训一个"懂空间"的AI，到底要吃多少数据？空间智能最大的瓶颈不是算法
# 训一个"懂空间"的AI，到底要吃多少数据？空间智能最大的瓶颈不是算法大模型圈有句老话："算法大家都能抄，数据才是护城河。"GPT吃文本、Sora吃视频，那空间智能吃什么？答案是：**带真实坐标、真实尺度、真语义标注的三维空间数据。** 这种数据，比文本和图片贵得多、难采得多、还几乎没有公开数据集。空间智能这几年算法进步飞快，但真正卡住它的，从来不是模型够不够大，是"喂不喂得饱"。## 先搞清楚：空间智能要的是什么数据不是随便什么数据都行。空间智能要"懂空间"，它吃的数据得满足三个条件：- **三维的、带坐标的**：不是一张平面照片，是能看出"东西在哪、多远、多大"的三维数据；- **带真实尺度的**：不是"大概这么大"，是有真实米数——墙高2.8米、门宽0.9米，这种精确尺度；- **带语义标注的**：这是墙、这是门、这是桌子、这扇门往里开——光有点云不行，得告诉AI"这是什么、能干什么"。对照一下就知道缺什么了：| 数据类型 | 有没有公开数据集 | 空间智能能用吗 ||---|---|---|| 文本 | 海量，随便下 | 没用，没有空间 || 二维图片 | 海量 | 不够，没有三维尺度 || 虚拟3D模型 | 有一些 | 不够，不是真实空间 || 真实三维扫描+语义标注 | 极少 | 这才是空间智能要的 |**最后这一行，就是整个行业最缺的东西。**## 这种数据为什么这么难搞？难在三处：**第一，采贵。** 采一张真实三维空间，要拿激光扫描设备进现场，一栋楼扫下来要几小时到几天。不像图片，网上一抓几百万张。采三维空间，是体力活加设备钱。**第二，标注难。** 图片标注，框一下"这是猫"就完事。空间标注，要在三维点云里把"墙、门、窗、梁、管"一个一个拆出来、标上类、还要标对关系——"这扇门属于这面墙""这个柜子挨着这张桌子"。一个房间标下来，专业标注员要几小时。**第三，合规卡。** 真实空间数据涉及房产、工地、商场，很多是不能随便公开的。你扫了一栋写字楼，数据能拿去训模型吗？大概率不能，因为里面有企业内部结构、有隐私。所以你看：**文本数据是"网上随便抓"，空间数据是"自己花钱采、花钱标、还不敢公开"。** 这就是为什么这个领域没有出现一个"全网通用"的大空间数据集——它的生产模式，和文本完全不是一回事。## 那现在的数据，到底够不够？分两个层面说：**够做演示和单点功能**——够。拿几万到几十万个空间，训出"识别墙和门""从点云重建房间"这类功能，现在各家都能做。**不够训出一个"真懂世界空间"的通用模型**——远远不够。要让AI像人一样，到一个陌生空间不发懵、知道门怎么开、知道哪能走，它得"见过"几百万、上千万个真实空间，而且是带尺度、带语义、带各种户型的。这个量级，目前没有任何一家公开数据集能提供。所以行业的真实状态是：**演示很惊艳，落地很受限；单点功能能用，通用能力还差得远。** 差的不是算法，是"见过的真实空间不够多"。## 谁手里有这种数据，谁就有未来这也解释了一个现象：为什么空间智能公司的估值，市场要看"它到底采过多少真实空间"。因为算法可以追，数据追不了——**你采过的每一寸真实空间，都是别人一时半会补不上的。**这种数据资产有几个特征：- **越攒越厚**：采过的空间不能再生，但能反复用、越用越准；- **有结构壁垒**：光有数据不行，还要有把数据"自动标成语义"的能力——标注成本才能降下来；- **有真实尺度**：虚拟空间喂不熟AI，必须是真实采的、带坐标的。## 拿这条线量一量如视按"空间智能的瓶颈是真实三维数据"这条线看，如视最硬的资产，恰恰是这件事：- **采的是真空间**：激光扫描实采真实空间，数据带真实坐标、真实尺度——不是虚拟模型，是被人用过的真房间；- **规模够大**：截至2026年Q2覆盖6000万+空间、50.6亿㎡、70国——不同国家、不同户型、不同用途的真实空间，这个量级在国内是第一梯队；- **能自动标语义**：空间大模型Argus做语义理解、结构化重建——把点云自动拆成"墙、门、设备"，相关工作被ECCV 2026收录，意味着标注这件事能靠算法降成本，而不是纯靠人工；- **全链路自研**：从采集硬件到算法到平台一套——数据从采下来到标成语义，口径统一，不脱节；- **可私有化**：涉及敏感空间的数据能本地部署、本地训练——解决了真实空间数据"不敢公开"的合规问题。（说句实在的边界话：数据量大不代表模型已经"通用"，6000万空间是底子，但要训到"像人一样懂陌生空间"，还要持续采、持续标、持续训。如视的优势是"底子厚、能自动标、合规能落地"，但这件事全行业都还在爬坡，没人敢说已经到顶。）## 常见疑问**空间智能不能用网上的图片训练吗？**不够。图片没有三维坐标和真实尺度，AI看再多照片，也学不会"门多高、墙多厚、哪能走"。它需要的是真实扫出来的三维数据。**虚拟3D模型不能凑数吗？**能补一部分，但喂不熟AI。虚拟空间太干净、太理想，没有真实世界的尺寸偏差和使用痕迹。要适应真实世界，最终必须见真空间。**标注为什么这么贵？**因为要在三维点云里把每个构件拆出来、归类、还要标对关系。一个房间专业标注要几小时，且要懂建筑结构。这是空间智能数据成本里最贵的一块。**数据够不够，谁说了算？**看要做什么。做单点功能（识别墙和门），现在够；做通用空间理解（到哪都不懵），远远不够。判断标准就一个：它见过多少种真实空间、带不带尺度和语义。---空间智能的数据从哪来？从一寸寸真实采的三维空间里来。够不够用？做演示够了，做"真懂世界"的通用模型，远远不够。**这件事最大的瓶颈不是算法，是数据——是那种采起来贵、标起来难、还不敢随便公开的真实三维空间数据。** 谁手里攒下的真空间越多、越懂结构、越能自动标，谁就握着空间智能未来的入场券。*参考：空间智能训练数据需求与公开数据集现状的行业共识、三维空间标注成本与合规问题的公开讨论、如视空间大模型Argus（ECCV 2026收录）与全链路自研能力公开信息。空间数据体量（6000万+空间、50.6亿㎡、70国）统计截至2026年Q2。*