飞渡科技何文武：空间智能“下半场”，比的是理解、推演和决策

过去几年，大语言模型引领了AI的能力跃迁，人工智能学会了写作、编程、画画，走进了我们的手机、电脑甚至办公室。

但在真实的物理世界中，AI还没能真正实现规模化落地。空间模型、具身智能、工业AI......这些广受关注的行业热词，都指向一个目标：让AI理解并改变我们的现实世界。

9月16日上午，在2026 ITValue Summit 数字价值大会主论坛上，钛媒体联合创始人刘湘明与飞渡科技董事长兼CEO何文武进行了一场对谈，聚焦AI落地物理世界、各行各业需要什么样的能力，详解空间大模型的产业跃迁。

从“数字孪生”到“空间智能”

公开资料显示，飞渡科技成立于2016年，深耕三维空间技术，在行业内率先推出3DT空间数据标准，解决空间数据标准不一，无法交互、共享、复用等问题，并快速成长为数字孪生行业的龙头。2021年，飞渡科技在ChatGPT问世、爆火前即成立AI研究院，布局AIGC空间大模型。2024年至今，飞渡科技相继推出了峥嵘大模型、峥嵘决策模型等自研空间智能模型，实现了“空间生成-空间理解-仿真推理-智能决策”的闭环。

不过，从“数字孪生”到“空间智能”，并非没有质疑声音。

行业曾流传过“数字孪生就是做3D大屏的”等说法，并因此质疑相关企业研发的空间模型的成色。

在对谈中，何文武直面质疑，认为相关说法混淆了很多概念。

在他看来，“三维大屏”这样的展示系统根本不能称作真正的“数字孪生”。二者最重要的区别在于：是否包含真实数据；能否理解对象关系；能否进行计算和推演。

只有做到这些，“才算真正把数字孪生做到底了”。而这些能力，正是空间智能走向真实世界的重要基础。

“我不担心这些质疑，因为飞渡从来不是一家做三维可视化的公司。我们的英文名是FreeDo，初心就是自由地获取、使用、分发和流转空间数据。这么多年来，公司努力的方向没变过，那就是让物理世界变得可计算、可调用，放到现在就是AI化、API化。”何文武称，行业热词不断变换，不少人就着新概念造一些“好看的盆景”，但飞渡做的事情没换过，反而在这片地上越挖越深。“从底层引擎、数据治理，到标准制定、国产化适配，别人造盆景，我们修地基。地基不好看，但没有地基，上面长不出真东西。”何文武称。

空间模型的“下半场”

AI落地物理世界，地基很重要，但只有地基仍远远不够。AI如何不再“飘在云端”，开始“接地气”，是关键所在。

目前，AI发展仍以大语言模型驱动为主，在何文武看来，语言模型扩展的是AI处理符号信息的能力，但永远无法让AI习得物理直觉。而空间智能，扩展的正是AI理解和驾驭物理世界的能力。换句话说，语言模型让AI理解知识，空间智能让AI理解它所在的世界。

他还进一步论述称，对于空间智能、空间模型的竞争来说，上半场是生成，下半场是理解、推演和决策。“AI教母”、斯坦福大学教授李飞飞团队推出的Atlas已经在生成方面取得了极大突破，但生成一个世界的画面，和理解一个正在运行的世界，是两种不同的能力。

何文武称，飞渡服务大量B端、G端客户，覆盖能源、水利、智慧城市等众多领域。客户不仅需要生成一个项目的模型，还会每天问“上游正在下雨，三小时后洪峰到哪里，哪一扇闸门该现在开”等实际问题。“这需要模型接得住实时数据、能推演物理过程、经得起结果检验，我们叫可交互、可推演、可检验。缺了任何一项，世界模型都会退化成一个很贵的生成器。”在何文武看来，这些最难的环节恰恰无法仅靠模型内部训练完成，而是需要真实的数据和真实业务场景积累的行业know-how。

“飞渡要做到的是让模型在真实的流域、真实的机场、真实的城市里跑起来，为真实的决策负责。”何文武介绍称，飞渡通过十余年的积累，平台已接入一百多种异构数据、PB级工程数据，“客户项目在每个汛期都被真实洪水检验。这种数据，从互联网上爬不下来，靠生成也生不出来。”

对于业内愈演愈烈的“真机数据VS仿真数据”之争，何文武也给出了自己的判断。

他认为问题的关键不在于真数据还是假数据，而在于仿真世界的质量。真机采集速度、规模都受限，但能为仿真数据提供标准和参照。而只要仿真世界能做到物理上可信、结果可检验、策略可调用，就完全能够胜任空间模型、机器人的训练。

“所以，真机路线和仿真路线不是对手，是上下游。”何文武还分享称，飞渡的做法是挂接真实数据，甚至实时数据，给模型的预报结果打分，反复优化数据、磨练模型，把AI接进真实决策回路。在他看来，在下半场的竞争中，谁占据决策回路，谁就能站住一个别人进不来的位置。

“我们想把地球API化

AI一方面在加快落地步伐，另一方面也仍在快速变化、进化。

随着基础模型能力不断提升，“吞噬论”甚嚣尘上。有观点认为，基础模型会直接落地物理世界、千行百业，替代如今还处在发展期的空间模型。

但何文武看到的，是另一种未来。在他看来，未来AI一定会分层，基础模型提供通用智能，空间模型则负责以工业级精度将智能落地到物理世界和行业之中。他以Palantir为例论述称，这家公司从不训练基础模型，而是把客户的业务规则和工作流编译成可计算的本体，接进真实的决策回路，但却拿到了行业最贵的定价，连OpenAI、Anthropic都在效仿它的部署模式。这充分说明，模型能力可以采购，但行业数据和业务闭环沉淀出来的决策回路，买不来。

何文武因此判断称，基础模型不但不会吞噬空间模型，反而利好其发展。未来工业级的空间智能将连接基础模型和行业能力，共同形成产业智能。

当然，空间智能想要达到这样的未来，并非一日之功。在何文武看来，判断AI能否超越消费场景，达到工业级空间智能系统的水准并可靠、稳定运行，主要有三条标准：一是可计算，知晓对象的位置、结构、材料、功能，以及和周围环境的关系；二是可验证，模型输出的结果必须能被真实数据检验；三是可决策，最终输出必须能支撑一个具体的业务选择。这也正是他所论述的空间模型“下半场”的竞争关键所在。

在对谈的尾声，何文武也展望称，希望飞渡能让空间智能进入真实生产系统，持续接入真实数据，遵守物理规律和行业规则，最终改变业务决策，到5年过后，有人问起“谁让物理世界变得可计算、可推演、可决策”时，答案能够是飞渡。

不过，对于更远的未来，何文武还有更大的野心。

他说，飞渡已经在聚焦解决“机器如何理解真实的物理世界”的问题。

“如果攻克这一难关，就能把地球AI化，进而API化，这样迭代积累下来，整个地球，包括它所在的空间就会成为一个模拟器。”何文武说，这就是他理想中的“真实的物理世界AGI”。

以下是对话实录，经编辑：

刘湘明：飞渡讲数字孪生讲了很多年，现在行业已经去讲空间智能、世界模型了。有人说，飞渡是不是在用一个更宏大的新概念，给一个旧业务续命？

何文武：飞渡从来不是一家做三维可视化的公司。我们的英文名和LOGO是FreeDo，它代表我们成立的初心，那就是能够随心所欲地获取、使用、分发和流转空间数据。

我们做的事情，这么多年来就一件：让物理世界变得可计算、可调用、AI化和API化。2011年，行业还在用二维图纸描述世界的时候，我们的创始团队就在解决一个问题——怎么让一栋建筑、一条管线、一座城市，被机器以厘米级的精度理解、计算和推演。中间行业换了几个热词，BIM、数字孪生、空间智能、世界模型，飞渡做的事情没换过。

我不担心“数字孪生”这个词过时。我担心的是行业把它做浅了，让外界以为它就是一块三维大屏。2019年数字孪生最热的时候，大量公司涌入做快速交付、浅层展示，做一个漂亮的三维城市模型，接几个传感器上屏，就能交项目。

我们动摇过，但后来想明白一件事：如果终点是世界模型，那些好看的盆景只是沿途风景。飞渡选择继续往下挖——底层引擎、数据治理、标准制定、国产化适配。别人造盆景，我们修地基。地基不好看，但没有地基，上面长不出真东西。

刘湘明：数字孪生这个词在行业里已经被用了很多年，但大量项目最终只交付了一块三维大屏，能看不能用。现在行业又提空间智能和世界模型，很多人觉得这就是换了个说法。飞渡怎么回应这种质疑？

何文武：这个质疑是对的。行业里确实有大量项目把数字孪生做浅了，做成了一套展示系统。但问题不在数字孪生这个概念本身，在于那些项目没有做到底。飞渡做的数字孪生，和“三维大屏”之间的区别，可以用三个问题来判断。

第一，它是否包含真实数据。如果只是把建筑外观建一个漂亮的模型，那不叫数字孪生，叫三维效果图。飞渡从无人机倾斜摄影里提取真实地形，从BIM模型里读取钢筋直径和混凝土标号，从IoT传感器里接入实时水位和流量。数据是真的，场景才是可计算的。

第二，它是否理解对象关系。一栋建筑，简单展示只需要知道它长什么样。但要支持智能决策，机器还需要知道它的结构、材料、承载能力、消防通道是否合规，以及周围环境变化会带来什么影响。

第三，它是否能进行计算和推演。一场暴雨来了，系统能不能算出30分钟后哪里积水、哪个区域风险最高、排水系统能不能扛住。

所以我们的判断是：数字孪生不是世界模型的竞争者，而是世界模型走向真实世界的重要基础。跳过真实数据、物理规律和可验证性去谈世界模型，大概率是在制造幻象。

刘湘明：谈到暴雨，最近大家都在关注吉隆口岸的情况，像这种惨剧，空间模型是否有能力去预测并作出防范？

何文武：是的。像这种惨剧，如果给空间模型足够的实时数据，就能够及时监测到地表的形变，可以推演出来什么时候会发生泥石流，这样就可以提前进行防范，避免悲剧的发生。

刘湘明：我们看到李飞飞团队此前发布的判断是，空间智能还处在“三岁小孩”的早期阶段，甚至有人质疑这些模型连一个三岁孩子面对冰淇淋时的判断都做不到，小孩子很容易就能学会先观察环境还是先伸手。但我们了解到，您的联合创始人8月在一次内部场合的说法是，飞渡自己已经“16岁”了，年底能把场景决策正确率做到85%。同一个赛道，一边说是三岁小孩，一边说自己已经16岁，这个成熟度判断差这么多，谁更接近真实情况？你们判断技术成熟度用的是什么标尺，跟李飞飞团队的维度有什么不一样？您怎么看？

何文武：这个质疑问到了关键。语言模型只是真实世界的一小部分符号表征。杨立昆说得很透彻：语言有强统计规律，是低维、离散的空间，是对现实的间接描述，不是现实本身。一篇关于重力的论文写得再好，也没法让机器理解苹果落地时的加速度。一个四岁孩子醒着的一万六千个小时里，通过视觉接收的数据量和今天最大语言模型的训练文本量相当，但这个孩子不仅看到了世界，还理解了重力、惯性、碰撞——这些物理直觉，永远无法从文字中习得。

所以我们认为，语言模型扩展的是AI处理符号信息的能力，空间智能扩展的是AI理解和驾驭物理世界的能力。语言模型让AI理解知识，空间智能让AI理解它所在的世界。

这十年来，飞渡积累了海量的物理世界真实数据，用这些数据训练模型，2024年我们第一次发布空间模型，并在青岛和合肥进行了验证，在海外也已经得到了充分的验证。目前，对于真实物理世界的数据，我们生成、重建、理解的准确率达到了85%左右。我认为，在达到70%的时候，就可以被视为“ChatGPT时刻”，如果能够达到85%-90%，商业化的落地应该是快来了。

刘湘明：两周前，李飞飞的World Labs发布Atlas，基于四模态原生预训练，高画质、从照片完成三维重建，World Labs估值超过了50亿美元。有人说，世界模型的定义权不在中国公司手里。您怎么评价Atlas？飞渡凭什么说话？

何文武：Atlas是了不起的工程成就，它证明的就是我们一直讲的判断，世界模型的竞争，上半场是生成，下半场是理解、推演和决策。

我对李飞飞教授充满敬意。她自己把世界模型分为渲染器、模拟器、规划器三类，并说最关键的是模拟器。按这个框架看，Atlas是出色的渲染器加重建器，从几张照片就能够重建一个几何可信的世界，重建精度超过专用模型，这是真功夫，我们很敬佩她，也努力学习和追赶。

但是我们要注意，生成一个世界的画面，和理解一个正在运行的世界，是两种不同的能力。Atlas能重建一座大坝的外观，我们的客户每天问的是，上游正在下雨，三小时后洪峰到哪里，哪一扇闸门该现在开。这需要模型接得住实时数据、推得演物理过程、经得起结果检验，我们叫可交互、可推演、可检验。缺了任何一项，世界模型都会退化成一个很贵的生成器。物理仿真、策略训练不在模型内部，而在另一条Real-to-Sim-to-Real管线里，李教授自己也清楚，最难的一环还没装进模型。

飞渡要做到的是让模型在真实的流域、真实的机场、真实的城市里跑起来，为真实的决策负责。我们这么讲的底气首先来自于数据。飞渡干了十多年，平台接入一百多种异构数据、PB级工程数据，客户项目在每个汛期都被真实洪水检验。这种数据，从互联网上爬不下来，靠生成也生不出来。所以面对Atlas，我们不是焦虑，是欢迎，欢迎学术界从0到1的突破，我们从1到10到100的在工程上，在真实世界去落地。

刘湘明：我们在网上看到很多视频里面展示的另一条路线，看起来更硬核啊，干脆绕开三维建模，直接在物理世界做训练，机器人真机训练、遥操作数据采集工厂。他们的逻辑很直白：仿真再真也是假的。您怎么回应？飞渡的仿真环境，会不会被真机数据证伪？

何文武：这个质疑是对的，但只对了一半。

先说对的。物理交互数据确实是这个世界上最稀缺的资产，飞渡自己就是靠十多年真实工程数据起家的。但这条路线有一个物理约束，真机采集的速度是有限的，最有训练价值的场景更是现实不允许试错的，山洪、台风、危化品泄漏，不可能让机器人在这种场景里面训练一万次再去执行任务。英伟达披露过，其平台机器人预训练数据大约85%来自仿真。真机数据可以做最后一公里的校准，规模化预训练需要仿真的世界。

所以问题不在于真数据还是假数据，而在于仿真世界的质量。仿真到真实之间差的是物理规律准不准、空间关系对不对、推演结果能不能被真实世界验证。

我们过去这些年每天都在做的事，就是挂接真实数据，甚至实时数据，预报结果让真实的反馈打分。这样的世界，才有资格给机器人当训练场。Palantir不生成那些酷炫的画面，他们在把AI接进真实决策回路。

谁占据决策回路，谁就能站住一个别人进不来的位置。

所以我的回答是，真机路线和仿真路线不是对手，是上下游。在物理上可信、结果可检验、策略可调用的训练世界，必须由真正理解真实世界运行规律的人来建。我们已经在这个位置上站了十年，我们要继续站在这里努力下去。

我们不打算幻想一个世界，我们有能力幻想，但是我们更想让AI理解三维空间，理解一个已经存在、正在运行的真实世界。

刘湘明：一个更直接的问题：如果未来OpenAI、Google、NVIDIA这些公司进一步进入世界模型领域，飞渡这种专注空间智能的企业，会不会被基础模型直接替代掉？

何文武：这个问题的本质，是基础模型和产业能力的关系。未来AI一定会分层：基础模型解决通用智能，但不会自动变成防洪或机场调度系统。

我们看一个现成的参照物。Palantir从不训练基础模型，但是它拿走了行业最贵的定价，它把客户的业务规则和工作流编译成可计算的本体，接进真实的决策回路；用得越久，编译越深，迁出成本就越高。模型能力可以采购，但行业数据和业务闭环沉淀出来的决策回路，买不来。OpenAI、Anthropic都在效仿它的部署模式，说明瓶颈不在模型，而在模型到产业价值的翻译层。

涉及空间智能的推理决策也是一样的，通用模型给我们推理内核，但城市怎么防洪、机场怎么调度，靠的是长期积累的真实空间数据和工程经验，飞渡多年积累的就是这一层。未来不是基础模型替代行业能力，而是两者共同形成产业智能，飞渡就是连接两者的空间智能底座。

刘湘明：现在AI的Demo越来越惊艳，生成的图片、视频、三维场景越来越逼真。但企业采购时真正在意的是可靠性。怎么判断一个空间智能系统是能进生产环境的“真家伙”，而不是一段漂亮的技术演示？

何文武：我举一个我们在中东项目的例子来说明。飞渡此前打败不少国际巨头，中标了一个阿联酋的国家级空间智能平台——POP平台。其中有一个案例很契合解释这个问题。因为中东很热，阿布扎比要打造宜居城市，它们对宜居城市的判断有八百多张表格，我们用AI把这八百多张表格学会，同时去用我们的模式建模，回答一句话，就要判断出这个地区，这个小区域是否宜居，如果不宜居，是因为缺少一个公园，就要生成一个公园，所有的这些都要和当时的物理场景、高楼大厦、交通等能够匹配，这就是我们的模型能做到的事，就是走到真实的物理世界中去，辅助真实的市政管理决策。

在这里，我们也发现了巨大的机会。其实，客户原来的数字化系统也很发达，但那是给人用的，给人去管理的。我们中标后进行了汇报，在那里，他们也相应出台了一些政策，要求到2030年要基于AI去做市政管理。这就是我们的机会：原来的信息化都是给人用的，未来的信息化一半是给人用的，还有一半是给AI用的，这会带来巨大的商业机会。

刘湘明：能不能总结一下，我们如何判断一个工业级的空间智能是否合格？有哪些要点？

何文武：工业场景和消费场景最大的区别，是容错空间不同。消费产品可以追求惊喜，工业系统必须追求可靠。我们判断一个工业级空间智能系统，就看三条。

第一，可计算。模型里的对象不是“看起来像一栋楼”，而是知道它的位置、结构、材料、功能，以及和周围环境的关系。第二，可验证。模型输出的结果必须能被真实数据检验。一个洪水预测模型不能只生成一段好看的水流动画，它得经得起历史数据和实际环境的对照。第三，可决策。最终输出必须能支撑一个具体的业务选择——航线要不要调、资源要不要提前配、运行策略要不要改。

这三条标准，说到底是同一件事：技术演示证明能力存在，产业底座证明业务离不开。

刘湘明：很多基础技术在采购时都会遇到同一个问题：行业认可长期价值，但客户会问“为什么现在就需要”。空间智能怎么证明自己不是一个未来概念，而是今天就能创造价值？

何文武：最终必须落到一个问题：它给客户带来的真正价值是什么？举一个具体的例子：水利行业。客户真正需要的不是看到洪水蔓延的动画，而是提前知道洪水可能走哪条路、哪个村需要先撤、闸门应该怎么调。空间智能的价值，就是让客户拿到一个更早、更准、可验证的决策建议。客户买单的从来不是一个模型，而是一个更早、更准的业务决定。

刘湘明：空间智能涉及的环节很多：芯片、算力、基础模型、机器人、无人机、行业软件、系统集成。飞渡提出做空间智能底座，具体来说做什么、不做什么？

何文武：我们不做机器人本体，不做算力芯片，也不做替代客户业务系统的行业软件。飞渡聚焦解决一个问题：机器如何理解真实的物理世界，如果解决了这个技术，比如说今后模型理解物理世界的精确度达到95%，就能把地球AI化，融入摄像头和各类卫星数据后，就能进而把地球API化，这样迭代积累下来，整个地球，包括它所在的空间就是一个模拟器，这就是我们要做的真实的物理世界的AGI。目前，我们在香港已经在着手做城市智能体，在阿布扎比也有成果要开始交付了，大家敬请期待。

刘湘明：最后一个问题。如果五年后回头看，您希望飞渡被如何定义？

何文武：我希望有人问起“谁让物理世界变得可计算、可推演、可决策”时，答案是飞渡。但这个定义不由今天说了算，也不由发布会说了算。它取决于飞渡能不能进入真实生产系统，持续接入真实数据，遵守物理规律和行业规则，最终改变一个业务决策。语言大模型让AI会说话，空间大模型让AI会行动。飞渡想做的，是那个让AI在物理世界里想清楚、算明白、能出招、能执行的基础设施。这条路我们走了十年，现在才刚到最有意思的地方。（本文首发于钛媒体APP，文｜飞向TAI空，作者｜胡珈萌，编辑｜盖虹达）