AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › マルチモーダル理解（画像/動画/音声/空間）

空間・3D推論

Spatial and 3D reasoning

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

建築士やロボット工学者が持つ3次元空間把握には遠く及ばず、単純な相対位置関係の推論すら不安定

できること

自己中心視点（カメラ視点）からの空間関係推論はある程度機能する

まだできないこと

他者視点への変換（allocentric、『相手から見てどちらが左か』）への一般化が弱く、複数視点にまたがるロボット操作向けベンチマークで人間性能を大きく下回る

なぜそうなのか

VLMの訓練データは2D画像の記述が中心で、3次元的な視点変換の教師信号が乏しい

これからの予測の根拠

ロボティクス向け空間データセットの拡充により2028年ごろ改善が見込まれるが、人間水準到達は2030年以降との見方が強い

いま使える主な道具

Gemini 3.1、Claude vision、SpatialVLM系研究

根拠

• Seeing Across Views: Benchmarking Spatial Reasoning of Vision-Language Models in Robotic Scenes 2025-10
  多視点ロボットシーンでの空間推論ベンチマークMV-RoboBenchを提案

同じ分野のほかの仕事（マルチモーダル理解（画像/動画/音声/空間））

• 動画の時系列理解
• 文書・画像理解（OCR/図表/帳票）

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。