空间智能需要什么数据？对话港城大马辰

Ever tried. Ever failed. No matter. Try again. Fail again. Fail better. 这是马辰最喜欢的一句话。

从GPT-6用Blender做三维建模，到AI短剧占据屏幕时间，再到机器人走进真实场景，这些应用指向共同的能力要求：理解物体在哪里、彼此如何关联、状态怎样随时间变化，以及行动可能带来什么结果。基础模型需要将有限、零散且不断变化的观测整合为连贯、可更新的空间理解，并据此推理、预测与决策。这是空间智能的核心命题，也是连接多模态理解、内容生成与物理交互的能力基础。

香港城市大学计算机科学系副教授、Data Intelligence Lab负责人马辰，长期研究数据挖掘、数据驱动AI与数据价值。今年他多了一项新职责：负责映界科技数据方向的预研工作。在他看来，基模空间智能的瓶颈不只在架构，更在数据层：什么数据对任务真正有用、如何评测模型是否理解空间、评测结果如何反哺训练。这正是映界探索的方向——从多模态采集、空间结构化，到模型空间智能评测与后训练环境。过去几个月，映界已连续完成两轮种子轮融资，总计数千万元。

回忆起合作起点，马辰说几乎没有犹豫。一顿火锅之后，他答应了创始人金依力的邀请。当时映界成立仅数月，方向是空间智能的数据与训练层。团队此前积累了空间感知、动态三维表征和多模态采集经验，想延伸到动态空间数据、模型评测和训练基础设施。吸引马辰的是一个具体问题：当基础模型进入真实世界，什么样的数据才能提升空间智能？公司要做的不仅是采集更多数据，更要判断哪些数据对模型有用、怎么评测、评测完怎么反哺训练。马辰的研究正好卡在这条链路中最容易被忽略却决定数据价值的一环。

两人关系比创业更早。2021年，经一位同样出自Steve Liu门下的教授介绍，金依力曾线上向马辰请教图神经网络问题。后来金依力赴麦吉尔大学与Mila攻读联培博士，师从马辰的博士导师Steve Liu教授，两人成为同门师兄弟。2024年金依力赴香港访问，两人第一次线下见面。马辰当时印象是“一个很乖的学生”，如今评价是“非常全面的创业者”。面对00后团队，90后的马辰戏称“小天才搭配老伙计”。年轻团队有活力和执行力，他更多参与研究方向把控，技术问题“谁对听谁的”。更吸引他的是工业界贴近实际的问题——学术问题常经精心裁剪，公司则要面对数据噪声、效率和工程约束，更“dirty”、更hands-on。“你一定要去做，做了之后才有feedback，再去调整再去做。”

马辰长期研究数据与模型的关系。数据并非越多越好，不同样本对模型作用不同，关键在于是否帮助模型完成目标任务。真实场景采集会产生连续视频、深度信息和其他传感器数据，其中有重复和噪声，也有关键但稀少的状态变化。对一个任务有价值的数据，对另一个任务未必有用。“数据的价值，可能是对任务的增益来决定的。”空间数据治理不能停在去重、清洗和标注，更关键的是建立任务关联：数据覆盖哪些场景和状态？能否支持模型提升特定能力？加入样本后模型有无可测量改善？但通用“好数据”指标仍然困难，数据价值与任务、模型和评测条件高度相关。现阶段常见办法是把数据放进模型或代理模型，观察其对目标任务的影响。数据选择更像闭环工作：先定义任务，再选择数据和评价指标，最后根据模型表现修正策略。

基础模型看过大量图像和视频，并不意味着自动拥有稳定全面的空间智能。二维画面是三维环境的投影，视频帧记录外观变化，却未必直接提供对象身份、几何位置、遮挡关系或状态变化。马辰举例：一个包裹从货架被拿走，途中被遮挡，之后在别处出现，模型需关联前后观测，判断是否同一对象，记录位置和状态变化；证据不足时应保留不确定性。这类问题要求系统超越单帧检测——单帧检测回答“这一刻看到了什么”，动态状态表示还要回答“它之前在哪里、发生了什么、现在能否确认”。跨视角、跨时间的身份关联和状态维护，是模型从视觉识别走向持续空间理解的关键。映界把空间信息拆成几何、对象、关系、记忆和不确定性，规划了从多模态采集、时空对齐、空间结构化到动态追踪和预测验证的处理链路。采集端装置结合深度与红外等信息，技术关键还包括统一时间戳和坐标系、跨帧保持对象身份、记录轨迹与状态变化并保留原始证据和数据来源。

数据整理好后，还要检验模型懂不懂空间。马辰团队正在做空间智能基准研究，希望形成评测不同模型空间智能能力的Benchmark。空间评测输入可能是单张图像、多视角照片、完整视频、实时视频流、三维传感器数据或可交互环境；任务可能是测量位置、跨视角关联对象、预测未来状态、主动获取证据甚至完成行动。只看输入模态或一个总分，容易把不同能力混为一谈。给模型完整视频后提问，和让视频逐步到达、要求边观察边更新记忆，评估的并非同一件事。允许模型移动相机获取新视角，评测就从被动推理扩展到主动观察和交互决策。因此模型答对一道空间问答题，不能单独证明它理解了真实空间。更有解释力的评测需明确：模型看到哪些信息？能否回看历史？是否允许交互？标准答案来自真实传感器还是仿真状态？最终分数对应几何精度、身份连续性、预测能力还是任务成功？真实场景也不天然等于可靠真值，传感器标定误差、三维重建偏差和人工标注都会影响参考答案；仿真便于控制复现