人工智能浪潮席卷当下，测绘地理信息行业的技术范式和专业价值正在被重新定义，AI全面重构产业形态。在2026空间智能软件技术大会上，中国工程院院士陈军发表题为《地理空间智能的基本内涵与重要任务》的主题报告，提出发展时空型混合智能计算。这并非单纯的技术概念，而是指引测绘地理信息领域自然智能与机器智能融合共生、实现创新型发展的核心方向。

DeepSeek引发行业“冰山危机”

陈军院士表示，2025年初DeepSeek问世，在人工智能领域掀起巨大波澜。该模型以极低成本，实现了以往依赖超级算力才能达成的技术效果，文案撰写、语言翻译、图像生成、代码编写等高端AI应用变得普惠易得。但便捷的背后，潜藏着行业发展的深层危机。

高质量标注数据（样本数据）储量日趋枯竭，成为制约大模型发展的首要难题。大模型训练高度依赖海量优质标注数据，近年来互联网公开文本、图像、语料等资源被大规模使用。据浙江大学有关方面的测算数据，按照当前数据消耗速度，现存高质量标注数据或将在未来两三年内消耗殆尽。陈军院士认为，这会影响大数据驱动的语言大模型发展速度与应用，但行业发展不会停滞，AI必须探索全新发展动力。对于测绘地理信息行业而言，恰恰是一次难得的发展机遇。

当前影响最广的一类通用大模型，仍主要以语言建模和序列化符号处理为基础，擅长处理一维、线性、有序的文本内容，却难以真正读懂现实世界。人类所处的环境是立体三维空间，包含方位、距离、光谱、纹理、时序变化等多重特征。如何让AI跳出文本局限，理解真实复杂的物理世界，成为核心课题。陈军院士指出，从文本处理转向物理世界感知，从语言智能升级为地理空间智能，是测绘地理信息行业在人工智能时代肩负的核心使命。

注意力机制是大模型的核心技术，能够帮助模型在文本序列中捕捉关键语义关系。但地理空间信息与之截然不同，一张遥感影像既包括地形地物的空间分布、格局、模式，还涵盖上下、左右、远近等多重空间关系，而信息内容涉及图像、视频、雷达信号、高程数据、时序数据等多维多模态内容。因此，直接沿用以文本序列为主要对象的传统注意力机制，难以有效描述和完整表达地理空间对象之间的多尺度、多模态和时序耦合关系。研究适配地理空间特征的时空注意力机制，发展时空型混合智能计算技术，已成为地理空间智能发展的关键命题。

混合智能：打造人机协同的新型思维模式

结合行业发展现状，陈军院士梳理出地理空间智能落地过程中面临的三大现实困境。

第一，数据看似丰富，实则有效供给不足。如今我国已建成“天空地网”一体化综合监测体系，依托卫星、无人机、地面监测站、物联网传感器，形成“天上看、空中查、地上核”的监测格局。但受云雨遮挡、空域限制、设备续航、地形交通等客观条件影响，想要获取指定区域的完整动态数据难度极大，全域、动态、实时感知目前仍难以全面实现。

第二，信息海量冗余，有效知识提取困难。遥感影像包含光谱、辐射、空间纹理、时序演变等海量特征，传统算法难以兼顾全部信息。与此同时，影像解译得出的信息，需要契合人类空间认知逻辑，单纯依靠像素分类技术，无法满足实际应用需求。

第三，现实场景复杂多样，高维、非线性的时空问题求解面临极大挑战。地形地貌、植被分布、城市布局、人类活动等复杂现象，无法通过简洁的数学公式完整描述，也就难以转化为标准化算法与程序，仅依靠传统数学建模或单一机器学习方法，难以破解地理空间智能面临的复杂行业痛点。

谈及人机智能的差异，陈军院士分享了一段早年经历。1975年他在安徽淮北农村开展野外测绘工作时，曾拿着航空照片询问当地孩童家在哪里，小朋友扫了一眼，马上就指出他家在照片中的位置。这种无需专业训练、不靠数据标注的能力，正是人类与生俱来、结合生活经验形成的自然智能。而将这些有关影像理解、地图识别、空间定位等方面的人类自然智能凝练和总结出来，形成可表达、可计算、可迁移的知识，并与机器智能有机融合形成混合智能，是破解地理空间智能难题的有效途径。这既充分发挥了人类在地理空间感知、认知、表达等方面的智慧，也发挥了计算机从海量数据中总结规律、持续高效运算的能力，推动自然智能与机器智能的优势互补。

陈军院士提醒，既要正视AI的技术优势，也不能忽视专业人员的核心价值，唯有融合两种智能，走时空型混合智能路线，才是行业发展的最优解。

他以等高线数据核查为例进一步解释：正常等高线高程差值遵循固定规律，相邻两条等高线一般相差0至1个等高距。有经验的测绘专业人员可以根据两条等高线是否相邻并相差0至1个等高距，就能判断是否存在赋值误差，但计算机光靠常规计算却很难做到这一点。多年前，陈军院士团队针对全国1∶5万数据库质检的需要，将这一等高线地形赋值规律转化为逻辑算法，让机器完成批量校验，极大地提高了生产效率。这一实践充分证明，将人类专业知识转化为规则、参数并融入计算流程，能够大幅提升机器的分析判断能力。

基于上述思考，陈军院士牵头申报并获批了国家自然科学基金重大研究项目，探索智能化测绘混合计算的理论与方法，提出了以知识（K）为引导、数据（D）为驱动、算法（A）为基础、服务（S）为支撑的时空型混合计算范式KDAS。为了实现KDAS范式，陈军院士团队开展了4项核心研究工作：一是解析提炼自然智能。将工程测量、影像解译、空间分析、导航定位等领域中沉淀的专家经验，从隐性知识转化为结构化、标准化内容，让机器能够理解运用。例如团队开展全球地表覆盖制图时，整合光谱、物候、纹理、空间分布、自然与人文等多维度知识，保障了分类成果的质量。二是研发多元化混合智能计算方法。根据不同应用场景，搭建嵌入式、平行式、衔接式等人机协同计算模式，匹配差异化业务需求。三是构建智能化赋能机制。瞄准传统技术难以解决的行业痛点，结合人类自然智能的优势，设计合理的人机协作方案，整合各类算法模型，突破单一算力与样本规模的局限。四是搭建理论方法体系。从理论、技术、算法到服务平台，形成可复制、可推广的行业标准，并同步推进专业教学体系和知识图谱建设。

推进算法与算力共享 共建行业通用底座

陈军院士着重提出，算法共享是行业未来重要的发展方向。过去数十年间，行业重点推进数据共享工作，但仅有数据远远不够，配套的处理算法同样关键。目前大量优质算法分散在各大单位、科研团队中，重复研发问题突出。对此，其团队正按自然资源部的要求，研建算法广场，整合调查监测、空间规划、防灾减灾等领域的算法模型，促进全行业算法共建共享。

除算法共享之外，算力共享同样至关重要。依托自然资源部与浙江省的支持，莫干山地信实验室正在建设时空地理信息行业人工智能中试基地，目标是打造通用时空大模型、高质量行业数据集、高性能算力平台，面向全行业开放使用。陈军院士表示，一个单位往往难以独立研发通用大模型、建设高水平算力平台，而打造时空地理信息行业人工智能中试基地，推行基础设施集约化建设，能够有效降低行业研发与应用门槛，避免低水平重复建设和资源浪费。

谈到时空型混合智能计算的应用，陈军院士以情境化制图为例，描述了一个具体的应用场景：当校友回母校参加百年校庆时，系统可在接待注册环节，基于其入学年份、所学专业、校园活动轨迹以及经授权的相关信息，自动标注出当年的教室、实验室、活动场地和常去地点，生成一份个性化纪念地图。这一应用的背后，是时空智能在用户意图理解、制图内容组织、地图表达设计和快速生成能力上的全面升级，将传统同质化供图模式转变为面向具体用户、具体场景和具体需求的个性化智能服务模式。

近两年，语言大模型的快速发展，让文案、翻译、编程、设计等领域出现被AI取代的焦虑。对测绘地理信息行业来说，其所从事的遥感影像解译、地图认知分析、空间导航定位、三维场景构建模拟等工作，需要综合运用地理空间分布、多维特征、时空工程等专业知识和空间直觉与经验判断等，从语言智能走向地理空间智能。因此，不必畏惧AI带来的冲击，而应主动吸收新一代人工智能的最新成果，推动自然智能与机器智能的融合发展，促进人机协同发展，构建面向真实物理世界的地理空间智能。

对于行业长远发展，陈军院士用5个愿景勾勒未来蓝图：无域不达的感知、无处不在的连接、无时不用的计算、无所不及的智能、无隙可乘的安全。他坦言，当前行业技术水平距离这一目标仍有较大差距，但发展方向已然明确。发展时空型混合智能计算，不仅是测绘地理信息行业应对人工智能变革的重要路径，也是全社会数字化转型背景下实现地理空间智能的必然选择。