AI走向真实世界，为何离不开位置推理

设想你向AI助手提出这样一个请求：“帮我在回家路上找一家药店，我到的时候还在营业，附近可以停车。”

这听上去并不复杂，但要给出可靠的答案，系统需要解决一系列相互关联的问题：定位用户所在位置，筛选相关药店；基于实时路况，在真实路网中计算路径；判断能否在闭店前到达；并将停车和可达性纳入考虑范围。

随着生成式AI和智能体应用从“回答问题”走向“与物理世界互动”，这一挑战也愈发突出。对于中国企业而言，将这类应用推向海外，意味着必须应对陌生的道路环境、当地通行限制与动态条件，而这不是简单翻译界面能解决的问题。

大语言模型（LLM）能够理解用户意图并生成自然语言回复。但仅凭LLM，不足以可靠地在实时路网中计算可行路径、核验车辆通行限制，或判断在当前条件下能否抵达目的地。

所以核心挑战不在于AI能否描述地点，而是它能否以足够的精度对不断变化的现实路网进行推理，并支撑行动。

在中国，全球化征程让位置技术愈发重要

导航本质上是一个计算问题：需要在真实路网图上计算可行路径，并权衡交通状况、交通事件、转向限制、通行规则和车辆类型等约束条件。语言模型则不同，它依据数据与语言中的模式生成回复。

这种差别对进入海外市场的中国企业来说尤为关键。对汽车制造商、移动出行科技公司和智能设备厂商而言，全球化不仅关乎语言、用户界面或品牌本地化，还意味着适应不同市场之间可能存在显著差异的道路环境。道路规则、通行限制、停车条件、充电基础设施的成熟度与交通信息可得性，都可能决定一项导航请求、充电决策、服务任务或车载AI交互能否真正落地执行。

可靠的全球道路数据与位置服务，能够帮助中国车企将产品适配海外市场。产品定义、软件体验和迭代速度或许是这些企业的优势，但无法替代对当地道路条件的理解。在欧洲、东南亚、美洲等市场，这种理解不仅支撑地图呈现，更是智能座舱、辅助驾驶、合规、本地化服务与整体用户体验的底座。

中国市场打磨出的智能化功能、软件能力与快速迭代能力，必须适配当地法规、道路环境、用户习惯与基础设施条件，才能在海外转化为切实的产品体验。这也要求我们将位置数据的作用与驾驶技术架构的选择区分开来：所谓“无图”或“轻地图”方案，并不一定意味着消除对路网、交通规则，以及传感器感知范围或即时视野之外约束信息的需求。

这些影响已超出传统导航和车载服务的范畴。乘用车、两轮车和商用车对应不同的路径约束。网约车、外卖、电商和数字化供应链，则进一步提出了服务水平要求；位置决策一旦失准，运营成本随之上涨。

对这些应用而言，“知道在哪里”只是问题的起点。

更关键的是：此刻最优路径是什么？实际需要多久？这条路线是否适合该车型？哪些情况可能影响行程？

从查找地点到推演行程

随着汽车加速网联化、电动化，这一点变得更加重要。

以一家服务海外用户的中国电动汽车品牌为例。用户可能需要跨城、跨国出行，或驶入完全不熟悉的陌生市场。此时，问题不再是简单的A点到B点。系统可能需要综合考虑车辆剩余续航里程、交通状况与沿途充电方案，才能判断是否需要停靠补能、在何处补能。

同样的逻辑也适用于私家乘用车之外的场景。在交通拥堵的城市中，网约车或配送司机需要系统识别准确的上车点或配送点，纳入通行与临时停车限制，根据实际情况变化动态更新预计到达时间（ETA），并尽量减少本可避免、却会影响司机工作效率和客户体验的延误。

海外还有一些在中国可能不太常见、却会直接影响智能驾驶与车载AI体验的道路场景。欧洲环岛、高速公路规则、跨境驾驶场景，以及各国对掉头、限速、车道使用与自动驾驶功能可用性的具体要求，都要求在车辆进入当地市场前，基于真实道路数据完成系统训练、测试和适配。对中国企业而言，这些不是语言翻译问题，而是真实世界理解问题。

生成式AI可以让这些交互更加直观。用户无需分别搜索目的地、停车信息、路况或其他兴趣点，而可以通过对话表达复杂需求。系统随后拆解请求，调用合适的位置服务，并返回符合真实世界条件的答案。

真正的挑战，是把请求转化为可在物理世界中执行的方案。这正是AI与位置智能相结合的价值所在。

为AI提供面向物理世界的执行层

为LLM补充地理信息，能提升其地点识别与空间概念理解能力，却不会改变模型的基本运行逻辑：LLM本质上仍是通过语言生成概率性回复的系统。

AI要可靠地把意图转化为现实行动，需要更清晰的分工。

LLM理解用户目标，空间执行层借助位置服务评估可行性，并计算实现目标所需的步骤。这些服务负责解析地点、计算路线、处理交通信息，将道路属性与通行限制纳入计算，评估备选方案，并返回结构化结果。语言模型随后以自然语言解释结果，而非试图自行生成空间逻辑。

在HERE，我们把这一方法称为HERE Location Reasoning。它旨在解析与位置相关的意图，将其转化为结构化工作流，选择合适的HERE地图数据和位置服务，并整合交通状况、道路属性与路网状况等动态输入。目标是生成具有确定性的空间计算结果，供AI模型与智能体系统在真实世界环境中运行时使用。

换言之，HERE Location Reasoning并非让AI表达得更流畅，而是让AI在涉及位置问题时更准确、更可验证、更可执行。AI或许会产生幻觉，但地理信息容不得这样的偏差。对车载LLM、语音助手与AI智能体而言，Location Reasoning可以充当面向真实世界的位置接口，提供新鲜、可靠、经过验证且可供不同模型调用的位置服务，而不是试图把每一项动态信息都训练进模型本身。

这里的区别，是“查询地理信息”与“执行位置操作”。外部信息源可以验证或补充答案，而专门构建的空间执行层则能计算路径、应用限制并评估备选方案。Location Reasoning旨在将空间意图与这些操作衔接起来。

AI时代，地图的重要性不减反增

中国汽车行业正持续加速智能驾驶、数字座舱、软件定义汽车乃至AI定义汽车等领域的创新。随着这些能力走向海外，可靠的全球位置数据与服务正成为提升产品体验、实现本地化和加快产品上市的重要基础。

这一基础并不只服务于传统人工驾驶。随着高级驾驶辅助系统（ADAS）与自动驾驶应用从高速辅助驾驶扩展到城市NOA、泊车和更广泛的智能驾驶场景，系统同样需要可靠的位置数据与位置服务来理解道路网络、通行限制、实时路况和可达性。无论车辆处于人工驾驶、辅助驾驶还是自动驾驶状态，底层对位置技术的根本需求并未改变：在真实世界中准确、可验证地定位、规划与执行。

驾驶员越来越期待获得实时路况和交通事件信息，以便作出更明智的决策。电动汽车用户需要更有把握地规划行程。物流与配送企业需要提升第一公里、中间段与最后一公里的效率。无论哪类场景，安全与便利始终是最基本的诉求。

生成式AI有望重塑人们与这些服务交互的方式。用户将越来越能够通过自然语言对话表达需求，由AI判断需要调用哪些服务来满足请求，而无需层层点选菜单、反复搜索或在应用之间来回切换。

交互界面或许会变得更简单，底层处理却将更加复杂精密。

随着AI从提供信息转向帮助个人和企业在物理世界中行动，空间计算的精确性只会更加重要。数字地图与位置智能提供关于移动、可达性、限制条件及动态变化的参照层，这正是AI在真实世界中可靠运行所需的基础。

LLM能够理解我们想达成什么，位置智能则能帮助确定如何达成。

本文作者：何晶，HERE Technologies 高级销售解决方案架构师