人工智能之不能 / GEOAI
人工智能之不能：空间地理大模型
不懂空间地理
空间地理大模型能够识别地表对象与空间模式。
但空间表征能力，不等于地理理解。
本文所称“不懂”，指当前模型尚不能稳定完成跨区域、跨尺度并面向机制的地理推理。
00 / 05
01 / 观测
模型首先学习的是观测表征。
不是地理机制本身。
遥感影像、地图与轨迹是现实世界的观测结果。
它们包含地理信息，也受传感器、尺度与采样方式约束。
识别空间模式，
不等于解释形成这些模式的过程。
不等于解释形成这些模式的过程。
MOVE / 像元提供观测证据；过程、关系与历史仍需要推理。
EARTH OBSERVATION / SENSOR × SCALE × TIME
PIXELWORLD?
01 / 05
02 / 空间泛化
真正的检验，是模型能否
跨地域泛化。
随机划分常使训练区与测试区共享相近的空间环境，容易高估性能。
空间留出更接近真实应用：模型必须面对未见区域与分布偏移。
地理能力的关键，
是跨地方的稳健推断。
是跨地方的稳健推断。
EarthShift 报告：在真实空间分布偏移下，模型平均性能约下降 15–20%。见论据。
TRAIN
TEST
示意性能92
示意交互，不代表单一模型结果；用于说明随机划分与空间留出的评估差异。
02 / 05
03 / 地方与尺度
坐标可以定位对象。
但不能定义地方。
地方由位置、尺度、空间关系、环境过程与历史共同构成。地理结论因此具有尺度依赖性与情境依赖性。
尺度改变，
关系、主导过程与可成立的结论都会改变。
关系、主导过程与可成立的结论都会改变。
DRAG SCALE / 同一空间对象在不同尺度下对应不同的关系结构。
PLACE = LOCATION × SCALE × RELATION × PROCESS × HISTORY
尺度1 KM
03 / 05
04 / 空间 ≠ 地理
空间表征能力，
不等于地理理解。
三维重建与视角变换描述几何一致性。
地理解释还要求识别区域差异、过程机制及其空间依赖。
空间模型回答“在哪里、什么形状”。
地理智能还需回答“为何在这里、为何这里不同”。
地理智能还需回答“为何在这里、为何这里不同”。
MOVE / 视角改变几何表征，但不会自动生成对地方机制的解释。
3D SPATIAL WORLD几何可以重建。
地理关系仍需推理。
地理关系仍需推理。
04 / 05
05 / 地理推理
空间地理大模型的核心短板，
是地理推理。
可靠的地理智能必须明确尺度与适用范围，识别空间依赖与区域异质性，并判断结论何时可以迁移、何时不能。
01 / SCALE明确尺度与适用范围
02 / RELATION识别空间依赖与区域异质性
03 / TRANSFER检验跨地域迁移
05 / 05