高德发布全球首个由大模型驱动的视觉认知步行导引系统

3月6日消息，近日，高德地图正式推出全球首个由大模型驱动的“视觉认知步导”系统——地标AI领航，该系统深度融合千问大模型、亿级POI与千万级街景图像，让导航系统首次具备了“视觉认知与人类语言理解”的空间智能感知能力。

在导航场景中，用户常常面临三个主要痛点：起步时方向感模糊、对距离与步行进度缺乏直观感知、到达目的地附近仍无法确认准确终点。

高德基于多模态人机交互、地理语义理解与生成式AI应用上的突破，推出了更符合人类指路习惯的视觉认知导航，有效解决了上述痛点，为用户提供零认知负担的“直觉式行走”体验。

人类在日常指路时常用“在那边”“走那条路”“穿过红色建筑”“下个路口有排餐饮店”等表达方式，通过融入当前环境的地标参考，让路线信息更明确，其核心依赖“方向语义+地标锚定+上下文感知”的认知逻辑。导航工具若要达到人类语境下的指路效果，首先需要构建覆盖真实世界、可听可视的地理语义网络。

为此，高德地图基于三大核心能力，建立导航系统对空间关系的深度理解：超亿级POI数据库、高精度步行路网拓扑，以及覆盖全国大部分城市及景区的千万级高精街景图像。结合千问的多模态能力，系统可识别交通设施、商铺、地标建筑等实体，并评估其视觉显著性，从而生成更符合人类习惯的自然语言描述。

真实场景中，并非所有POI都适合用于指引，地标不清、提示不准会导致用户拿不准“第几个路口转”“何时该提醒”。为提升指引有效性，高德地标AI领航采用“双重筛选”：一是时空关键节点筛选，仅在起点、转弯、偏航及临近终点等决策点播报；二是显著感知筛选，优先选择更醒目、更易识别的参照物，如地铁标识、银行大牌、餐饮招牌等。

同时，播报文案采用更口语化、具象化的表达，突出颜色、形态与相对位置（如“左侧第二个玻璃门”），并根据场景动态调整详略。实测显示，用户在听到视觉地标提示后，平均比传统导航快2秒确认正确路径，减少看手机频次，进一步降低老人、亲子家庭、游客及注意力易分散人群的步行出行门槛。（周小白）