企业官网建设流程全解析

在 2026 年 ICLR（国际学习表征会议）的舞台上，斯坦福大学李飞飞团队与西北大学李曼玲玲团队联手，针对具身智能长期困局 ——空间认知薄弱、数据效率低下、人机交互脱节，发布六项重磅研究，从基准构建、数据生成、推理优化三大维度形成闭环。当我们拆解技术表象，会发现每一项突破背后，都悬而未决着关乎智能本质的深层追问：我们为模型构建的 “空间信念”，究竟是在模拟人类的认知逻辑，还是在拟合训练数据的分布？所谓的 “世界模型”，捕捉的是物理世界的底层规律，还是海量数据中的统计惯性？当多模态模型声称 “理解” 了空间，它是真的看见了三维世界，还是在用语言的先验知识反哺、甚至扭曲视觉信息？今天，我们以空间为核心线索，循着问题驱动的认知路径，深度拆解这篇 ICLR 2026 的核心论文《Theory of Space》。

第一阶 元问题追问：我们到底在讨论「空间」的什么本质？

核心问题：为什么被动的空间推理，永远无法替代主动的空间认知？

在展开理论之前，我们必须先锚定「空间」的 3 个不可回避的本质属性 —— 这也是整篇论文的立论根基，所有的框架、方法、发现由此生发：

空间的本质是「部分可观测」的：真实物理空间中，没有任何智能体可以一次性获得全局完整观测，墙后、门外、视野盲区的空间结构永远是隐状态，你必须通过行动才能让不可见变为可见。

空间的认知是「具身依赖」的：认知科学经典的「主动 - 被动空间学习实验」（Held & Hein, 1963）早已证明：哪怕接收完全相同的视觉信息，主动移动的个体对空间的理解，远优于被动接收信息的个体 —— 空间认知不是对画面的处理，而是对「行动 - 观测」因果链的建模。

空间的表征是「信念驱动」的：你对空间的所有判断，都基于你脑海中那张看不见的「认知地图」，而非眼前的瞬时画面。你能闭着眼睛从客厅走到卧室，不是因为你看到了路，而是因为你相信空间的结构是稳定的、可预测的。

基于这三个本质，论文抛出了整个工作的元问题：

当前的多模态基础模型，已经在被动空间推理任务上表现出色，但它们能否在部分可观测的环境中，通过自主的、目标驱动的探索，构建、维护、修正并利用一套连贯的内部空间信念？

这个问题直接击穿了此前所有空间智能评测的核心缺陷：

被动推理 benchmark（如单图 / 多图空间问答）：把空间变成了开卷考试，完全规避了「部分可观测」这个空间的核心属性；

任务驱动的具身 benchmark（如导航、指令跟随）：把空间探索变成了完成特定目标的手段，无法衡量模型是否真的构建了通用的空间认知，还是只是学会了任务特定的捷径。

而《Theory of Space》（后文简称 ToS）的核心突破，就是把「空间」从一个推理任务的场景，变成了智能体需要主动建模的隐状态对象—— 就像心智理论（Theory of Mind, ToM）建模他人不可见的心理状态，ToS 建模世界不可见的空间结构。

第二阶 理论框架：以空间信念为核心，定义可形式化的空间能力体系

核心问题：如果空间认知的核心是「内在空间信念」，我们该如何用一套严谨的框架，定义、拆解并形式化这套能力？

论文以「空间信念的全生命周期」为线索，给出了 ToS 的严格定义与形式化框架，彻底把模糊的「空间感」变成了可拆解、可测量的科学问题。

2.1 核心定义：什么是「空间理论（Theory of Space）」？

ToS 的正式定义是：

具身智能体通过自主主动探索，从时序性的、局部的观测中，构建、动态修正、并利用内部空间信念的能力。

其中，内部空间信念是核心载体：它是智能体在工作记忆中维护的、关于空间布局与物体空间关系的心智模型，对应神经科学中经典的「认知地图」（Tolman, 1948）。

论文在部分可观测马尔可夫决策过程（POMDP）的框架下，对 ToS 做了形式化：

设真实空间结构为S，智能体与空间交互的时序历史为

智能体的内部空间信念，是对真实空间结构的后验概率近似：

ToS 的能力，就是对这个概率信念进行三大核心操作的能力，而这三大操作恰好对应了空间信念从无到有、从静态到动态、从内隐到可用的完整生命周期。

2.2 三大核心能力：空间信念的全生命周期闭环

以「空间」为线索，三大能力形成了完全闭环的逻辑链条，没有任何一环可以脱离空间的本质属性：

2.3 理论对标：ToS 与 ToM 的镜像关系 —— 空间信念的「错误信念范式」

这里是论文最核心的理论创新之一：它完全复刻了发展心理学中心智理论（ToM）的经典评测逻辑，为空间认知引入了错误信念范式。

• ToM 核心评测是「莎莉 - 安妮任务」：看孩子能否理解他人持有错误的信念，核心是区分「自己知道的事实」和「他人的信念」；

• ToS 核心评测是「空间错误信念任务」：看模型能否区分「自己之前构建的旧信念」和「空间变化后的新事实」，核心是衡量信念修正能力。

这个设计直接把空间认知从「工程问题」提升到了「认知科学问题」，也让 ToS 框架有了跨学科的严谨性。

第三阶 方法范式：如何把「黑箱的空间信念」变成可测量、可诊断的科学对象？

核心问题：空间信念藏在模型的黑箱里，我们该如何把它显性化，同时精准定位模型在空间认知中的失效环节？

论文以「空间信念的全流程测量」为线索，设计了一套完整的评测范式，核心解决两个问题：① 如何还原真实空间的部分可观测性，让模型做真正的主动探索；② 如何打开黑箱，直接测量模型的内在空间信念，而不只是看最终任务的对错。

3.1 环境设计：还原空间的本质属性，双模态拆解失效根源

为了精准定位模型的失效是来自「空间感知」还是「空间推理」，论文构建了文本、视觉双平行环境，二者共享完全一致的空间布局，唯一区别是观测模态：

文本世界：隔离纯空间推理能力。每次观测返回符号化的空间信息（如「椅子在左前方，中等距离」），没有视觉感知噪声，直接测试模型对空间关系的建模、整合与推理能力；

视觉世界：还原真实具身场景。每次观测返回第一人称 RGB 图像，模型必须先从图像中提取物体、方向、距离等空间信息，再进行推理，完整覆盖「感知→表征→信念→推理」的全链路。

同时，环境严格遵循空间的真实约束：

动作空间聚焦高层空间决策，而非底层电机控制：仅保留Goto（移动到可见物体）、Rotate（原地旋转）、Observe（观测当前视野）、Query（查询物体坐标），并给不同动作设置成本，倒逼模型做高效探索；

空间布局为程序化生成的多房间网格结构，严格控制房间数量、物体密度，保证实验的可重复性与可扩展性；

观测严格遵循 90° 视野约束，只有当前视野内的物体可被观测，完美还原空间的「部分可观测性」。

3.2 评测体系的三大核心支柱：以空间信念为核心的全链路测量

论文彻底抛弃了「只看最终任务准确率」的传统评测逻辑，设计了三大支柱，完整覆盖空间信念的构建、修正、利用全流程：

支柱 1：任务无关的主动探索 —— 从「被动答题者」到「主动探索者」

这是 ToS 范式和传统 benchmark 的核心区别：

• 模型的核心目标不是完成某个特定任务，而是通过自主选择行动，以最小的成本构建最完整、最准确的空间信念；

• 模型必须自主决定「下一步看哪里、去哪里」，自主决定「什么时候探索足够了，可以终止」；

• 核心衡量指标是探索效率：用归一化信息增益衡量每步行动能降低多少空间不确定性，用步数衡量探索成本。

为了隔离「探索能力」和「推理能力」，论文还设计了两个脚本化的代理智能体（Proxy Agent）作为黄金基线：

• SCOUT 代理：用于视觉环境，采用「旋转扫描 - 逐个房间遍历」的策略，9 步即可完成全环境覆盖，是最优的无先验探索策略；

• STRATEGIST 代理：用于文本环境，基于 AC-3约束传播算法，主动选择最大程度降低物体位置不确定性的视角，是最优信念驱动探索策略。

支柱 2：信念利用评估 —— 双维度衡量空间信念的可用性

论文基于空间认知发展理论，把空间信念的利用拆分为两个层级，完整覆盖从低级到高级的空间推理能力：

路径信念（Route Belief）：以自我为中心（egocentric）的路径级空间理解，对应人类导航时的「沿路标走」的能力，包括成对空间关系判断、视角转换、动作 - 视图预测等任务；

全局测绘信念（Survey Belief）：以环境为中心（allocentric）的地图级空间理解，对应人类「脑海里有张鸟瞰图」的能力，包括全局坐标预测、心理旋转、视图 - 位置定位等任务。

这两个维度的设计，精准区分了模型是只会「记住走过的路」，还是真的构建了全局一致的空间认知地图。

支柱 3：核心创新 —— 空间信念探针（Belief Probing）

这是整篇论文最具突破性的方法设计：它不再把模型的空间信念当成黑箱，而是在探索的每一步，都让模型把内在的认知地图显性化输出，直接测量信念的质量、稳定性与不确定性。

论文设计了两类互补的信念探针，完整覆盖「已知的空间」和「未知的空间」：

认知地图探针（Cognitive Map Probing）：测量模型对已观测空间的信念质量

不确定性地图探针（Uncertainty Map Probing）：测量模型对未观测空间的不确定性建模能力

3.3 信念修正的专属评测：空间错误信念范式

论文复刻 ToM 的错误信念任务，设计了专门的动态环境实验：

1. 先让模型完成初始探索，构建完整的空间信念；

2. 在模型不知情的情况下，秘密移动 / 旋转 4 个物体，改变空间结构；

3. 让模型重新探索环境，测试它能否发现变化、识别变化的物体、并更新自己的认知地图。

论文还专门定义了信念惯性（Belief Inertia）指标，量化模型是否会被过时的先验信念带偏 —— 哪怕看到了新的证据，依然坚持旧的空间坐标 / 朝向，这是衡量空间信念动态修正能力的核心指标。

第四阶 核心发现：SOTA 基础模型的空间认知，到底在哪里系统性失效？

核心问题：基于 ToS 框架的全链路诊断，当前顶尖模型的空间能力，到底处于什么水平？哪些环节是无法绕过的核心瓶颈？

论文对 GPT-5.2、Gemini-3 Pro、Claude-4.5 Sonnet、GLM-4.6V、Qwen3-VL 等主流 SOTA 模型做了全面评测，所有发现都紧扣「空间信念的全生命周期」线索，从探索、构建、稳定性、修正四个维度，给出了精准的诊断结论。

4.1 核心瓶颈 1：主动 - 被动鸿沟 —— 主动探索是空间认知的第一卡点

论文最核心的实证发现：所有模型在主动探索场景下的性能，都显著低于被动推理场景，且环境越复杂，鸿沟越大。

核心数据：视觉环境下，GPT-5.2 被动推理平均准确率 57.1%，主动探索直接掉到 46.0%；Gemini-3 Pro 从 60.5% 掉到 57.3%；文本环境下，GPT-5.2 被动准确率 90.4%，主动探索仅 72.0%；

底层原因：模型无法有效建模空间不确定性，不知道「哪里最该去看」。GPT-5.2 采用「见门就进」的无策略探索，经常遗漏当前房间的物体，路径高度冗余；Gemini-3 Pro 虽然采用了更系统的「旋转扫描」策略，更接近 SCOUT 代理，但依然达不到最优探索效率；

关键结论：哪怕模型拥有极强的空间推理能力（被动场景下的高性能），如果无法自主高效地获取信息，依然无法构建可靠的空间信念 —— 这就像一个拥有超强记忆力的人，却不会规划路线，永远画不出完整的地图。

4.2 核心瓶颈 2：模态鸿沟 —— 视觉空间认知的感知 - 表征耦合失效

论文通过双环境对比，发现了极其显著的模态差距：所有模型在文本世界的性能，都碾压视觉世界，且差距在信念构建、稳定性、修正全环节普遍存在。

核心数据：认知地图探针显示，文本环境下 GPT-5.2 的位置准确率 91.0%，朝向准确率 75.1%；而视觉环境下，位置准确率仅 20.2%，朝向准确率 42.0%；Gemini-3 Pro 在文本环境位置准确率 92.5%，视觉环境仅 32.2%；

底层原因：视觉空间认知存在双重瓶颈：① 初级感知瓶颈：模型很难从第一人称图像中精准提取物体的朝向、距离、相对位置等空间信息，尤其是物体朝向的识别，接近随机水平；② 感知 - 表征耦合瓶颈：模型无法把瞬时的视觉观测，稳定地整合到全局的 allocentric 认知地图中，局部观测和全局信念经常出现矛盾。

4.3 核心瓶颈 3：信念不稳定性 —— 空间记忆的时序衰减与漂移

通过认知地图探针的时序追踪，论文发现了一个被传统评测完全忽略的关键问题：模型的空间信念是高度不稳定的，哪怕一开始正确感知到的空间信息，也会在后续探索中被错误覆盖，出现「越看越错」的信念漂移。

• 核心数据：视觉环境下，GPT-5.2 的信念稳定性仅 56.4%，Gemini-3 Pro 仅 61.8%；而文本环境下，二者的稳定性分别达到 86.0% 和 84.8%；

• 底层原因：模型缺乏稳定的空间记忆维护机制，新的观测会无差别地覆盖旧的记忆，无法区分「经过验证的确定事实」和「新的观测证据」，导致全局认知地图的精度随着探索步数增加反而下降；

• 关键结论：传统评测只看最终的地图精度，却忽略了时序稳定性 —— 而真实世界的具身导航，恰恰需要长期稳定的空间信念，这是当前模型的核心短板。

4.4 核心瓶颈 4：信念惯性 —— 空间先验的修正机制完全失效

通过空间错误信念范式，论文发现了当前模型空间认知最致命的缺陷：模型存在极强的空间信念惯性，尤其是视觉模态下，哪怕直接观测到了空间的变化，也无法覆盖过时的先验信念。

• 核心数据：文本环境下，GPT-5.2 的位置信念惯性仅 5.5%，朝向 12.5%；而视觉环境下，位置信念惯性飙升至 68.9%，朝向 34.7%；Gemini-3 Pro 视觉环境下的位置信念惯性也高达 51.1%；

• 底层原因：模型的空间信念一旦形成，就会产生极强的先验偏见，无法有效检测「新观测」和「旧信念」之间的冲突，更无法用新的证据更新全局地图；尤其是视觉模态下，模型对物体朝向的记忆几乎是固化的，哪怕看到了物体转了方向，依然坚持初始的朝向判断；

• 关键结论：当前模型的空间认知，本质上是「一次性的静态建图」，而真实世界的空间是动态变化的 —— 家具会移动、门会开关、路会被堵，无法动态修正信念的空间认知，在真实具身场景中完全不可用。

第五阶 核心意义与未来：ToS 到底重构了什么？

核心问题：这套以空间为核心的理论框架，到底给具身智能、基础模型的发展，带来了哪些底层范式的变革？

5.1 学术意义：重构了空间智能的评测范式

ToS 彻底打破了此前空间智能评测的两大误区：

打破了「被动推理 = 空间认知」的误区：把空间智能的核心，从「对给定信息的推理」，拉回到了「对未知空间的主动探索」，回归了空间的本质属性；

打破了「任务成功 = 认知正确」的误区：用信念探针直接打开模型的黑箱，从「看结果」变成了「看过程」，可以精准定位模型的失效环节，而不是只给出一个笼统的准确率。

同时，它为具身智能的「世界模型」提供了一套可定义、可测量、可优化的具体框架 —— 世界模型最核心的组件，就是对空间结构的建模，而 ToS 把这个模糊的概念，变成了可落地的科研范式。

5.2 产业意义：指明了下一代具身 AI 的核心优化方向

当前的机器人、自动驾驶、具身 Agent，最大的落地瓶颈之一，就是在未知、动态环境中的空间认知能力 —— 而 ToS 的诊断结论，直接给出了明确的优化路径：

必须为基础模型设计不确定性感知的主动探索策略，让模型学会「知道自己不知道什么」，并主动选择能最大程度降低不确定性的行动；

必须解决视觉空间的感知 - 表征解耦问题，让模型能从第一人称视觉中，稳定提取并整合空间信息，构建全局一致的认知地图；

必须为模型设计稳定的空间记忆维护与更新机制，解决信念漂移和信念惯性问题，让模型能在长时序探索中保持信念稳定，同时能根据环境变化动态修正信念。

5.3 终极追问：空间认知，是通用人工智能的必经之路吗？

论文的结尾，留下了一个最值得深思的问题：人类的高级认知能力，很大程度上是在与物理空间的交互中演化而来的 —— 我们的抽象推理、因果建模、心智理论，都根植于我们对空间的理解。那么，对于通用人工智能而言，真正的空间认知能力，是不是从「被动处理信息的语言模型」，走向「主动与世界交互的具身智能」的必经之路？

回答是肯定的，空间认知是AGI的必经之路，而《Theory of Space》这篇论文，恰恰为这个问题的回答，提供了第一套严谨的、可量化的、可迭代的理论与实验框架。

全文核心线索复盘

整篇论文的逻辑，完全以「空间」为核心线索：

从空间的本质属性（部分可观测、具身依赖、信念驱动）出发，提出终极元问题；

以空间信念的全生命周期为核心，构建了「构建 - 修正 - 利用」的理论框架；

以空间信念的显性化测量为目标，设计了「主动探索 - 信念利用 - 信念探针」的方法范式；

以空间信念的全链路诊断为核心，发现了当前模型的四大系统性瓶颈；

最终回归空间认知在通用智能中的核心地位，重构了具身智能的评测与发展范式。

这篇Theory of Space最大突破在于它打破了将具身智能等同于 “视觉识别” 或 “导航工程” 的窄化认知，完成了从 “拟合数据” 到 “构建世界”的范式升级。它不再将空间智能仅仅视为处理图像的能力，而是将其升维为构建内在 “认知地图” 与维护 “空间信念” 的因果推理能力—— 标志着具身智能从被动的 “统计学习”，进化为能主动探索、理解并适应动态环境的 “世界建模”。

更关键的是，它通过“空间错误信念”等颠覆性设计，揭示了当前模型本质上是 “静态的一次性建图”，而非真正具备时序稳定性与动态修正能力的智能体。

这一框架重构了我们对具身智能的理解：真正的空间智能，不是从图像中提取像素特征，而是能否像人类一样，在部分可观测的世界中，通过主动行动消除不确定性、生成连贯的内在模型，并以此驱动下游决策。这是一次从 “算法优化” 到 “认知本质” 的世界观级跨越。