英伟达与以色列团队联合研发，突破 AI 空间理解技术瓶颈

当 AI 学会 “看懂” 三维世界：一场跨越国界的技术革命
“请生成一张‘猫在桌子下方’的图片”—— 这个看似简单的指令，曾让最先进的 AI 图像生成模型屡屡出错：猫可能悬浮在桌面，或与桌子的空间关系完全错乱。这背后，是长期困扰 AI 领域的 “空间理解盲区”：传统模型如同生活在二维平面的 “扁片人”，无法真正感知三维世界的位置、距离与方位关系。如今，英伟达与以色列巴伊兰大学（BIU）的联合团队，用一项名为 “Learn-to-Steer” 的创新技术，为 AI 装上了 “立体感知系统”，彻底突破这一核心瓶颈。
瓶颈根源：AI 的 “维度错配” 困境
长期以来，AI 空间理解面临两大核心难题。其一，“感知割裂”：现有模型依赖二维图像与单声道音频输入，缺乏深度信息与空间定位能力，就像用一只眼睛看照片、一只耳朵听声音，无法构建真实的三维认知。其二，“语言捷径陷阱”：图像生成模型在处理空间指令时，往往通过捕捉语言痕迹（如 “上方”“左侧” 等词汇的文本关联）而非学习真实空间模式来生成内容，导致空间关系错乱率高达 56% 以上。
巴伊兰大学计算机科学教授、英伟达 AI 研究员 Gal Chechik 指出：“现代 AI 能创造惊艳的视觉效果，却在最基础的空间逻辑上犯低级错误。这不是模型能力不足，而是训练范式的根本缺陷 —— 它们从未真正‘理解’空间，只是在模仿数据中的关联。”
技术突破：不重构模型，只 “校准” 注意力
联合团队的创新之处，在于跳出了 “重新训练大模型” 的传统思维。“Learn-to-Steer” 技术无需修改现有 AI 模型架构，也无需海量标注数据，而是通过一种轻量级分类器，解码模型生成图像时的内部注意力图谱，引导其正确理解空间指令。
其核心原理包括两大创新：

• 注意力引导机制：分类器实时分析模型生成过程中的跨注意力映射，识别物体间的潜在空间关联，像 “隐形导航员” 一样修正模型的注意力分配 —— 当处理 “椅子在桌子右侧” 这类指令时，系统会强化两者的方位关联权重，避免位置错乱。
  

• 反偏见训练策略：通过在训练数据中混入 “错误空间描述” 的样本（如 “猫在桌子上方” 的文本搭配 “猫在桌子下方” 的图像），迫使模型放弃语言捷径，转而学习真实的视觉空间模式。
  

测试数据显示，该技术将 AI 空间指令执行准确率从传统模型的 35%-44% 提升至 89%，多物体空间关系误差降低 67%，且可无缝适配 Midjourney、Stable Diffusion 等主流生成模型，无需额外算力消耗。更关键的是，其端到端的协同架构避免了模块间信息损耗，使空间推理延迟控制在毫秒级，满足实时交互需求。
跨界赋能：从图像生成到产业革命
这场技术突破的影响远不止于图像创作。在机器人领域，具备精准空间理解能力的 AI 可使工业机械臂的抓取成功率提升 26.6%，家庭服务机器人能准确响应 “关掉客厅左侧灯光” 等空间指令；在自动驾驶领域，该技术与英伟达 Omniverse 物理引擎结合，可生成高保真三维场景，破解极端天气下的环境感知难题，使紧急制动误判率降低 37%；甚至在药物研发中，其空间建模能力可助力分子结构分析，加速新型药物设计进程。
“这是 AI 从‘被动处理信息’向‘主动理解物理世界’的关键一步。” 英伟达以色列 AI 研究中心负责人表示，该技术已在 WACV 2026 国际会议上提交成果，未来将通过 NVIDIA NIM 微服务向开发者开放，推动空间智能在更多领域落地。
未来：迈向 “具身智能” 的基石
此次合作并非孤例。近年来，英伟达持续深耕空间智能领域，从与谷歌联合开发 Newton 物理引擎，到如今与以色列团队攻克空间理解瓶颈，均指向同一目标：构建能与物理世界深度交互的 “具身 AI”。正如李飞飞团队在物理世界 AI 研究中强调的，空间智能是通用人工智能（AGI）的核心基石 —— 只有当 AI 真正理解三维空间的物理规律与因果关系，才能从 “专用工具” 进化为 “通用智能体”。
随着 “Learn-to-Steer” 技术的普及，AI 将彻底告别 “扁片人” 时代。当机器人能精准判断物体位置，自动驾驶汽车能洞察复杂路况，创作工具能完美还原空间想象，人类与 AI 的交互将变得更自然、更高效。这场跨越国界的技术突破，不仅破解了长期存在的行业瓶颈，更在虚拟智能与物理世界之间架起了一座关键桥梁。