当前人工智能虽能生成逼真的 2D 图像并理解像素内容，却缺乏对真实物理空间的 3D 理解能力，这成为机器人导航、自动驾驶及数字孪生等应用的主要瓶颈。现有模型多在二维网格中推理，无法直接回答物体间的距离或空间位置关系。 要解决这一问题，需将三个独立的 AI 技术层融合：首先是单目测距层，利用 Depth-Anything-3 等模型从单张照片中提取精确到米级的深度图，而非相对深度；其次是基础分割层，借助 SAM 等基础模型，通过文本提示或点击在 2D 图像上生成高精度的物体掩码；最关键的第三层是几何融合，这是将 2D 预测映射到 3D 空间的核心工程。通过相机内参和外参，将 2D 像素标签反向投影为 3D 点云标签。 由于单目深度存在噪声且不同视角的预测可能冲突，几何融合层通过四步流程解决这一问题：剔除远离相机的噪声点，利用 KD 树建立空间索引快速定位，识别未标记区域，最后采用多数投票机制对邻近点进行标签传播。这一过程将原本稀疏的 20% 标签覆盖率，通过几何推理提升至 78%，实现了 3.5 倍的数据增强，且无需重新训练模型，仅需纯计算几何运算即可在消费级 CPU 上于十秒内完成。 尽管目前多视角间仍存在边界模糊等挑战，但随着对设备端测距和具备多视角感知能力的模型发展，未来两年内将实现从拍摄视频自动生成带语义标签的 3D 场景。该技术将大幅降低 3D 数据标注成本，使空间 AI 在工业、建筑及自动驾驶领域的实用化成为现实。