視覚観測から4D空間知能を再構築することは、コンピュータビジョンにおいて長年にわたり中心的かつ困難なタスクであり、広範な実世界での応用が存在する。その応用範囲は、映画などのエンターテインメント分野においては基本的な視覚要素の再構築が主眼となることが多い一方、エメベッドAI（身体を持つAI）では、インタラクションモデルと物理的現実性の強調が特徴である。3D表現とディープラーニングアーキテクチャの急速な進展により、この分野は急速に進化し、これまでの調査の範囲をすでに追い越している。また、既存の調査では4Dシーン再構築の階層構造についての包括的な分析がほとんど行われていない。このギャップを埋めるために、我々は現在の方法論を5段階の進展する4D空間知能に整理する新たな視点を提示する。すなわち、（1）レベル1：低次の3D属性（例：奥行き、姿勢、ポイントマップ）の再構築；（2）レベル2：3Dシーン要素（例：オブジェクト、人間、構造物）の再構築；（3）レベル3：4D動的シーンの再構築；（4）レベル4：シーン要素間のインタラクションのモデル化；（5）レベル5：物理法則および制約の組み込み。各レベルにおける主要な課題について考察し、さらに豊かな4D空間知能へと進展させるための有望な方向性を強調することにより、本調査を締めくくる。今後の進展を追跡するため、我々は最新のプロジェクトページを維持している：https://github.com/yukangcao/Awesome-4D-Spatial-Intelligence。