编辑：前沿在线 编辑部 当前AI具身智能正在快速落地，但一个常被忽略的前提是： 具身智能要提供服务，首先得知道自己身处哪里。 而现有方案几乎完全依赖视觉——摄像头就是它的“眼睛”。 这双眼睛在暗光、烟雾、遮挡下会失效，在长廊、标准层、地下车库这类外观高度相似的区域里，也难以分辨自己究竟在哪一段、哪一层。 视觉之外，是否还有一条不依赖光照、不依赖外观差异的空间感知路径？ 数位科技正在 围绕城市大尺度空间中的多源物理信号开展系统性研究 ， 探索视觉之外的空间信息载体 ，推动感知能力从依赖光照与算力的单一模态，走向更稳健、更经济、更贴近端侧部署的多模态体系。 近日，其公司在射频场编码方向取得阶段性研究进展， 尝试用无处不在的射频信号，为AI具身补上这处感知盲点。 同时，甚至更重要的是：在不同物理量场的轻量级端侧编码器预训练研究阶段，通过对如何确保物理规律正确、高效地对齐并注入LM语义空间的研究，最终获得不同物理量统一的轻量级端侧场编码器，推动端侧对环境空间的低成本直觉感知技术发展。 城市空间射频场——被忽视的低成本高效模态 当前主流空间智能主要依靠视觉及其与文本对齐来认识世界，并实现了具身智能感知体系性能的巨大提升。 但这些模态在物理载体上同质——均为依赖视距的短波长电磁与光学测量；这一同质性连同对光照与算力的依赖， 制约了其在与人共存的城市空间端侧部署时的经济性、鲁棒性和安全性。 复杂城市环境里还存在其它相对独立的物理模态，同样可以作为空间结构等信息的载体，但不依赖这些条件。 如射频信号场（包含基站信号、WiFi、蓝牙等）存在于几乎每一个城市空间 ，不需要任何部署，不受光照影响，不受视距约束。 一个位置的射频信号场特征，由这个空间的格局和源决定 ：哪里是实墙、长廊的差异、街道尽头有什么，甚至信号密度的差异本身也是空间的语义。而测量它，一部普通的手机就够了。 更近一步，空间信息载体并不限于射频场： 任何端侧可测物理场的稳态分布，都包含空间结构在其中的一种映射。 而只要一个准静态物理场满足源可枚举、独立观测、空间连续这几个条件，其编码方法应当是同构的。 探索各物理量场的统一编码和表示基座，是实现多模态感知 AI 原生接入（而不再硬编码为语义 token）、获得符合各类物理规律的场推断求解器的可能前提。 我们选择射频场作为第一个载体，是因为它几乎涵盖了常见的最难情况： 场的物理规律与源的身份无关、源数量不定、且单次观测是一个无序集合。 而这类数据长期存在，却始终没有进入多模态表示体系，原因在于缺少一种合适的表示。 已有的做法各有难以绕开的局限：传统建库方式把信号强度当作查表的键，存储对象为一次次观测而非场本身，观测库之外的位置以邻近观测近似，观测库随源或环境变化而失效；神经场把场表示为坐标的连续函数，丢掉了信号源离散的身份结构，也难以吸收新的观测；第三种做法把信号硬编码为语义 token，让表示失去了可以对照的物理对象。 我们尝试把"场"作为表示的直接对象，希望模型学到场由空间格局与源生成的物理规律。 场先于观测——射频场Encoder设计思路 场先于观测存在，一片空间中的射频场由空间格局与边界条件决定；任何一次扫描，只是对这片场的一次有限采样。 观测有先后、有疏密，沿着人和车能走的路径发生—— 这些特征由观测过程决定，不构成数据的缺陷。 因此Encoder需要压缩的对象是场本身；观测数据是通向场的中间产物，编码完成后可以丢弃，场必须被保留下来。 进一步看，场的信息在物理上并不均匀。 距离带来的平滑衰减是确定性的，容易表示；墙体遮挡造成的衰落是空间格局在场上的投影，是场中最有价值的部分，必须表示；而多径造成的逐点涨落发生在半波长尺度上，原理上无法从外部观测推断—— 把"试图记住这一层"直接定义为过拟合，并在结果验收中设置了对应的检查。 编码的目标聚焦为：学习场由空间格局与源生成的规律。 它是可以检验的——第二层被编码的程度、越过第三层的记忆迹象，在验收协议中设置具体的检查项。由此，编码器的设计约束及思路定为： 数据进入网络前的簿记（确定性预处理） ——采样、编号、切分、单位——全部留在模型之外，模型容量只用于承载场的规律。 模型满足端侧感知算力约束 ，实现观测现场在线的向量化编码和查询。 表示以信号源为单元， 一次观测中实际出现的源构成本次的临时匿名词表，每个源对应一个向量，表达它在已观测区域内的场分布。场的压缩靠"以源为单元"这个结构本身完成。 第四，任意观测子集统一编码。 场的连续性意味着观测集合的任意子集仍是有效采样。能正确处理任意观测子集的Encoder，天然统一两类使用形态：现场流式编码（对当前时刻及之前的观测历史编码）与事后回溯（对既有观测库编码）。 第五，弱读出、强表示。 读出器被刻意设计为一个逐源共享权重的窄网络，输入仅
