让企业数字资产长出空间坐标是我今年被问到最多的话题之一。空间智能不再是学术论文里的概念也不是大厂发布会上的Demo而是一个正在被放进生产预算、写进年度规划的真实需求。2026年选空间智能平台跟五年前选数据中台很像——选对了后面两三年顺风顺水选错了团队、预算、业务信任全搭进去。这篇文章不整虚的我按最近一年跑企业项目的实际经验把平台选型这件事拆开说透。1. 空间智能平台到底是什么先定义清楚再选型很多企业负责人跟我聊的时候第一句话就是我们也想做空间智能但再往下问大家各自的理解差得很远。有人认为空间智能就是AR眼镜里的那套交互有人以为是给现有App加一个3D展厅入口还有人干脆觉得这就是数字孪生的换皮说法。这些理解都不能算错但都只摸到了大象的一条腿。如果不先把定义对齐选型很容易被厂商的宣传话术带着跑。1.1 空间智能不是AR/VR也不是单纯的大模型升级空间智能的核心是让计算机系统具备理解三维物理世界、感知空间关系、并在此基础上执行任务的能力。它跟AR/VR的关系是AR/VR是空间智能的一种呈现载体但不是空间智能本身。一个真正意义上的空间智能平台至少要能完成三件事第一对物理空间进行感知和建模包括视觉定位、空间映射、物体识别第二理解空间中的语义关系比如这个设备在这个房间的东北角或者这条巡检路线会经过三个阀门第三基于空间理解去驱动业务动作比如导航、路径规划、虚实叠加提示、机器人调度。如果拿大模型来做类比就更清楚了。语言大模型处理的是Token序列空间智能平台处理的是空间数据和三维结构。它不需要你给它写一句提示词它需要的是你把空间的点云、图像、传感器数据喂给它然后它输出一个带空间语义的结构化结果。2026年这一波空间智能热潮恰恰是把大模型对语义的理解能力跟传统视觉SLAM、三维重建的几何能力结合起来了所以能做的事情比五年前多了不止一个量级。1.2 企业级空间智能平台的四个核心能力在帮助企业做技术评估的时候我习惯把平台能力切成四块来打分也建议所有做选型的人先把这个框架搭起来再去谈具体产品。第一块是空间感知能力。包括视觉惯性里程计VIO的精度、多传感器融合能力摄像头、IMU、UWB、激光雷达、在弱纹理和光照变化环境下的鲁棒性。这一块决定的是你采集的数据靠不靠谱。第二块是空间数据管理能力。空间数据是大规模、非结构化、持续增长的它有坐标系、有时间戳、有精度信息跟普通业务数据的存储方式完全不一样。平台能不能高效存储、索引、检索、更新这些空间数据直接关系到后续所有应用的性能上限。第三块是空间应用开发能力。给开发者的SDK是不是完整、接口设计是否合理、有没有低代码或者可视化编辑的工具跨平台iOS、Android、Web、头显的兼容性如何。这个决定了你的开发团队要花多少人力去对接。第四块是空间AI能力。2026年的平台如果只是把空间数据采回来存起来那跟上个时代的GIS没什么区别。真正的差别在于平台有没有内置或者可插拔的空间AI模型比如零样本物体识别、空间关系推理、动态场景理解这些能力直接决定了你的业务智能化程度能走多远。把这四块能力摆出来再去看市面上任何一家平台思路都会清晰很多。下面我按这个框架逐一分析当前的主流选项。2. 2026年还在牌桌上的主流平台一览别看广告看疗效过去两年空间智能平台喷涌而出又死掉了一批。到2026年还值得认真评估的我按技术路线大致分成了三个梯队。注意这个分类不完全是按市场份额排的更多是按企业选择时的决策逻辑来分的。2.1 第一梯队视觉定位与空间锚点系这个梯队解决的是在已有的物理空间里如何精确定位并叠加数字信息这个核心问题。代表平台包括基于ARCore、ARKit之上的空间锚点服务以及几家主流的空间计算云平台。它们的技术底座一般是视觉SLAM加云端点云匹配典型的能力是把一个虚拟模型稳定地钉在物理世界的某个位置让多个终端用户在同一空间里看到一致的虚实叠加效果。这类平台的选型关键在于两个数定位精度和初始化时延。定位精度决定业务是否可信比如在工厂里要把维修指引对准某个法兰盘误差一旦超过5厘米就没法用初始化时延决定用户体验用户举起手机要转几圈才能锁定位置跟等两秒直接出结果完全是两种体验。2026年市面上的头部平台在理想环境下已经能做到厘米级精度但注意我说的理想环境三个字要画个重点真实现场的情况我在后面问题排查章节会详细展开。2.2 第二梯队仿真训练与具身智能系这一梯队是2026年最热的方向核心逻辑是先把物理世界在仿真环境里完整复刻出来然后在里面训练AI模型最后把模型部署到实体设备上。代表平台是几款主流的机器人仿真平台和合成数据生成平台。它们的典型应用包括物流仓储里的AMR路径规划、机械臂抓取策略训练、以及巡检机器人在复杂环境中的导航策略。选这个梯队的平台最核心的指标是Sim-to-Real的迁移效果也就是仿真环境里训练出来的模型到了真实世界里还灵不灵。企业做一个空间智能项目如果涉及机器人或者自动化设备大概率要在这类平台上投入。这里有一个业内常见的坑很多仿真平台渲染画质很好物理模拟也够真实但生成的数据多样性不足导致模型在仿真里百发百中一到真实场景就抓瞎。这个问题后面我会给到实际的排查思路。2.3 第三梯队通用空间建模与Web3D系这类平台的特点是轻量、快速、浏览器友好。它主要解决把现实空间和物体快速变成可交互的三维数字资产这个需求通过手机拍摄、激光扫描等方式重建场景然后输出可在Web端、小程序端运行的三维内容。代表平台包括各家手机厂商自带的3D扫描SDK以及一些以NeRF和3DGS三维高斯泼溅为底座的建模服务。这类平台在2026年变得特别重要原因是WebGPU和移动端芯片的进化让高精度的三维场景在普通浏览器里流畅运行成为可能。对企业来说这意味着空间智能应用的传播和部署成本大幅下降——不需要给客户装App不需要买高端头显一个链接就能把三维空间体验发出去。如果你的业务场景是展厅导览、电商展示、在线看房这类平台是性价比很高的起手式。3. 企业选平台的决策框架五步把需求钉死每次有企业让我帮忙做技术选型我都不会直接推荐某个平台而是先带着他们把需求做一轮结构化梳理。没有这一步后面所有的比较都是空对空。这里我把自己的决策框架完整展开一共五步照着走一遍基本不会跑偏。3.1 第一步定义你要解决的空间问题先把业务需求转化成空间化的表述。比如我们要做一个商场AR导航是业务需求转化成空间需求就是在大型室内环境下基于视觉定位提供亚米级导航指引覆盖面积两万平方米人流遮挡频繁。再比如我们要做设备巡检辅助转化成空间需求就是在工业现场识别指定设备叠加检修工序定位精度要求10厘米以内环境光照不均。这一步的目的是把模糊的业务期望变成可验证的技术指标。这里面最容易犯的错误是要得太多。我见过不止一个项目本来只想做设备识别硬是被产品经理加了全场景自动重建和机器人联动进去最后平台选型难度直线上升预算翻了倍结果核心需求反而没做扎实。记住空间智能项目最忌讳的是大而全第一版一定只解决一个最痛的空间问题。3.2 第二步框定终端形态与部署边界空间智能应用跑在什么设备上直接决定了平台选择的上限。这一步要同时回答几个问题用户端是手机、平板、AR眼镜、还是机器人本体处理是在端上完成、私有云部署、还是必须上公有云数据能不能出园区离线工况下是否需要降级方案我在制造业企业遇到过非常多类似的情况从技术Demo来说上公有云空间计算平台最省事但生产数据不允许出园区合规要求把所有空间数据和视频流锁在本地。这就等于直接把第一梯队的纯云方案排除掉了只能选支持私有化部署或者端侧大模型方案。所以我的建议是这个步骤越早做越好别等到平台都谈得差不多了才发现数据边界迈不过去那是对双方时间的巨大浪费。3.3 第三步算清空间资产的规模预期空间智能平台跟传统软件平台很大的一个不同是它会产生一种持续增长的新资产——空间数据。你需要大致估算第一年会采集多少个场地的空间数据这些数据多久会变化、需要重新更新平台的并发用户规模是多少这里我给一个粗略的算法假设一个一万平方米的室内场地用视觉重建做一次高质量扫描产生的数据量大概在50到200GB之间如果场地调整频繁一年可能要更新四到六次。把这些乘起来你对存储和带宽成本就会有基本概念。这个估算直接影响云资源成本也直接影响平台选型。有些平台按调用量计费Demo阶段随便用用没感觉但规模上来之后费用可能远超预期有些平台按私有化一次性授权收费前期贵但长期摊薄反而划算。企业如果不提前算这笔账项目上线三个月后因为平台费用被业务方追着打的局面我是见过太多次了。3.4 第四步评估平台的可扩展性与生态绑定空间智能平台生态还不成熟几乎没有哪家能做到全家桶所以一定要想清楚你的主平台跟上下游怎么配合。关键要问几个问题平台支持导出哪些标准格式glTF、USD、3D Tiles能不能跟现有的业务中台、ERP、CAD系统打通有没有API让数据回流到数据仓库如果选的平台后面不行了空间数据能不能无损迁出平台锁定风险是2026年企业选型最容易忽略的一张隐性账单。有些平台把数据格式和API设计得很封闭你一旦用上第二年续费基本没有议价空间第三年想换平台发现历史数据迁移成本高到可以直接拍死新方案。我的原则很简单优先选开放标准支持好、有数据导出通道的平台哪怕功能弱一点点这个逃生通道也值得留。3.5 第五步用POC概念验证代替PPT评审你看了再多的评测文章、厂商宣讲都不如自己写一个最小验证Demo来得真实。我建议企业在正式签约前强制要求做两到四周的POC而且POC的任务一定要用你们自己的场地、自己的业务对象、自己的环境条件。举个具体例子如果你要选视觉定位平台那就不要拿厂商提供的标准测试视频跑分直接派团队去你们环境最暗、纹理最少、人流最杂的区域拍摄看定位精度和时延到底怎么样。如果你的场景涉及特定设备识别就拿着你们现场的设备照片去测看平台自带的目标识别能力能不能直接覆盖。POC是花小钱躲大坑这个成本无论如何不能省。4. 三个真实场景的选型拆解与落地细节框架讲完了可能还是有点抽象。我挑三个2026年我实际参与过的项目场景把选型和落地过程拆开讲每个场景都对应一条完全不同的决策路径。这样你对照自己的业务大致能知道自己应该走哪条路。4.1 场景一大型商场的室内AR导航与营销背景是一家连锁商业地产集团想在旗下核心商场上线一套AR导航小程序覆盖地下停车场到商铺的完整动线。当时备选的平台方案有三类一是大厂的AR定位开放平台二是垂直的空间计算云服务商三是纯自研SLAM加Web端渲染。选型过程中最关键的一次测试是拿着手机在商场地下车库和一层中庭分别做了实际走测。地下车库光线暗、柱子多、纹理少那家垂直空间计算服务商的定位初始化失败了接近一半大厂平台的定位能在几秒内完成但上下层切换时偶尔会跳到错误的楼层自研方案在精度上是可控的但考虑到商场每季度要调整商铺位置意味着空间地图要频繁重扫维护成本直接劝退。最终推荐的是大厂AR定位平台加自研小程序壳子的组合。原因也很直白大厂平台在人流密集商业场景打磨多年定位鲁棒性最好小程序壳子保证用户点击即用不依赖App下载。这个项目上线后用户的整体体验还算稳定但我们也为地下车库定位初始化失败的情况专门做了降级处理——当定位置信度低于阈值时自动切换成北向指示加简化地图模式。这个兜底方案虽然不是空间智能的核心亮点但对最终用户留存至关重要。4.2 场景二工业现场的设备识别与远程专家指导第二个场景来自一家新能源电池工厂。他们想让一线维修人员拿着平板电脑对准产线设备就能自动识别型号并在设备上叠加温度、压强等实时参数解决老师傅退休后经验断档的问题。这个场景选平台核心就是工业级识别准确率和私有化部署能力其他花哨功能都不重要。当时有两款视觉识别平台进入最终候选。一个的识别模型预置了大量工业设备类别开箱即用但私有化部署的报价很高另一个提供了很强的模型微调能力允许我们用工厂自己的设备照片训练定制模型但需要团队具备一定的数据准备能力。我们当时的判断是产线上的设备类别是有限的、相对固定的一次性做模型微调训练后持续迭代比依赖通用模型的长期费用更可控。最终选了支持微调的方案。这个项目踩了一个很典型的坑微调训练时只用了晴天上午在固定点位拍摄的图片结果到了阴雨天和夜班识别率掉了超过二十个百分点。后面我们补拍了大量不同光照、不同角度、甚至带油污遮挡的设备照片重新训练才把识别率拉回来。这也验证了一句话空间智能系统的效果上限很大程度上取决于数据的多样性而不是模型本身的复杂度。4.3 场景三仓储机器人的仿真训练与调度验证第三个场景是某电商仓库想引入一批搬运机器人但因为仓库随时在运转没有条件让机器人在真实场地里做大规模试错训练。他们找到我们希望用仿真平台先做策略验证训练好了再往真机上迁移。这个场景的选型逻辑跟前面两个完全不一样核心不是视觉定位而是物理仿真精度以及仿真环境跟真实机器人操作系统ROS之间的接口兼容性。当时对比了几款主流的机器人仿真平台有的渲染效果好但物理引擎偏卡通有的接口完整但需要团队写大量胶水代码。最后选的是一个物理模拟参数可调、能导出标准格式仿真数据的平台。这个项目我们最大的心得是不要迷信仿真平台的默认参数。几乎所有仿真平台都提供了物理参数校准接口但绝大多数团队会跳过这一步直接用默认摩擦系数、默认接触模型去训练结果Sim-to-Real的时候效果惨不忍睹。我们当时花了将近一周时间用真实机器人在几十组不同材质地面上跑摩擦系数标定把这组参数回填到仿真平台里后续策略迁移的成功率才真正提上来。如果你也在做类似的项目这一周的时间非常值得花。5. 常见问题与避坑实录这些年我在空间智能项目里踩过的坑平台选型到最后拼的不只是对各种技术参数的理解更是对真实落地过程中那些细节坑的预判能力。下面这些坑我基本都踩过一遍或者亲眼看着其他团队踩过一遍整理出来供大家参考。5.1 视觉定位精度虚标问题很多平台标称厘米级定位精度但那个数据通常是在纹理丰富、光照充足、标定良好的理想环境下测出来的。到了真实场景玻璃幕墙、白墙、大面积反光地面、动态人流遮挡精度直接掉一个量级甚至两个量级。所以我的建议是永远不要相信厂商给的实验室数据拿到自己的场地跑POC用真实业务动作去验证精度够不够用。另外要特别提醒的是空间定位系统普遍存在累计漂移。哪怕单次定位精度很高长时间运行后虚拟内容跟物理世界的对齐也会慢慢偏移。平台如果缺乏回环检测和重定位机制你只能靠定期重新初始化来续命。选型时一定问一句在连续使用两小时后定位漂移大概多少触发重新定位的条件是什么5.2 数据安全与私有化部署的隐性成本企业做空间智能尤其是制造业、能源、医疗这几个行业空间数据往往跟核心资产、工艺流程直接相关根本不允许出域。但私有化部署不是简单地在你服务器上装一套软件就完了它还涉及算力规划、运维体系、版本升级、模型更新等一系列问题。很多平台公有云版本迭代很快私有化版本却落后了好几个版本安全补丁也不及时。我建议企业在合同谈判时直接把私有化版本与公有云版本的功能对齐周期和安全补丁SLA写进合同而不是在口头上达成默契。另外如果你的团队没有专职的平台运维人员要慎重考虑私有化部署方案因为空间计算平台的运维复杂度比传统Web应用高出一大截。5.3 组织能力和人员配置没跟上这是最容易被忽视的一个坑。很多企业兴致勃勃选好了技术平台结果发现团队里既没人懂三维重建的参数调优也没人会SLAM的精度评估更没有人具备空间数据标注的经验项目卡在半路进退两难。空间智能项目的本质是算法密集场景落地对人才的要求很具体不是招几个普通前后端工程师就能搞定的。我的建议是在选平台之前先评估团队的技能树最少要有一个人能看懂平台文档里跟SLAM、相机标定、坐标系相关的技术细节还要有一个人能跟业务方把空间需求翻译成技术指标。如果内部实在没有就预留一部分预算给外部顾问做知识转移否则平台选的最好也是白搭。5.4 别忽视空间数据治理空间智能平台建设到后期真正拉开差距的是空间数据治理能力。产线调整了设备挪位置了空间地图要不要更新多个场地扫描的点云数据坐标系统一怎么处理不同精度的历史空间数据跟新数据冲突时以哪个为准这些问题不提前规划项目做到一半就会乱成一锅粥。我建议把空间数据当作跟业务数据同等重要的资产来管理从第一天就建立空间数据版本管理意识。每片场地有一个唯一标识每次重扫生成一个新的版本号并记录重扫的时间、设备、覆盖范围和精度指标这样后续应用在遇到位置冲突时至少知道该信哪个版本的数据。写在最后的一点个人体会空间智能平台选型我的核心观点是不要追风口要追匹配度。2026年的技术演进速度非常快今天看起来是最优解的平台可能半年后就换了赛道今天功能落地的平台可能三个季度后就完成了关键版本升级。所以比选哪个平台更重要的是建立一套持续的评估机制每半年重新review一次平台格局和你自己的需求变化。另一个体会是哪怕是2026年空间智能项目的成功因素里平台选型也只占一半剩下的一半是数据质量和组织学习能力。你在自己的真实场地上采集的数据越扎实、团队对空间技术原理的理解越深入平台能发挥出来的价值就越大。反过来再强的平台也救不了一个连POC都懒得做的项目。最后分享一个小技巧动手之前把你想解决的业务问题写在一张纸上旁边画一列空间化技术指标再画一列可接受的成本范围。整个选型过程中所有决策都拿这张纸来对照你会发现思路清晰很多也少花很多冤枉钱。