空间智能实战课 · 模块一：空间感知基础
课程定位：从零到落地，掌握3DGS+空间智能全栈能力 目标学员：开发者/研究生/转行AI的工程师 卖点：不讲理论废话，每个模块都有可跑的代码+可展示的成果
模块概览
| 模块名 | 空间感知基础（入门篇） |
| 学完你能做什么 | 用手机拍一圈照片，5分钟生成一个3D模型 |
| 课时 | 4节 |
| 难度 | 入门 |
| 交付物 | 学员自己的第一个3D点云模型 |
| 技术栈 | COLMAP + SfM |
1.1 空间智能全景图：这个赛道在发生什么
什么是空间智能
空间智能（Spatial Intelligence）是机器在3D空间和时间中感知、推理和行动的能力。斯坦福大学教授李飞飞将其定义为\”我们认知赖以建立的脚手架\”——人类天生就能感知三维结构、推理物体关系、在环境中导航并操纵物理实体，而让机器获得这种能力，是AI发展的下一个前沿。
2026年，空间智能正在成为AI发展的核心赛道。它让AI不仅能\”看懂\”二维图片，更能\”理解\”三维空间；不仅能\”描述\”世界，更能\”模拟\”和\”预测\”物理规律。李飞飞创立的World Labs已发布世界模型Marble，标志着空间智能从学术概念走向产业实践。
核心认知：空间智能不是单一技术，而是一个技术栈：底层是3D感知与重建（SfM/3DGS），中层是3D理解与推理（Spatial VLM），顶层是世界模型与具身智能。本课程将从底层开始，逐层带你打通整个技术栈。
技术演进：从2D到3D的四个阶段
第一阶段：2D感知时代（2012-2018） CNN驱动的图像分类、检测、分割。AI能\”看到\”像素，但不理解空间。代表作：AlexNet、ResNet、YOLO。这是二维平面上的智能。
第二阶段：3D重建探索期（2018-2022） 传统SfM/MVS方法成熟（COLMAP成为标杆），NeRF横空出世（2020年），用神经网络隐式表示3D场景。但NeRF训练慢、渲染慢，难以实用化。
第三阶段：3DGS爆发期（2023-2025） 3D Gaussian Splatting（2023年SIGGRAPH）用显式高斯球替代隐式神经网络，实现实时渲染，训练速度提升10倍以上。3DGS在渲染速度与质量上实现了对NeRF的代际超越，成为3D重建的核心基石。
第四阶段：空间智能生态期（2025-2026） 空间VLM（Spatial-MLLM）让大模型\”看懂\”3D场景；World Labs发布Marble世界模型；Holi-Spatial框架获ICML 2026 Oral，能从视频流自动构建3D空间智能数据。空间智能完成从学术到产业的跨越。
2026年空间智能技术栈地图
| 3D感知与采集 | 多视图图像、深度相机、LiDAR | 空间智能的数据入口 |
| 3D重建与表示 | SfM→稀疏点云→MVS→稠密点云→3DGS/NeRF | 从\”照片\”到\”3D模型\”的转换 |
| 3D理解与推理 | Spatial VLM、3D特征提取、空间关系推理 | 让AI\”看懂\”3D场景 |
| 3D内容生成 | 文本/图像→3D资产（DreamFusion、LGM） | 游戏、电商、影视的3D资产生成 |
| 具身智能与导航 | 仿真环境 + 3DGS-SLAM | 机器人在真实3D世界中移动和操作 |
| 世界模型 | Sora、Marble | AI对物理世界的内部模拟 |
商业应用场景
| 房地产3D看房 | SfM + 3DGS | 已商用 | ★★★★★ |
| 无人机测绘 | 航拍 + COLMAP + MVS | 成熟 | ★★★★★ |
| 电商3D商品展示 | 单图→3DGS（LGM） | 快速增长 | ★★★★☆ |
| 文旅/景区数字化 | 无人机 + 3DGS + Web渲染 | 已商用 | ★★★★☆ |
| 游戏/影视资产生成 | 文本→3D + 4D生成 | 探索期 | ★★★☆☆ |
| 工程验收 | 无人机 + BIM对比 | 已商用 | ★★★★☆ |
| 具身导航/机器人 | 3DGS-SLAM + VLM | 研究前沿 | ★★★☆☆ |
学习建议：不需要被这么多技术吓到。本模块的终极目标只有一个：让你用手机拍100张照片，跑通COLMAP，生成你的第一个3D点云。所有高阶技术都建立在这个基础之上。先跑通，再深入。
1.2 相机模型与多视图几何（10分钟讲明白，不推公式）
针孔相机模型：3D世界如何变成2D照片
所有3D重建的起点，都来自一个最基本的问题：3D世界是如何变成2D照片的？ 理解了这个过程，你就能理解3D重建要做什么——把它反过来。
针孔相机的原理就是初中物理学的\”小孔成像\”。在这个模型中，3D世界中的一个点 P，通过相机光心（投影中心），投影到图像平面上的一个像素点 p。这个过程涉及三个坐标系：
1. 世界坐标系（World Coordinate System） 3D场景的真实坐标，通常以场景中某个固定点为原点。比如一栋建筑的角点。单位是米/厘米等物理单位。一个点的坐标记为 (X, Y, Z)。
2. 相机坐标系（Camera Coordinate System） 以相机光心为原点的坐标系。Z轴指向相机前方（拍摄方向），X轴向右，Y轴向下。世界坐标系到相机坐标系的转换通过**外参（Extrinsic Parameters）**完成：旋转 R + 平移 t。
3. 图像/像素坐标系（Image/Pixel Coordinate System） 照片上的2D像素坐标，原点通常在左上角，单位是像素。相机坐标系到图像坐标系的转换通过**内参（Intrinsic Parameters）**完成：焦距 f、主点 (cx, cy)。
一句话理解：外参告诉你\”相机在哪、朝哪个方向\”（位姿），内参告诉你\”相机的镜头是什么样的\”（光学参数）。SfM的核心任务，就是从多张照片反推每张照片的外参和内参，同时恢复出场景的3D结构。
投影公式（直觉版）：
# 针孔相机投影（直觉版）
u = fx * (X / Z) + cx
v = fy * (Y / Z) + cy
# 其中：
# fx, fy = 焦距（像素单位）
# cx, cy = 主点（通常接近图像中心）
# X/Z, Y/Z = 透视除法（远处的物体看起来更小）
关键直觉：除以Z就是透视投影。离相机越远的点（Z越大），在图像上越靠近中心、显得越小。这就是\”近大远小\”的数学本质。
从单张照片到多张照片：为什么要多视图
单张照片是一个3D场景的2D投影——深度信息丢失了。你无法
