GeoAI? 访问日期：2026 年 8 月 15 日。https://www.esri.com/en-us/capabilities/geoai/overview
- Feng, Jie, et al. A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science. arXiv:2504.09848, 2025. https://arxiv.org/abs/2504.09848
- Ji, Yuhan, Song Gao, Ying Nie, Ivan Majić, and Krzysztof Janowicz. Foundation Models for Geospatial Reasoning: Assessing the Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations. arXiv:2505.17136, 2025. https://arxiv.org/abs/2505.17136
- Kaleidr. AI Maps You Can Talk To — Spatial AI. 访问日期：2026 年 8 月 15 日。https://kaleidr.com/ai
- Kaleidr. Create Custom Maps with AI Map Maker. 访问日期：2026 年 8 月 15 日。https://kaleidr.com/studio
- Kaleidr. Build with Kaleidr. 开发者文档。访问日期：2026 年 8 月 15 日。https://docs.kaleidr.com/
- NASA Earthdata. Earth Observation Data and Artificial Intelligence. 访问日期：2026 年 8 月 15 日。https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence
@article{feng2025spatialintelligence,
title = {A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science},
author = {Feng, Jie and Zeng, Jinwei and Long, Qingyue and others},
year = {2025},
journal = {arXiv preprint arXiv:2504.09848},
url = {https://arxiv.org/abs/2504.09848}
}
@article{ji2025geospatialreasoning,
title = {Foundation Models for Geospatial Reasoning: Assessing the Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations},
author = {Ji, Yuhan and Gao, Song and Nie, Ying and Maji\'{c}, Ivan and Janowicz, Krzysztof},
year = {2025},
journal = {arXiv preprint arXiv:2505.17136},
url = {https://arxiv.org/abs/2505.17136}
}
@article{bao2026spatialagent,
title = {Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts},
author = {Bao, Riyang and Yang, Cheng and Yu, Dazhou and Tang, Zhexiang and Mai, Gengchen and Zhao, Liang},
year = {2026},
journal = {arXiv preprint arXiv:2601.16965},
url = {https://arxiv.org/abs/2601.16965}
}
@misc{esri_geoai,
title = {What Is GeoAI?},
author = {{Esri}},
note = {Accessed 15 August 2026},
url = {https://www.esri.com/en-us/capabilities/geoai/overview}
}
@misc{nasa_earthdata_ai,
title = {Earth Observation Data and Artificial Intelligence},
author = {{NASA Earthdata}},
note = {Accessed 15 August 2026},
url = {https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence}
}
@misc{kaleidr_spatial_ai_2026,
title = {AI Maps You Can Talk To -- Spatial AI},
author = {{Kaleidr}},
note = {Accessed 15 August 2026},
url = {https://kaleidr.com/ai}
}
@misc{kaleidr_studio_spatial_ai_2026,
title = {Create Custom Maps with AI Map Maker},
author = {{Kaleidr}},
note = {Accessed 15 August 2026},
url = {https://kaleidr.com/studio}
}
@misc{kaleidr_developer_spatial_ai_2026,
title = {Build with Kaleidr},
author = {{Kaleidr}},
note = {Developer documentation; accessed 15 August 2026},
url = {https://docs.kaleidr.com/}
}