空间智能瓶颈解析：映界科技携手马辰探索数据路径(ebpay钱包)

空间智能正成为基础模型迈向真实世界的关键能力。它要求模型整合零散观测，形成对物体位置、关联和状态变化的连贯理解。

马辰长期关注数据挖掘与AI价值，此次加入映界科技负责数据预研，正是为了解决这一核心问题。

他指出，数据并非越多越好，关键在于是否能提升特定任务表现。ebpay钱包团队正构建从采集到结构化的完整链路。

数据价值判断：任务增益决定优劣

真实场景采集产生大量连续视频与传感器信息，其中重复噪声与关键变化并存。马辰强调，数据价值需通过模型在目标任务上的改善来衡量。

团队尝试建立任务关联机制，观察加入特定样本后模型能力是否提升。这避免了盲目追求数据规模，转而聚焦有效覆盖。

模型空间理解：超越二维投影局限

基础模型已接触海量图像视频，但仍难稳定掌握三维关系。二维画面无法直接提供几何位置或遮挡处理逻辑。

马辰以包裹移动为例说明，模型需关联跨时间观测，保留不确定性而非强行确定结论。ebpay钱包正开发动态状态表示方法。

基准评测体系：多模态输入与交互测试

单一总分难以区分不同空间能力。评测需明确输入类型、是否允许交互以及证据来源，以避免混淆被动推理与主动观察。

真实传感器误差与仿真迁移问题并存，因此ebpay钱包方案强调通过未见场景验证模型可靠性。

后训练反馈机制：失败模式驱动迭代

评测目的在于指出训练缺口。若模型在遮挡后丢失身份，下轮数据便需针对性补充。映界正搭建可重复执行的后训练环境。

马辰引用贝克特名言，强调通过真实环境中的反复尝试，让每次失败都转化为可学习的信号，推动空间智能逐步突破。