北斗综合应用渗透率超90%!李德仁院士:不能只满足“指路”,还要把触角伸向天空地海

北斗综合应用渗透率超90%!李德仁院士:不能只满足“指路”,还要把触角伸向天空地海

“2026年上半年,国内智能手机出货量1.24亿部,超过98%的机型支持北斗定位”“国内搭载北斗终端的乘用车出货量约1000万辆”“具有北斗定位的电动自行车销量达到2600万辆”⋯⋯

近日,中国卫星导航定位协会在北斗时空产业发展论坛上发布《2026中国北斗产业发展指数报告》。报告显示,截至2026年上半年,我国北斗产业综合指数达到1696点,同比提升7.41%,对比2020年增幅超过70%;各种类型的北斗终端设备(不含消费类电子)应用数量接近4200万台/套,北斗综合应用渗透率超过90%。

随着终端规模和渗透率越过关键节点,北斗充分证明了定位的精准能力。接下来,北斗要进一步回答的问题是:现场该如何决策?

从定位到决策:时空智能的可问责闭环

北斗提供的是时空基准,是尺度和参照,但本身不产生决策。在北斗时空产业发展论坛现场,国家最高科学技术奖获得者、中国科学院院士、中国工程院院士李德仁从宏观视角讲述了“时空智能”的概念演进。

李德仁指出,物质世界的变化最终都要落在时间和空间这两条轴线上进行描述。从工业化时代的测绘遥感学到信息化时代的空间信息学,“今天进入人工智能时代,所以我们2024年在全世界提出要搞时空智能学”。其核心是将通信、导航、遥感和人工智能的计算方法融会贯通,在真实的物理世界中回答一整套问题,具体包括:什么时间、什么地方、什么目标、发生了什么变化、为什么变化,以及如何在规定的时间、需要的地点把正确的信息和知识送达给需要的人。

https://x0.ifengimg.com/res/2026/715CF1C3FAE35ADF19FD57E9C5FCCD42B89EE4EF_size120_w1102_h827.jpg

李德仁院士演讲现场 图片来源:每经记者 温沐夏 摄

由此可见,时空智能不只是看见世界,更在于洞悉变化、辅助抉择。李德仁强调,时空智能与互联网人工智能之间存在清晰的边界和责任分工。

物理世界中的每一个决策必须在规定时间、目标地点、正确信息与具体责任人之间形成闭环,而互联网上的人工智能更多停留在虚拟世界,不必直接承担现实后果。因此,时空智能要想规模化,最终考验的是:能不能在真实场景中把感知、认知、决策与行动牢扣成一条可问责的链条。

在李德仁看来,人工智能更像是一个通用的大脑,可以处理各种信息;而时空智能则更聚焦人们所生活的物理世界,做人想做、做不好、做不了的事,“让人类拥有更高生产力,更好地治理地球,更好地理解宇宙”。

在这一逻辑下,李德仁呼吁,北斗的未来不能只满足于指路,还要继续往前走,把PNT(定位、导航、授时)做到通导遥一体化PNTRC(定位、导航、授时、遥感、通信),再叠加人工智能,让触角伸向天空地海,推动物理世界的智能化。

从在轨处理到具身智能:三重约束待解

时空智能从概念走向落地,场景正在多个方向上展开。中国工程院院士、武汉大学科学技术发展研究院院长姜卫平在报告中重点列举了商业航天与具身智能两个前沿方向。

在商业航天领域,竞争维度正在发生变化。“以前竞争是谁能上天,现在是谁能在天上连接、计算和决策。”姜卫平提到,在传统天感地算的模式下,卫星将观测到的海量数据全部下传地面,再由地面进行集中处理。然而,受星地下传带宽限制,真正能传回的太空数据极少,绝大部分被压缩或丢弃,而在轨AI(人工智能)处理的出现,让卫星自己在太空中完成识别和判读,仅把处理后的结果传回地面,大幅提高了信息利用效率。

当前,商业航天相关企业在资本市场的高估值和想象力,也与其掌握进入太空、获取数据、部署算力的入口息息相关。围绕国际空间技术设施的竞争,正在从传统的发射与轨道布局,继续向在轨处理、空间数据网络与太空算力的综合体系深入。

具身智能方面,姜卫平指出,没有时空信息支撑,机器人很难从程序化作业走向对真实环境的理解、学习、自主行动和跨设备协同。

姜卫平提到,工业机器人发展迅速,但自然场景下的机器人发展仍然较慢,原因就在于精准的时空智能能力尚未完全具备。没有清晰的时间和空间坐标,没有对周边环境的连续感知和理解,任何机器人都难以摆脱被动执行的局限,更谈不上与人类世界自然协同。

但瓶颈同样清晰。姜卫平在报告中将其概括为三重约束:首先是数据层面,时空智能所需的数据不仅庞杂,而且多源、多模态,包括遥感影像、地理信息、交通视频等多种类型。而今,多模态数据的融合能力还不足,数据更新的时效性与动态性也难以完全满足需求,在专业标准和知识标注方面更存在明显短板。

其次在于算力。既要看得又多又远,还要算得又快又准,“在有限算力和存储带宽下,模型能力与实时响应是时空智能规模化应用的一个重要挑战”。

第三重约束落在算法上。传统的地球观测方法,依赖物理机制来解释现象,追求的是从机理出发的严谨;而深度学习则依靠大规模数据进行建模,偏重从数据中归纳的经验。二者在模型表达上存在先天差异,如何让物理机制与数据驱动在同一框架内相互印证,是当前空间分析必须直面的课题。要让空间分析真正走向可计算、可解释、可验证,需要测绘遥感、数学物理与计算机科学等多学科的深度交汇与长期协同。

姜卫平认为,大模型在时空信息领域仍面临多尺度、多模态、长时间序列数据处理,以及动态环境理解、复杂物理过程模拟和多元异构时空数据融合等独特挑战,以及跨领域泛化、置信度、可解释性和安全性等问题,也仍是科研和产业界需要继续攻关的方向。

免责声明:本文内容与数据仅供参考,不构成投资建议,使用前请核实。据此操作,风险自担。

每日经济新闻