空間 AI 將人工智慧應用於空間情境：事物位於哪裡、附近有什麼、地點之間如何關聯、人們如何在空間中移動，以及哪些地理條件會影響決策。在地圖產品中，它可以理解自然語言請求，檢索已授權的地點或企業資料，進行空間排序，並傳回有依據的地圖操作。該術語涵蓋地圖、GeoAI、機器人、城市和地球科學，因此其含義取決於所處理尺度。
下文介紹定義、尺度、相關術語、核心能力、事實依據、語言模型的限制、應用情境、Kaleidr 產品、評估方法和常見錯誤。產品資訊可參閱 Kaleidr Spatial AI 和 Kaleidr Enterprise。產品分類請參閱 AI 地圖，技術堆疊背景請參閱 數位地圖。
空間 AI 要點
- 綜合性術語： 同一個名稱涵蓋地圖、GeoAI、機器人、城市和地球觀測。
- 意圖不等於計算： 模型負責理解，空間引擎負責計算，業務系統負責驗證。
- 繪製前先建立依據： 在地圖上，穩定 ID、來源和適用資格比流暢文字更重要。
- 先套用必要篩選條件： 已關閉或不符合資格的紀錄不應因為描述動聽而獲得高排名。
- 衡量實際結果： 地點被選取、工作流程完成，比提示詞數量更重要。
什麼是空間 AI？
空間 AI 是能夠在理解或決策時使用空間、位置、關係、移動或物理情境資訊的人工智慧。對於地圖產品，這可能意味著理解使用者在哪裡搜尋、哪些地點位於某一區域內、所選位置附近有什麼、哪些目的地能在限定時間內到達、候選地點與公共交通或需求有什麼關係、目前可見地圖區域包含什麼，以及多項地理條件應如何影響推薦。Kaleidr 在產品情境中把空間 AI 定義為應用於地點和位置資料的 AI——理解一個地點是什麼、附近有什麼，以及它為何相關——並將自然語言地點探索、地圖互動、建立、個人化和分享結合起來（Spatial AI）。一項 2025 年的語言模型空間智慧綜述將研究領域擴展到具身智慧體、城市環境和地球科學，而不是限制於單一地圖問題（Feng et al., 2025）。因此，空間 AI 是綜合性術語，而不是一種標準化 API 或模型類別。
傳統文字搜尋可以匹配詞語。空間問題通常包含必須計算或解析的關係。例如，「飯店步行十五分鐘以內、今晚營業的書店」同時包含實體類型、起點、可達性、移動方式、時間和營業狀態。關鍵詞系統能識別「書店」，但可靠的空間 AI 工作流程仍需要地點身分、座標、路線或行程時間、營業時間資料、使用者情境、空間篩選、排序和地圖狀態。空間 AI 並不是簡單地給通用聊天模型附加一張地圖。
空間 AI 可以在哪些尺度上運作？
這一術語用於尺度差異很大的問題。在物體和房間尺度上，機器人、具身 AI、增強現實和電腦視覺涉及深度、物體位置、方向、遮擋、導航、操控、場景理解和 3D 世界表示。建築和場地尺度包括室內導航、倉庫、設施、施工、數位孿生和資產定位。城市尺度支援地點探索、交通與移動、門市選擇、房地產搜尋、城市規劃和社區分析。區域和全球尺度則包括衛星影像、土地利用分析、氣候與環境監測、農業、災害評估、基礎設施和地球觀測。Feng 等人的綜述也明確從具身、城市和地球科學三個尺度描述語言模型驅動的空間智慧。
空間 AI 與相關術語有什麼關係？
空間智慧在認知科學中長期指人類表示空間、理解關係、旋轉物體或進行導航的能力。在目前 AI 研究中，機器空間智慧可指系統感知、表示、推理空間環境並在其中行動的能力。空間 AI 則是把 AI 方法應用於空間資訊和任務的實用技術名稱。兩者都不應被理解為僅指地理地圖。
**GeoAI（地理空間人工智慧）**更具體地關聯地理空間資料、GIS、地球觀測和地理分析。Esri 將 GeoAI 定義為融合 AI 與地理空間資料、科學和技術，以加速理解商業機會、環境影響和營運風險（What Is GeoAI?）。常見任務包括要素提取、影像分類、物件偵測、變化偵測、分群、預測、空間模式分析和預報。空間 AI 可以包含這些任務，也可以包含對話式地點搜尋、地圖感知推薦、自然語言地圖建立，以及零售或房地產應用程式中的位置感知助理。簡而言之，GeoAI 是空間 AI 中專注於地理與地理空間資料的重要分支，但二者邊界尚無正式標準。
位置智慧通常專注於利用位置資料改善商業或營運決策，例如訂單履約地點、選址、符合通勤條件的物件、服務區域資格或旅遊目的地匹配。空間 AI 是更廣泛的技術層；位置智慧通常是意圖理解、已授權資料檢索和排序之後形成的決策結果。**地理空間情報（GEOINT）**在政府和國防領域有特定制度含義，不應作為空間 AI 的同義詞。AI 地圖描述 AI 在地圖建立、地圖互動、地理分析、影像、地點排序或空間操作中的應用，是建立在空間 AI 能力上的一種可見產品類別。
空間 AI 系統需要哪些能力？
實用系統通常結合多種能力。空間理解必須表示「內部」「附近」「沿線」「相交」「可從某處到達」「半徑內」或「行程時間範圍內」等關係。地理空間推理研究持續表明，基礎模型可能難以處理精確幾何和拓撲關係，這也是確定性地理計算仍然重要的原因之一（Ji et al., 2025）。地點與實體解析需要把含糊表達轉化為結構化實體，並附上穩定 ID、幾何或座標、類型、行政情境和來源。情境理解必須先區分旅行偏好、物流限制和房地產條件。需要精度時，空間計算應處理點在多邊形內、最近鄰、緩衝區、相交、路線、行程時間矩陣、距離、包含、覆蓋和分群。模型可以決定使用哪項操作，但應由地理引擎執行計算。排序應分離必要資格與彈性偏好，避免已關閉的商店僅因描述吸引人而排名第一。對話式產品還需要儲存地圖和對話狀態，並產生結構化輸出，以移動鏡頭、醒目顯示幾何圖形、篩選圖層、繪製路線、開啟地點或觸發主機工作流程。
為什麼必須建立事實依據並使用確定性計算？
空間回答可能看起來可信，卻在地理上錯誤；當答案繪製在地圖上時風險更高。有依據的結果應保留穩定地點 ID、座標或幾何、來源、時間戳記、事實屬性、入選原因、不確定性和允許執行的操作。說明文字可以根據紀錄生成，但不能根據說明文字重新建構事實紀錄。語言模型能夠理解許多地理概念並從文字提取空間含義，但精確空間推理仍是持續研究中的領域。一項 2026 年的智慧體地理空間研究指出，語言模型智慧體可能退回到模式比對或 Web 搜尋，而不是真正進行地理空間計算，因此需要以科學概念為依據的可執行空間工作流程（Bao et al., 2026）。實用架構應讓模型負責理解和協調，讓空間系統負責計算和驗證。即使只是計算兩點距離，也應使用地理函式，而不是讓語言模型估算。
空間 AI 在哪裡有用，何時沒有必要？
地點探索是最明確的消費者應用之一：將「從飯店前往方便的安靜水岸餐廳」轉化為類別、起點、區域、移動限制、偏好、時間和目前地點資料，再在地圖中顯示結果和理由。零售可結合門市位置、資格、營業時間、庫存、取貨和行程時間，同時讓門市資料庫繼續作為營業狀態和庫存的權威來源。房地產可結合物件庫存、行程時間、周邊設施和排序，同時對硬性物件條件採用確定性篩選。旅遊和旅宿業可基於核準的目的地目錄回答步行距離與偏好問題。交通和物流可理解路線限制和服務區域，而不繞過車輛規則、容量、法律限制或人工監督。在區域尺度，NASA Earthdata 將 AI 和機器學習描述為搜尋大型地球觀測資料、發現關係並改善探索和分析的工具（Earth Observation Data and AI）。地圖建立可以把提示詞轉換為初始空間結構，但作者仍需驗證身分、座標、標籤、權利和無障礙要求；Kaleidr Studio 使用 Prompt → Process → Refine → Deploy 工作流程。
並非所有位置任務都需要 AI。對於五公里內的門市、有效地塊、已知公車路線、繪製某個座標或現在營業的餐廳等明確要求，確定性介面通常更好。當語言含糊、多項條件相互影響、使用者需要追問、偏好難以編碼為固定篩選器，或意圖必須轉換為多個地理操作時，空間 AI 更有價值。
Kaleidr 如何應用空間 AI？
Kaleidr Spatial AI 讓使用者提出問題、探索地點、建立和個人化地圖，並在飯店、旅遊、零售、房地產、交通及其他地點工作流程中分享互動式地圖體驗。Studio 將地圖概念轉化為可編輯空間結構，並提供視覺最佳化和發布。Analytics 衡量地圖、受眾和地點參與度。Developer 與 Enterprise 產品提供 AI 地圖聊天、已發布檢視器、設計底圖和嵌入式編輯器；聊天可附加到現有的 Mapbox、Google Maps 或 MapLibre 實作，讓主機保留算繪器和應用程式工作流程（開發者文件）。對於私人商業產品，主機應繼續掌控身分、權限、權威業務資料、租戶隔離、持久化和重要操作。授權後只檢索最低權限紀錄，分離可公開的瀏覽器金鑰和後端金鑰，並限制 AI 可呼叫的每項工具。相關指南包括什麼是位置智慧 API？、什麼是 AI 地圖 SDK？和在 Mapbox、Google Maps 與 MapLibre 中新增 AI 聊天。
團隊應如何評估空間 AI？
在評估抽象的「AI 品質」之前先定義地理任務。針對每項重要主張指定權威來源：已核準地點資料庫、自有門市系統、物件庫存、路線服務、業務規則或空間資料庫。分離 AI 負責理解的內容、空間引擎負責計算的內容和業務系統負責驗證的內容。測試同名城市、更名地點、邊界邊緣、多語言名稱和多個分店。測試無結果行為：系統應說明沒有任何已驗證結果滿足全部條件，而不是編造貌似合理的答案。衡量有依據結果率、地點解析準確率、無效座標率、過期資料率、排序接受率，以及地點被選取、路線已開啟、地圖已儲存、物件被列入候選、開始預訂、門市被選擇或工作流程完成等結果。核心指標應反映地理任務，而不是 AI 提示詞的數量。
團隊應避免哪些錯誤？
| 錯誤 | 後果 | 更好的方法 |
|---|---|---|
| 把每項地圖功能都稱為 AI | 產品定位變得模糊 | 指明具體 AI 能力 |
| 要求語言模型計算精確幾何 | 空間精度不可靠 | 使用確定性空間運算 |
| 把模型知識視為目前地點資料 | 時間、地點或庫存過期 | 檢索已核準的最新紀錄 |
| 混合資格條件和排序 | 無效選項可能排名靠前 | 先篩選硬性條件 |
| 未經授權發送私人資料 | 敏感紀錄可能外洩 | 授權後檢索最低權限資料 |
| 隱藏來源 | 使用者無法判斷證據 | 保留 ID、來源和時間戳記 |
| 對簡單篩選使用聊天 | 使用者體驗變慢 | 保留有效的確定性控制項 |
| 衡量提示詞數量 | 把活動誤認為價值 | 衡量已完成的地理任務 |
| 允許 AI 觸發不受限操作 | 工具訪問成為安全風險 | 限制並驗證每項操作 |
最終結論
空間 AI 不是單一模型，也不是單一地圖功能。它涵蓋使用空間情境理解環境、解釋地理意圖、檢索相關資訊、推理關係、對地點排序並協調操作的 AI 系統。對於地圖和位置產品，最可靠的架構通常是：AI 解釋意圖，可信系統提供事實，空間引擎計算關係，應用程式驗證權限，地圖顯示結果。解釋—計算—驗證的邊界，能把對話式地圖從令人信服的展示轉變為可靠的空間產品。Kaleidr 將該模式應用於地點探索、提示詞地圖建立、嵌入式地圖 AI、空間分析和業務整合，同時讓現有地圖和業務系統保留適當職責。
使用 Kaleidr 探索空間 AI
提出位置問題、探索地點、建立並個人化地圖，然後分享結果。體驗 Kaleidr Spatial AI；如果需要在現有產品中加入聊天或嵌入元件，請查看開發者文件。
常見問題
什麼是空間 AI？
空間 AI 是理解或使用位置、鄰近、距離、包含、移動、方向或地理關係等空間情境，以回答問題、提供推薦、分析環境或執行操作的人工智慧。
空間 AI 與 GeoAI 相同嗎？
不完全相同。GeoAI 專注於把 AI 應用於地理空間資料、GIS、遙測和地理分析。空間 AI 更廣泛，還包括機器人、3D 環境、具身智慧體、對話式地圖和其他具備空間感知能力的 AI 系統。
空間 AI 與位置智慧相同嗎？
不同。位置智慧專注於從位置和地理情境得出的決策。空間 AI 是支援位置智慧工作流程的一種技術方法。
空間 AI 與空間推理相同嗎？
空間推理是一項理解和推斷空間關係的能力。空間 AI 是更廣泛的系統類別，可以結合空間推理、感知、資料檢索、排序、地圖或操作。
大型語言模型能理解地理嗎？
它們可以理解許多地理概念並從語言中提取空間關係，但精確幾何和拓撲推理仍是持續研究問題。正式環境系統應使用專用空間函式完成需要精度的計算。
空間 AI 可以使用私有業務資料嗎？
可以，但應用程式必須只檢索已授權紀錄，並執行使用者、租戶、欄位和工具權限。私人資料應繼續由主機系統治理。
空間 AI 會取代 GIS 或地圖供應商嗎？
不會。GIS 可以繼續作為空間資料、分析、編輯和治理的權威系統。空間 AI 層可以使用現有算繪器、地理編碼器、路線系統、地點資料庫和業務系統，包括應用程式已執行的 Mapbox、Google Maps 或 MapLibre 地圖。
空間 AI 何時有用？
當任務包含模糊語言、多項相互影響的條件、情境偏好、追問，或需要把意圖轉換為多個地理操作時，它最有用。
何時應避免使用空間 AI？
任務簡單且確定時，應使用傳統搜尋、篩選器或明確的空間函式。對於可用現有控制項清晰表達的查詢，AI 不一定更好。
應如何衡量空間 AI？
衡量有依據結果的品質和地理任務完成情況，例如選擇有用地點、儲存地圖、開啟路線、將物件列入候選、選擇門市或完成運營工作流程。
參考資料
- 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? 存取日期：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. 存取日期：2026 年 8 月 15 日。https://kaleidr.com/ai
- Kaleidr. Create Custom Maps with AI Map Maker. 存取日期：2026 年 8 月 15 日。https://kaleidr.com/studio
- Kaleidr. Build with Kaleidr. 開發者文件。存取日期：2026 年 8 月 15 日。https://docs.kaleidr.com/
- NASA Earthdata. Earth Observation Data and Artificial Intelligence. 存取日期：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/}
}