Spatial Intelligence(空間知能)とは・意味、世界モデルとの関係・事例・研究

Spatial Intelligenceとは?
Spatial Intelligence(空間知能)とは、AIが画像などから3次元の空間をとらえ、物や場所の関係を推論し、行動の結果を予測して動く能力のこと。
英語では「spatial intelligence」と表記し、研究の論文では SI と略すこともある。AI研究者の Fei-Fei Li 氏は、空間知能をAIの次のフロンティアと位置づけている。
TED は Li 氏の2024年4月の講演の紹介で、見たものの情報を処理して予測を立て、その予測に基づいて動く能力を空間知能と呼んでいる。
Li 氏らが設立した World Labs は、仮想と現実の世界を知覚・生成・推論し、その世界に働きかけるシステムを空間知能と位置づける。ロボットの場合、周りの空間を知覚し、物の動きと関わり方を理解したうえで、行動の結果を見越して確実に動く必要があると同社は説明している。
Spatial Intelligenceと世界モデル・LLMの関係
Li 氏は2025年11月の論考で、大規模言語モデル(LLM)が抽象的な知識の扱い方を変え始めたと認めている。そのうえで今のLLMについて、言葉は巧みでも経験がなく知識はあっても現実に根ざしていないと評した。
人間が空間知能を使う例として、同氏は車をとめるときに車体と縁石のすき間を思い描くこと、投げられた鍵を受け止めること、混んだ歩道をぶつからずに歩くことなどの日常の動作を挙げた。空間知能は人間の認知の基礎だとしたうえで、今のAIはまだ人間と同じようには空間をとらえて考えられないと Li 氏は指摘している。
Li 氏の主張では、空間知能をもつAIを作るには世界モデルが必要だ。同氏によると、世界モデルは意味・形・物理・時間の変化を含む複雑な仮想や現実の世界を理解・推論・生成し、その世界に働きかける新しい種類の生成モデルだ。空間知能のための世界モデルに欠かせない能力として、同氏は生成・マルチモーダル・対話性を挙げた。
- 生成:見た目・形・物理のつじつまが合った世界を作り出せる。
- マルチモーダル:画像・動画・深度の情報・文章の指示・身ぶり・行動など、さまざまな形の入力を扱える。
- 対話性:入力された行動に応じて、世界の次の状態を出力できる。
World Labs も、2026年9月に発表した自社のモデル Atlas を「空間知能のための世界モデル」と呼んでいる。空間知能は目指す能力の名前で、世界モデルはその能力を実現するためのモデルという位置づけだ。
Spatial Intelligenceが注目されるようになった経緯
Li 氏は、画像と空間の知能を追うことが研究を始めたころからの目標だったと論考で振り返っている。同氏が画像認識の大規模なデータセット ImageNet を作ったのも、スタンフォード大学の研究室でコンピュータービジョンとロボットの学習を組み合わせる研究を続けたのも、その目標のためだったという。
World Labs は、Li 氏が Justin Johnson 氏、Ben Mildenhall 氏、Christoph Lassner 氏とともに設立した会社で、自社を空間知能の会社と紹介している。設立の時期について、Li 氏は2024年の初めと記している。同じ年の4月に、Li 氏は TED の講演で機械が空間知能を身につけつつあることを示した。
2026年2月には World Labs が新たな資金の調達を発表し、出資者として半導体大手の AMD や NVIDIA などを挙げた。
2026年9月には、その AMD が World Labs の買収で合意した。AMD は発表で、World Labs のモデルを「spatial-intelligence models」と呼んだ。
AMD は2026年11月16日に買収を完了し、Li 氏は AMD のエグゼクティブバイスプレジデント兼チーフサイエンティストに就いた。
Spatial Intelligenceに関する主な出来事・ニュース
- 2025年8月18日 Zhongang Cai 氏ら、マルチモーダルLLMの空間知能の評価を arXiv で公開:Cai 氏らは GPT-5 などのモデルを8つのベンチマークで評価し、GPT-5 も幅広い空間知能の課題で人の成績を大きく下回ったとする報告を公開した。
- 2025年11月10日 Fei-Fei Li 氏「From Words to Worlds: Spatial Intelligence is AI’s Next Frontier」を公開:Li 氏は、空間知能をAIの次のフロンティアと位置づけ、それを実現する世界モデルに欠かせない能力を示した論考を、自身の Substack で公開した。
- 2026年2月18日 World Labs「World Labs Announces New Funding」を発表:World Labs は、新たな資金の調達を発表し、世界モデルを作ることで空間知能を進めるとした。
- 2026年7月21日 World Labs、SceniX の買収を発表:World Labs は、ロボットを空間知能が物理の世界で発揮される場と位置づけ、ロボットの会社 SceniX を買収すると発表した。
- 2026年9月1日 World Labs「Atlas: A World Model for Spatial Intelligence」を発表:World Labs は、文章・画像・動画・3次元のデータを扱う世界モデル Atlas を、空間知能のための世界モデルとして発表した。
- 2026年9月28日 AMD、World Labs の買収で合意:AMD は、World Labs を買収する最終契約を結んだと発表し、同社を空間知能のモデルを開発する会社と紹介した。
- 2026年11月5日 World Labs「Frameboy: Atlas in Real-time」を公開:World Labs は、Atlas の研究プレビュー Frameboy を公開した。
- 2026年11月12日 World Labs、Atlas を使う道具と開発者向けのAPIを提供:World Labs は、Atlas を使う道具と開発者向けのAPIの提供を始めた。
- 2026年11月16日 AMD、World Labs の買収を完了:AMD は、World Labs の買収を完了したと発表した。
Spatial Intelligenceに関する事例・研究
World Labs の Atlas は写真から3次元の空間を作り直す
World Labs の Atlas は、文章・画像・動画・3次元のデータを扱うよう一から学習したモデルだ。入力した画像はそれぞれ3次元の空間の中の位置に置かれ、同社はこれを「spatial context」(空間の文脈)と呼ぶ。Atlas はこの文脈をもとに、見えていた部分と3次元で矛盾しないように続きを生成する。
World Labs によると、Atlas は指定したカメラの位置から見た画像や動画を作るほか、1枚から数十枚の写真で現実の場面を再構成できる。動画から空間と時間の動きをとらえる模擬や、文章からの画像の生成にも使える。動画は最長1分・1440pで出力できるとしている。
その後、World Labs は2026年11月5日に、Atlas の世界をカメラを動かしながらその場で見て回れる研究プレビュー Frameboy を公開した。クラウドのGPUからブラウザーへ、最大で毎秒15コマの画像を送る。
2026年11月12日には、写真などから場面を作り直す Viewfinder などの道具と、Blender などの既存の道具にも Atlas の機能を組み込める開発者向けのAPIの提供を始めた。World Labs は使い道として、映画と視覚効果、建築とデザイン、ロボットの研究と模擬を挙げている。
Niantic Spatial は実在の場所のデータで機械に空間を理解させる
Niantic Spatial は創業のチームが Google Earth や Google マップのもとになった Keyhole を作り、位置情報を使う大規模なゲームも手がけた会社だ。同社は Large Geospatial Model(LGM)と呼ぶ空間の基盤モデルと、場所ごとに用意して変化に合わせて新しくする地図を組み合わせ、場所の再構成・位置の特定・理解を提供する。
Niantic Spatial は2026年1月の自社のブログで、LGM を現実の世界の3次元のモデルと説明している。3次元のスキャンやセンチメートル単位の位置のような現実のデータに基づき、人と機械の空間知能を可能にするモデルだとしている。同社は世界モデルが予測する街角を「もっともらしい」ものと表現し、自社の LGM は機械が安全に動くのに必要な現実の正解を示すと主張している。
同社が挙げる使い道は、複雑な市街地での配達のための移動、現場の点検での作業指示と実際の設備の照合、GPS が使えない場所での移動などだ。
GPT-5も6つの能力のうち4つで人との差が大きかった
中国のAI企業 SenseTime の研究部門とシンガポールの南洋理工大学の研究者らは2025年8月に、マルチモーダルLLM(画像なども扱える言語モデル)の空間知能を評価する枠組み EASI を arXiv で公開した。Zhongang Cai 氏らは、既存のベンチマークが測る空間の課題を6つの基本の能力に分けた。
| 能力 | 内容 | 評価の結果 |
|---|---|---|
| Metric Measurement(計測) | 2次元の画像から、奥行きや長さなど3次元の大きさを見積もる | GPT-5 が一部の課題で人の水準に達した |
| Mental Reconstruction(心の中での再構成) | 限られた視点の画像から、物の3次元の形の全体を推し量る | 最も成績のよいモデルでも人との差が大きい |
| Spatial Relations(空間の関係) | カメラに写った複数の物の位置や向きの関係を理解する | GPT-5 が一部の課題で人の水準に達した |
| Perspective-taking(視点の取得) | 自分の目線と外からの視点のように、異なる視点をまたいで推論する | 最も成績のよいモデルでも人との差が大きい |
| Deformation and Assembly(変形と組み立て) | 結び目、箱の展開図、部品の組み立てなど、形の変化を推論する | 最も成績のよいモデルでも人との差が大きい |
| Comprehensive Reasoning(総合的な推論) | 大きな環境での移動のように、複数の能力を記憶と何段階もの推論と組み合わせて使う | 最も成績のよいモデルでも人との差が大きい |
表の能力・内容・評価の結果は、Cai 氏らの論文による。
Cai 氏らは、GPT-5、Gemini-2.5-pro、Grok-4、Seed-1.6、Qwen2.5-VL、InternVL3 などを VSI-Bench を含む8つのベンチマークで評価した。GPT-5 は評価したモデルの中で最も成績がよく、計測と空間の関係を問う課題の一部では人の水準に達した。
計測と空間の関係で人の水準に達した結果について、著者らは SITE というベンチマークの人の成績がほかより低いことや、同じ能力でも難しい課題は評価の時点のモデルで十分に解けていなかったことを挙げ、慎重に読むよう求めている。
全体では、最も強いモデルでも大半のベンチマークで人との差は大きかった。とくに心の中での再構成、視点の取得、変形と組み立て、総合的な推論で差が目立った。著者らは、空間知能の基本の課題でのモデルの成績が空間以外の課題よりかなり低いことも示した。
Spatial Intelligenceの言い方
| 表記 | 意味 | 使用主体 |
|---|---|---|
| spatial intelligence(SI) | 3次元の空間を理解し、推論し、働きかけるAIの能力 | Fei-Fei Li 氏、World Labs、Cai 氏ら |
| spatially intelligent AI | 空間知能を備えたAI | Fei-Fei Li 氏 |
| spatial-intelligence models | 文章・画像・動画から3次元の環境を生成・再構成・模擬するモデル | AMD |
| spatial AI | 人や機械が現実の世界で推論し、学び、安全に動くための空間のAIのモデル | Niantic Spatial |
Spatial Intelligenceの語の範囲と実用の時期
東京大学の三宅研究室は別の意味で空間知能の語を使う
東京大学生産技術研究所の三宅研究室は、「空間そのものを人工知能とすること」という意味で「空間知能」の語を使っている。この空間知能は自ら管理する空間の状況を認識し、その空間の中の機械などに命令を出す。同研究室は空間知能を現実の空間に敷き詰め、都市の空間の全体を知能化することを目指している。同じ「空間知能」でも、AIが3次元の空間を理解する能力を指す Li 氏らの語とは別の考え方だ。
使い道が広がる時期は分野ごとに違う
空間知能の使い道が広がる時期について、Li 氏は分野ごとに違うとみている。創作の道具はすでに出始めており、ロボットは中期の目標だとする。科学に最も大きな変化をもたらす応用にはさらに時間がかかるとしている。
例えば World Labs の Atlas は、2026年9月の発表の時点では一部の協力先に限った早期アクセスの段階だった。
ニュースで「空間知能」のAIという言い方を見たら、3次元の世界の生成、写真からの場面の再構成、ロボットの動作のどれを指すのかを発表の中身で確かめると、世界モデルやVLAの話と取り違えずに読める。
空間知能のAIの発表でモデルの性能をうたっているときは、空間知能を計測や視点の取得などの6つの能力に分けた EASI の区分のどれを測ったかを見れば、2025年の評価で人との差が大きかった能力についての結果かどうかを判断できる。
Spatial Intelligenceに関連する用語
- 世界モデル:現実や仮想の世界の動きをデータから学び、先に起きることや行動の結果を予測・模擬するAIのモデルのこと。
- フィジカルAI:現実の空間の状況を読み取り、ロボットや自動運転車などの機械を動かして作業を行うAIのこと。
- VLA:視覚と言葉の入力から、ロボットの動作を出力するAIのモデルのこと。
- Neolab:大手のAI企業や大学を離れた研究者が立ち上げた、新しいAIの研究所のこと。
- ジオAI:地図や位置などの地理空間情報とAIを組み合わせる取り組みや技術のこと。
Spatial Intelligenceに関する出典
TED「Fei-Fei Li: With spatial intelligence, AI will understand the real world」(2024年4月)
World Labs「World Labs Acquires SceniX」(2026年7月21日)
Zhongang Cai ほか「Holistic Evaluation of Multimodal LLMs on Spatial Intelligence」(2025年8月18日、2025年12月30日改訂、arXiv)
Fei-Fei Li「From Words to Worlds: Spatial Intelligence is AI’s Next Frontier」(2025年11月10日、Substack)
World Labs「Atlas: A World Model for Spatial Intelligence」(2026年9月1日)
World Labs「About」
Fei-Fei Li「To Seek a Newer World」(2026年9月28日、Substack)
World Labs「World Labs Announces New Funding」(2026年2月18日)
AMD「AMD to Acquire World Labs to Advance the Future of AI Compute」(2026年9月28日)
AMD「AMD Completes Acquisition of World Labs」(2026年11月16日)
World Labs「Frameboy: Atlas in Real-time」(2026年11月5日)
World Labs「Atlas」
World Labs「Research & Insights」
Niantic Spatial「About Niantic Spatial」
Niantic Spatial「Niantic Spatial & The Large Geospatial Model」(2026年1月13日)
東京大学生産技術研究所 三宅研究室「スマートシティとメタバースを空間知能でつなぐ」




