SLAM不只为Physical AI提供地图，也建构空间记忆

上一篇谈到，传统SLAM将地图交给路径规划，任务就差不多完成。对自主机器人来说，地图建好之后，新的应用（与挑战）才开始，包括查找、导航到指定的位置、记住看过什么，以及留给模型（复杂情境）推理时读取。实体AI（Physical AI）的记忆，和大型语言模型的记忆（memory）很不一样，它往往得和3D位置绑在一起，而且可能因环境变化而过期。

先看导航与查找。

指令开始换成自然语言，例如「把二楼会议室的空纸箱收到回收区」，自主机器人得自己把任务标的对应到地图上的位置。这类问题研究上称为grounding，也就是把语言中的描述，对应到空间里的物件或位置。做法是把视觉语言模型的特征结合到地图上，机器人不必事先学会识别那个箱子（现在的视觉语言模型多半具备zero-shot的識別能力），也能找出「靠窗那排料架上白色的箱子」。3D几何地图还是基础，只是现在加上丰富可操作的「语意」。

地图也开始被当成记忆来用。半导体厂使用四足机器人沿固定路线读取仪表、记录管线与机臺外观。这些制造业用户希望机器人在巡检时随时比对，看出环境有没有差异。地图因此要够密、位置要够准，机器人也得记得上一次看过什么。

问题是，这些记忆需要随时被更新。工厂、仓储、卖场的环境常在变动，料架被移动、走道被暂时堆放、产线改造。所以不能只靠定期重建一次地图，机器人得边执行任务边更新。

更新也不必一臺包办。上一篇谈的车队协同，搬到室内同样适用，几臺机器人一起建图，也一起更新「空间」记忆。只是规模不同，路上每天有大量车辆经过同一段路，厂区里往往只有少数几臺机器人，每一次观测都重要。协作时的座标一致性、更新帶寬、运算能力、以及观测不一致时的调整等，各个技术环境都是一个全新挑战。

还有一层干扰来自现场走动的人员与移动机具。多数SLAM假设场景是静止的，这些移动中的人与机具会被划进地图，既干扰定位，也留下抹不掉的残影。常见的做法是额外加上语意分割模型把它们挑出来，代价是画面处理时多花几秒，耽误實時性。我们最近的研究换了个方向，使用追踪器算过的信號判断哪些像素在动，善用时序以及既有的结构信號，降低繁重的深度学习运算，成本可以降低几十倍，使用单一镜头摄影机，在单张消费级显示卡上每秒可以超过20帧。

前面谈的都是怎么把环境记下来。再往前一步，地图甚至开始直接进到模型的推理里。模型读取的脉络（context）也不再只有文字token，开始出现带有3D位置与视角信息的空间token。2026年一项研究把单眼影片重建出的3D特征与鏡頭视角做成空间token，连同影像本身的视觉token一起喂给语言模型，显示物件计数与路线规划都跟著改善。这类做法目前多在室内场景验证，搬到整座厂房、或是大范围的场域还没有定论。

如果机器人进去场域前连地图都没有，任务进行的难度更高。例如，紧急进到灾后或结构受损的建物，楼板与楼梯可能已经变形，机器人得一边走一边把3D的图建起来，还要记得刚刚看过什么，才知道哪里还没去过、哪条路可以通行，万一受困又该从哪里撤出。推理的结果决定下一步往哪走，下一段地图（记忆）也跟著长出来。这还在很早的阶段，真实灾场的烟尘、照明与通讯条件，都比实验环境更恶劣。

这种按位置取记忆的需求，已经开始改变系统怎么做快取。语言模型用键值快取（KV cache）把算过的留著避免重算，存儲器因此成为推论瓶颈之一。也有研究指出，模型连续推演影片画面时，每一帧就要上千个token，1分钟的推演累积到数十万个，吞吐量大幅降低。一般做法是丢掉最旧的，但是在空间自主运作时，再回到同一个地方，先前看过的空间记忆就没了。已经有做法把快取按鏡頭位置分块保存，回到同一个位置时再取回对应的那几块，不必重算。等于用位置而不是时间，决定什么该留下。

地图要能导航，也要能当作空间记忆，让模型拿去推理。SLAM这个老题目，因此有了新的角色。所以Physical AI需要的，可能不只是更长的脉络或更多存儲器，而是一套知道哪里该记、什么时候该更新、哪些东西可以忘掉的记忆系统。