最近，一个颇具科幻色彩的概念在游戏、虚拟/增强现实(VR/AR)界大火 —— 元宇宙（Metaverse）。它代表着互联网的下个阶段：一个架构于物理世界之上，又与物理世界相互独立、相互影响，始终在线的数字虚拟世界。

　　美国科幻小说家尼奥·斯蒂文森1992年撰写的《雪崩》一书中，描述了一个平行于与现实世界的网络世界 — 元界（Metaverse)，所有现实世界中的人在元界中都有一个网络分身（Avatar，就是那个阿凡达），在游戏界可以理解为类似于电影《头号玩家》中的场景。| 图：头号玩家

　　这不禁引人遐思：如果构建一个平行于物理世界的数字孪生世界，是否能直接影响进而改造现实世界？如果可以，人类如何构建一个这样的"元宇宙"？它能否与目前的重大目标结合起来，例如智能交通、碳中和、新冠疫情控制？

　　这就不得不提到「时空智能」(STAI,Space-Time Artificial Intelligence)。

　　理解世界、为世界建模的GeoAI

　　要理解时空智能，可以从GeoAI开始说起。

　　地图现代化最有趣的发展是GeoAI，作为地理空间技术与人工智能的交集，这是一个地理信息系统（GIS）与AI技术相互赋能、直至融合的阶段。机器学习和数据挖掘，在高性能计算的帮助下，构成了GeoAI的基础，帮助人类根据特定地理空间的可视化、定量分析、聚类和运算，更加深刻地理解现实世界的现象；同时，由AI赋能的地理空间技术，能够自动、快速地为真实世界数字建模。

　　GeoAI已经在绘制地图与构建实景空间等领域贡献巨大的力量。为世界建模是一项浩大的工程，GeoAI在其中充当了“工具人”的中间角色，帮助人类在数字空间描绘物理世界。

　　特别是在目前自动驾驶HDmap、实景三维空间、室内空间等绘制过程中，通过摄像头、LIDAR、物联网、无人机等空间数据采集手段，AI可以利用视觉、文字和自然语言的智能识别，自动捕捉、准确提取道路信息、交通设施与空间要素；同时批量处理大量的输入点数据，识别其中有意义的聚类，实现低成本、大规模、快速更新的自动化制图。

　　例如在高精度地图(HDmap)制作过程中，基于点云和影像数据，结合样本数据库，AI技术能够自动识别道路环境中的车道线、道路边缘、路边石、障碍物、交通标志、标杆等要素，实现快速点云分类、图像属性提取，并将这两者融合，形成要素丰富的高精度空间构建；同时对互联网众包数据进行POI和道路特征自动识别和采集，对地图数据进行实时比对更新，实现HDmap的规模化和自动化生产。

　　另外如支持机器人自主定位和运动的AI技术，SLAM（同步定位与建图，Simultaneous Localization and Mapping），运用人类在陌生空间感知定位的神经网络仿生，实现移动机器人通过摄像头数据在未知环境中自主移动的深度学习，同时自动绘制空间地图；基于SLAM, 机器人也能调取空间记忆快速行动。在网络上视频广为流传的波士顿动力机器狗，在自主行动方面也采用了该技术。空间AI技术可广泛运用在无人配送、无人仓储、智慧港口等领域，创造自动化价值。

　　正如斯坦福教授李飞飞的TED演讲：“当机器可以‘看到’时，医生和护士会获得一双额外的、不知疲倦的眼睛，帮他们诊断病情、照顾病人；汽车可以在道路上行驶得更智能、更安全。我们会发现新的物种、更好的材料，还可以在机器的帮助下探索从未见过的前沿地带。”

　　时空AI如何构建物理世界的元宇宙？

　　为什么说，“时空AI”构建的“元宇宙”能够影响并改造物理世界？正是因为它并不止步于静态数字空间的构建，而是与真实动态世界平行演进的虚拟空间。不仅有现实世界的地物、空间变化的数字表现，同时有人、车的实时动态数据交互：一个完整的数字孪生时空。

　　如果人类仅能用肉眼「看」到这个数字化的虚拟空间，也局限于逼真的可视化效果，无法自动获得事件信息与预警，由此带来效率和数据价值问题。此时需要引入「算法」和「人工智能」，将动态的时空信息作为变量或模型，去自动触发或学习一个基于地理空间位置的事件通知、或预测结果，这些事件模型可以置于行业业务中运行并实现重大价值，例如，利用AI学习时空数据的变化，对水利、森林火灾、气象灾害和燃气/毒气泄漏、工业设备故障、环境流行病等进行实时自动化监测、预测和告警，能够控制风险，帮助人类挽回生命、经济的重大损失；将时空数据关联政务、企业等业务数据进行运行与决策，实现业务效率指数级提升，例如数字城市、智能楼宇、智慧社区管理、商业连锁、农作物预测等。

　　这样，时空AI就对真实世界产生了反馈和影响；而真实世界的物理反馈数据，例如周期性事件的过程数据、业务经验数据等积累形成的事件数据，可作为事件样本实现机器学习，重新加载到数字时空中去，这样，两个平行时空就逐步开始相互影响和反馈迭代。

　　这其中有3个要素不能忽视：

• 增量时空数据的实时获取更新
• 多源时空数据融合管理
• 空间数据科学与AI深度融合

　　<增量数据的实时获取更新>

　　动态数据是时空的基础，数据获取是时空之源。在存量数据的基础上，时空的主流增量数据源有卫星遥感、卫星定位、摄影测量、LIDAR，以及广泛意义上的传感器网络、摄像头数据、物联网等。如果将存量空间数据作为低更新频率的静态和半静态底图，也就是这个世界框架；那么增量数据可视为基于位置（LBS）的动态信息源，也就是用变化的直观信息，描述这个框架中的每个地理空间位置正在发生着怎样的改变。所以，要想让数字孪生时空与物理世界同时演进，就必须对这些海量的增量空间和事件数据进行实时更新发布。

　　这是怎样一种体验呢？

　　比如大家熟知的“谷歌地球”，基于海量遥感卫星影像及技术构建了一个让人震撼的跨空间视觉体验的数字地球；而“四维地球”在此基础上提供的日新图服务，采用了一种基于空间框架的增量遥感数据实时处理更新的模式，将每天卫星新采集的至少20TB以上的遥感影像进行匹配目标空间位置的快速发布共享。

　　这些增量遥感卫星数据实时地同步到数字空间，通过与历史存量数据比对的变化检测，以及目标识别、图像分类、特征提取、语义分割/像素分类等空间数据自动化定量AI技术，帮助人类实时获取时空事件预警与精准数据，对于山林火灾、水利、水环境恶化、公路等灾害的发现和响应，国土与自然资源的管理和监测，实现大幅效率提升。

　　再到中观的空间数据、微观的物联网流数据。空间数据打通了数字孪生的“最后一公里”，例如我们日常会接触到园区、小区、办公楼宇、工厂等社区和室内环境，以及城市道路和高速公路；微观的动态数据产生频率更高，对于安防、管道泄露等环境监控，以及高速道路行驶、自动驾驶等智能场景，秒级甚至毫秒都是无法容忍的延时。也正是这两种数据的完美协作和数据更新严苛的实时性，才能构建高度仿真的数字业务环境，及时控制潜在风险，并为工业物联网、安全和智能驾驶产业带来可实现的基础。

　　<多源时空数据融合与管理>

　　没有一种数据获取手段可以探测感知全量时空。地理、空间和时空数据的采集手段是多样化和灵活化的，并且针对不同的业务目标可以采用定制化的数据采集方式。此时，高效的多源时空数据融管理与融合平台便成为非常关键的枢纽，一方面，作为数据管理手段，它让用户灵活调取或输入最为适合业务目标的数据类型或获取手段；同时，它让多源数据在一个统一的模型内精准匹配并实现信息互补。

　　这其中，AI技术又能对多源异构时空数据起到快速底层融合作用。例如，通过自学习的定量融合模型，能够对多来源(无人机、卫星、视频)、成像机理(高光谱、雷达等)不同、分辨率不同、描述类型(高程、气象、海图等)不同的多源数据，甚至事件报告、社交媒体内容等文字类异构数据，实现一致性处理与动态管理，形成数据全要素、时空分辨率的自主关联，构建量化时空模型与全息时空事件还原。空间数据处理AI模型，加上分布式存储等数据库技术，构建形成的统一时空数据库，也在源头为促进时空数据融合AI技术打好基础，为接入通用语言做好准备。

　　直接基于时空数据库进行深度学习，形成高效简洁的信息输出架构

　　Python如今成为深度学习世界的通用语言，像Tensorflow，PyTorch和CNTK这样的流行库选择它成为他们的主要编程语言，空间数据库支持这些语言，与这些深度学习库集成，支持开发者生态，降低中间软件消耗，让时空AI走向更加开放和简洁的研发生态。

　　<空间数据科学与AI的深度融合>

　　数据科学是人工智能技术底层最为重要的基石之一，是研究探索Cyberspace中数据界奥秘的理论、方法和技术。GIS作为一门发展了50余年的信息技术学科，也发展起了以地球与空间为研究对象的专业数据科学理论与方法体系。单纯着眼数据分析、或基于数字图像处理的人工智能分析，缺乏系统性的学科梳理，可能会让人工智能计算结果出现偏差，AI在时空领域的应用也需要尊重GIS和地学的普遍规律。

　　举个简单的例子，地理数据包含地理位置的 (x, y) 坐标，通常是纬度和经度数字，然而仅靠数字，这些坐标无法映射到物理位置，为了让它们唯一地映射到现实世界中的实际位置，它们必须与一套地理坐标系统相关联。

　　在基于空间的回归预测也是如此，就像地理学定律所述：“近处的事物比远处的事物更相关”，显示了空间数据科学对实际环境认识的独特性。传统的机器学习回归，如线性回归、决策树回归或向量机回归，通常根据非空间数据因变量预测目标变量，往往会忽略空间关系、地理要素等对于回归结果的影响。在时空时代，当预测事件与空间为强联系时，更需要建立起以不同属性空间数据关系为主的目标预测模型。

　　将空间数据科学与人工智能深度融合，不仅能够持续优化空间数据算法，也能基于空间数据特征，让机器学习、仿生与预测更加精准高效。

　　展望迭代物理世界的

　　城市与行业Metaverse

　　时空AI改造与进化物理世界的主要途径，是通过对城市和各种行业赋能实现的。基于 时空AI+专家知识，构建一个城市、行业或者产业的Metaverse，实现全要素时空运行的多重智能模拟，大幅降低现实投入，实现最佳方案与科学决策，这在智能交通、碳中和以及疫情防控等真实世界待实现的若干重大目标中，都将起到至关重要的作用。

　　游戏玩家评价Metaverse是一种虚拟推演的艺术，在时空领域，最具有推演性的当属交通行业。

　　交通与时空有着天然的联系，它为社会发展开通条条大道，但也会遇到阻碍瓶颈。以经济学角度看，拥堵的道路是一种竞争性公共资源，因为当一个人行驶在道路上，势必会影响他人的驾驶，交通堵塞的本质是人们的需求与有限的道路资源之间的矛盾。时空AI怎样影响现实世界，调节公共交通与个人需求之间的矛盾？核心便是协调大众出行需求与道路资源的矛盾，达到最佳配比。

　　交通行业以“人、车、地”为核心要素，对这些要素内在的时空联系的探索非常重要。时空AI能够对“数字化万物”进行时空模拟运行，采用时空基准的协同模型解决盲目无序出行的时空冲突。这种模式的优势在于，在现实世界中，只有一种可能性会实际发生；而在数字孪生时空中，可以不受实体限制，将“人、车、地、物”进行数百万次计以上的时空推演，从而找到出行需求与道路资源之间最优配比的解决方案（或者说数据模型），并付诸实践检验。这是一次完整的、从数据感知、分析、深度学习、直至实现对现实世界的有益建设的数字孪生过程。

　　基于代理的交通模拟对于开发新的智能交通系统 (ITS) 服务变得越来越重要 | Ryo Fujii，Takahiro Ando, etc

　　我国在智能驾驶、车联网路线上走的也是一种全面数字孪生路线，不仅在车端发力，让装载传感器、高精度地图的智能车辆感知周边和整体道路环境；同时也为道路环境构建高精度数字地图和智能路侧感知，实现道路环境智能，从而形成全面融合的车路协同。这样做的前瞻性也在于，为以上提到的交通智能建设数字底座。

　　并且，在某些特定行业的管理和发展中，专家知识的数字化、程序化、模型化对于时空AI非常重要。

　　在可持续发展生态领域，灰犀牛和黑天鹅事件都不是一蹴而就的，具有明显的“蝴蝶效应”，也是典型的“混沌模型”。比如森林面积的退化，无限制的人类活动、森林火灾、森林内部物种生态失衡，都会对森林蓄积量造成破坏。

　　2020年9月，习近平主席在第75届联合国大会明确提出，我国力争于2030年前实现二氧化碳排放达到峰值、2060年前实现碳中和的目标。碳中和，也就是在一段时间内人为直接或间接产生的二氧化碳或温室气体排放总量通过植树造林、节能减排等方式进行抵消，达到平衡。森林是自然碳汇的主要途径之一，森林生态系统的健康发展、保持森林蓄积量，能够对二氧化碳或温室气体排放起到持续中和的作用。

　　此时，单纯依靠时空信息自动触发事件就变得不可行。一旦发现森林面积减退，可能其内部生态链已经遭到破坏，而再生非短期任务。利用持续高频的空间监测，结合以时空为蓝本的事件学习，能够帮助管理者触达问题本质：通过长时间序列下生态历史数据的深度学习，并混合多学科知识模型的交叉透视(例如气候、生态学、地学等)，加深对生态因果链的理解和认识，及时打断破坏生态的内在锁链，修补生态漏洞和断层，维护健康生态发展。

　　对树木整体结构的点云数据聚类返回，光纤光栅传感器建立的树木模型只能呈现立体空间的一个方面，聚类返回有助于理解三维数据的本质，结合森林与生态学知识，洞察森林的整体状态。| 图：WASHINGTON STATE LIDAR PLAN

　　此时你可能会问，在「元界」中每个人会有一个数字虚拟体，那么时空AI是否能够帮助我，将我的个体行为生成一个数字孪生时空？这样又会对我个人生活带来怎样的改变？

　　应该说，这不仅对于“你”这个个体，而是对整个真实世界的“新常态”构建，都有着关键性作用。目前全球仍持续受到新冠疫情的影响，人员的流动、企业的经营、各项业务的开展，都是在隔离或有限制的情况下进行的。基于地理空间位置（LBS）的AI分析提供了高效工具来模拟人类个体行为与群体聚集传播途径，这就好比用AI模拟了一个“你”的“数字代理人”，并将这个“代理人”置于社交模型、空间模型和城市社区模型中进行活动分析，提供量化传播预测、动态关键控制节点（人际社交节点与POI地理节点）。

　　运用AI对海量人类活动轨迹进行学习，从空间角度构建代理人模型（Agent-Based Models），从而实现一种疫情下的社会有限流动和实体商业经营的管理办法。| 图：超擎科技

　　将地理空间与流行病模型结合，加载学习人类活动数据的人工智能技术，不仅能够促进人类对病毒传播和群体风险的理解，实现人类个体行为模拟和真实行为比对的决策指导，并能为全球建立一个科学流动、低风险业务运营的“新常态”世界。

　　尾声：时空大发现时代

　　15世纪到17世纪，欧洲船队进发全球各处海洋，寻找新的贸易路线和贸易伙伴，以发展欧洲新生的资本主义。在这样真实世界的地理探索中，也意外地发现了当时在欧洲不为人知的国家与地区，首次建立了全球性联系，这个时期在历史上也被称为“地理大发现”时代（Age of Exploration）。

　　目前人类社会也正在朝向内外深入探索，一方面是向外的太空探索：嫦娥五号月球取样、祝融号远征火星，最近刚刚成功发射的神州十二号，带着星辰大海的勇气和梦想，三位宇航员建设空间站，进行科学实验，解决可行性问题。

　　另一方面，是向内探索，建立浩瀚的数字世界，用数字记录和描绘时空，融合算力、云和人工智能，用业务数字化提升生产效率，抵御不确定性带来的损失与控制风险成本，提升人类认知维度，探索新的知识和规律，谋求可持续发展路径。

　　就像《头号玩家》的主角在数字虚拟世界中找到的三把金钥匙拯救现实世界一样，无论是无垠太空的探索，还是深入时空“数字海洋”的大发现，都令人期待。


来源：箩筐技术