地图：真实世界的表达与认知#

当我们讨论生成式 AI 将如何改变地图时，首先需要回到一个更基础的问题：地图究竟是什么？

很多人会把地图理解为现实世界的缩小版，仿佛它只是将道路、河流、建筑和地形按比例搬到纸面或屏幕上。

但只要进一步想一想，就会发现地图远比这个印象复杂。

地图当然与真实世界紧密相关，不过它进入图面的过程，总会经历转换、组织和取舍。也正因为如此，地图既关乎世界如何被呈现，也关乎人们如何理解世界。

从表达的角度看，地图是一种把现实空间转化为可观察、可阅读、可操作形式的媒介。

现实世界本身连续、立体，而且细节极其丰富，不可能完整地进入图面。

传统纸质地图最常见的方式，是将地球表面的空间关系压缩到二维平面中。这一步看起来很自然，实际已经包含了重要的技术处理。

地球表面是曲面，地图通常落在平面上，因此任何二维地图都要经过投影。无论采用哪一种投影方式，面积、距离、方向和形状之间都需要有所取舍，很难同时完整保留。

二维地图因此从一开始就带有“转换”的性质，它所呈现的是经过处理后的空间关系。

进入电子地图时代之后，地图的表达形式逐渐摆脱了单一的二维图面。

今天我们在手机和电脑上接触到的很多地图，已经分布在二维、2.5 维和三维这样一个连续变化的谱系中。

二维地图更适合快速浏览、导航和信息查询，重点在于平面位置关系的清晰呈现。

2.5 维地图常借助倾斜视角、建筑拉伸、阴影和地形起伏来增强层次感，使街区形态和场景关系更容易被感知。

三维地图则进一步将图面推进为空间场景，建筑体量、地表高差、遮挡关系和可视范围都能以更直观的方式呈现出来。

到了这一层，地图已经从平面表示延伸到空间重建，表达世界的方式也随之扩展。

不过，地图的意义并不止于表达。

地图之所以重要，还在于它深度参与了人们认识空间世界的过程。

同一片区域，可以对应许多种完全不同的地图。

自驾途中，司机最关心道路、转向关系和加油站位置；游客更在意景点、步行路线与周边服务；城市管理者可能关注土地利用、人口分布和交通压力；防灾人员则优先查看风险区、避难点和应急通道。

空间对象本身并没有改变，变化的是使用目的，以及地图围绕这些目的对信息所作出的组织。

地图因此总是带着明确的问题意识和任务导向。

从这个意义上说，地图可以被看作一种有目的地选择和组织空间信息的方式。

它不会把所有内容平均地铺陈出来，而会根据任务决定哪些信息保留，哪些信息弱化，哪些关系需要突出，哪些内容退到背景。

例如，地铁线路图会明显简化真实地理距离，同时强化站点顺序和换乘关系；旅游地图会更重视景点分布、游览路径和空间氛围；专题地图通常围绕某一类主题展开，将其余信息压缩为辅助背景。

地图的价值，很大程度上就体现在这种组织能力上。

信息经过筛选、安排和强调之后，才真正变得适合阅读和使用。

这种认知性的组织贯穿地图制作的每一个层面。

最直接的是内容选择，即哪些对象进入图面，哪些对象被省略。

进一步则是层级安排，哪些信息占据视觉中心，哪些内容只作为背景存在。

再往下，还有符号设计、颜色配置、文字标注和版式引导等因素，它们共同影响读者首先注意到什么、如何建立方向感、又会怎样理解空间关系。

地图也因此成为一种具有引导性的认知界面。

它帮助人们看见空间，同时也塑造着人们理解空间的方式。

从历史上看，地图形态的变化一直与这种认知功能密切相关。

不同历史时期的地图，在内容、形态和表达方式上之所以差异很大，是因为它们处在不同的知识结构、技术条件和使用场景之中，不同目标会重新定义什么样的空间信息值得进入地图。

因此，地图的发展过程，也可以理解为空间表达方式与空间认知方式不断调整和更新的过程。

这样看，地图同时承载着两层功能。

一层是将现实世界转化为可以被看见和操作的形式，另一层是围绕具体任务去筛选、强调和组织这些信息。

前者关系到世界如何进入图面，后者关系到图面如何进入人的理解。

地图正是在这两个层面上持续发挥作用。

理解这一点，对于后面讨论生成式 AI 很关键。

因为生成式 AI 进入地图领域之后，受到影响的并不仅仅是图面的风格和出图效率，更涉及地图怎样表达世界、怎样组织信息、怎样服务不同任务。

地图一旦被理解为空间表达与空间认知共同作用的结果，后文讨论的生成式地图，也就有了更清晰的基础。

生成式地图#

那么，当地图绘制的过程开始引入生成式 AI，会发生什么变化呢？

生成式 AI 最先进入的，往往是那些原本依赖人工试探和多轮调整的环节。

例如，围绕不同任务生成图面草案，尝试不同的配色、符号、纹理和版式，或根据已有数据提供若干候选表达方案，再由制图者筛选和修改。

在这些方面，AI 的确可以压缩试错成本，提高前期设计和出图效率。

不过，生成式地图的意义并不只在于“更快出图”。

更值得关注的是，它开始介入地图从表达构思到方案比较的过程。

同样的空间信息，面对不同读图对象、使用目的和任务环境，往往对应着不同的组织方式和表现方案。

生成式 AI 的作用，正在于为这些可能性提供更快的试探、重组和比较。

从这个意义上说，所谓生成式地图，是指在地图生产过程中引入生成式模型，使系统能够依据文本提示、样例风格、已有空间数据或局部观测条件，生成若干可能的地图表达结果。

它生成的对象，既可以是图面风格、版式草案和候选方案，也可以在更进一步时触及图层组织、结构表达，乃至对未知环境的条件补全。

接下来，我们将从风格生成、结构生成和推断生成几个方面，进一步讨论生成式 AI 正在改变什么。

风格生成：地图视觉语言的重塑#

我们每天都在看地图。

手机导航、外卖定位、旅游导览、地铁线路图，甚至游戏里的世界地图，都是地图的不同形式，它们是一种将地理信息高度设计化的视觉作品。

一张地图为什么看起来“清爽”“复古”“科技感十足”或者“像绘画作品一样有温度”？

这背后其实涉及地图的颜色、线条、字体、纹理、符号和版式安排，也就是地图的视觉风格。

过去，这些风格主要依赖制图师的经验和审美一点点打磨。

而现在，生成式 AI 正在进入这个领域，通过学习这些视觉特征，并自动生成或迁移到新的地图上，让地图的“风格重塑”变得更快，也更灵活。

这一方向中，最典型的应用就是地图风格迁移。

研究者发现，生成对抗网络（GAN）可以学习不同地图样式之间的差异，再把一种地图的风格“转移”到另一张地图上。

比如，一组研究已经证明，AI 可以把 Google Maps、OpenStreetMap，甚至艺术作品中的色彩和图面风格，迁移到新的地图数据上，而且还能尽量保持道路、水系、地块等空间结构不被破坏。

除了地图和地图之间的风格迁移，另一条很有意思的路径，是把遥感影像转成地图风格图像。

遥感图像往往保留了大量真实世界的纹理细节，比如建筑阴影、植被分布和道路形态，但这些信息过于复杂，不适合直接作为地图使用。

生成式 AI 可以在影像和地图之间做一次“翻译”：保留空间格局，弱化杂乱细节，强化更适合阅读的符号化表达。

这些都说明，未来地图未必只有一种固定画法，而可以根据用途自由切换风格。

再往前一步，生成式 AI 甚至开始尝试直接参与地图设计。

一些最新研究把扩散模型引入制图过程，让 AI 在已有地理数据的约束下生成不同视觉风格的地图。

这意味着，设计者可以渐渐摆脱从零开始画图，而是可以告诉系统：“我要一张更适合旅游宣传的地图”“我要一种更复古的城市图面”，或是“我要更强的层级感和视觉引导”，然后由模型生成若干候选方案。

这种变化也让人与地图工具之间的关系有所不同。

传统制图软件主要承担执行功能，制图师决定画什么、怎么画，软件负责将操作落实到图面上。

生成式 AI 则能够在一定程度上参与前期构思，例如根据文本提示生成不同风格的图面草案，或围绕同一任务提供几种不同的表达方向。

它提出的通常不是最终结果，但可以成为后续修改的起点。

与此同时，地图交互也开始出现更强的对话性。

过去常见的交互方式主要是缩放、拖拽、点击和图层操作；而在生成式 AI 加入后，用户可以更直接地用自然语言表达需求，例如希望突出哪些景点、弱化哪些背景，或者采用更适合游客阅读的表现方式。

这种变化降低了部分表达门槛，也让地图设计更像一个持续沟通和逐步调整的过程。

当然，除此以外，生成式地图还需要遵循空间关系、信息层级和可读性原则。

AI 生成的方案可能很新颖，也可能很吸引人，但是否准确、是否适合使用场景、是否会误导读者，仍然需要人的判断。

生成式 AI 在提示词的引导下可能会生成一种更接近空间体验、城市记忆和场景叙事的表达，却很难生成成熟的专题地图，也就是对特定类型的空间信息进行有组织的突出表达。

现阶段的生成式地图强调的是空间氛围、地方形象与视觉叙事，专题信息本身还不够明确，图例、分类、符号层级等专题地图常见的组织方式也尚未充分建立。

但无可否认的是，生成式 AI 给地图注入新的活力，地图作为一种空间媒介，正在进入新的演化阶段。

或许在未来，生成式地图的魅力在于，它能够成为一种连接现实空间、数字孪生和人类认知的接口。

结构生成：从图面结果到可编辑表达#

地图是否可用，关键并不只在于图面是否像地图，还在于道路、水系、建筑、文字标注、图层顺序、版式关系和空间约束能否形成清楚、准确、可继续修改的整体。

也正因为如此，从生成一张“像地图的图像”，转向生成具有一定结构性的表达结果，正在成为一种研究趋势。

这类探索通常并不是直接从零生成完整地图，而是在已有引导和约束条件下，对地图表达进行重组。

例如，模型可以根据多模态输入生成引导性草图，再进一步识别道路、水体、绿地、建筑和标注等语义实体，转化为可分层处理的对象；也可以生成包含图层关系、布局方式、文本内容和样式规则的结构化描述。

道路与底图的叠置顺序、标注对河流和建筑的避让、缩放后的要素取舍，以及多语言条件下的布局调整，都是这一方向必须面对的问题。

不过，需要保持谨慎的是，就目前来看，这一方向虽然触及了地图结构、对象关系和表达规则等更核心的层面，但大多数方法仍然高度依赖矢量数据、草图引导、图层约束和既有语义框架。

从这个意义上说，当前所谓“结构生成”，其本质更接近受约束的表达生成，而不是已经成熟的地图生成流程。

而生成式地图，不只是调用生成模型产出图面结果，而是要让模型在较少预设的条件下，参与地图结构本身的形成，包括对象取舍、图层组织、标注安排和表达规则的协同构造。

以这一标准来看，现阶段大多数方法仍处于探索阶段。

它们的意义更多在于为地图设计提供原型和辅助，而不是直接产出可被信赖的地图成品。

因此，这一方向比风格生成更困难；同时空间结构和信息正确性是否能够得到稳定保证，也影响着生成式地图能否真正进入正规制图流程。

推断生成：面向未知环境的地图补全#

地图对真实世界的表达，并不总是建立在完整、清晰、无缺口的观测之上。

无论是传统二维地图，还是电子地图中的 2.5 维、三维场景表达，人们和机器面对的现实世界都可能是不完整的：建筑会遮挡视线，恶劣天气会干扰传感器，局部区域也可能暂时缺乏可靠数据。

于是，地图所面对的问题，除了如何表达已知信息，还包括如何处理未知部分。

传统测绘中，地图通常严格依据观测结果绘制，有多少可靠数据，就表达多少内容。

进入自动驾驶、机器人导航和三维环境建模等场景之后，这种“只画已知”的方式开始面临新的挑战。

机器需要根据局部观测尽快理解周围环境，而现实中的感知缺口又难以完全避免。

此时，地图不再只是对已知世界的静态记录，也开始承担对局部环境进行组织、补全和推测的功能。

推断生成正是在这样的背景下受到关注。

它并不是凭空捏造空间事实，而是根据已经观测到的局部结构，在明确条件下，对未知区域作出概率性的补全。

例如，基于扩散模型的方法可以结合可见道路、车道线和周边场景特征，对被遮挡区域的道路走向或拓扑结构进行推断。

模型利用的，是从大量交通场景中学习到的空间规律，如车道延伸方式、路口连接关系和道路组织的常见模式，由此生成若干可能的结构结果。

如果把视野再放宽一些，这类推断并不只属于二维地图补全。

在三维世界生成、场景重建和数字空间建模中，类似的问题同样存在。

近年来一些系统尝试直接生成可漫游、可交互的三维环境，从某种意义上说，它们也在处理“地图如何表达真实世界”这个问题，只不过表达对象从平面图面扩展到了更完整的空间场景。

无论是二维地图中的局部补全，还是三维世界中的环境生成，核心都在于：

当观测并不完整时，模型如何依据已有线索去组织一个尽可能合理的空间表达。

不过，这里的边界必须十分清楚。

推断生成可以帮助机器理解环境，也可以扩展地图对现实世界的表达能力，但它始终不等于测量，更不能直接替代对空间事实的确认。

对于地图来说，这是一条不能轻易跨越的界线：

生成模型可以参与补全未知、表达可能性，却不能把推断结果直接当作已经被证实的现实。

这就不得不提到生成式地图的边界。

生成式地图的边界：风险、责任与伦理#

生成式 AI 带来了地图外观的变化和地图表达方式的扩展，使其更灵活、更个性化，也更具交互性。

技术门槛的消解，让“任何人都可以随时随地生成地图”成为现实。

而又一问题逐渐浮出水面：“地图可以怎样被看见、被理解、被体验？”

当我们沉浸在 AI 带来的表达自由中时，必须重新审视一个冷峻的现实：地图不仅是艺术表达，更是社会运转的基础设施。

当生成式 AI 深度介入制图流程，它也随之触碰到了制图学最敏感的边界。

推断与测量的边界#

首先，是“推断”与“测量”的混淆边界。

我们必须警惕 AI 在空间事实上的幻觉。

前文提到，生成式 AI 的本质是基于概率的特征补全，而非基于物理的真实测绘。

在文创艺术中，在荒地上脑补出一座虚拟的建筑或许是绝妙的创意；但在自动驾驶、防灾减灾或城市规划等严肃场景中，这就是致命的虚假信息。

如果我们将算法基于概率推测出的道路，误当作客观存在的物理测绘数据，将引发灾难性的系统误判。

因此，一条绝对的技术红线是：生成式 AI 可用于优化地图的表达，但绝不能用于从无到有地捏造底层地理事实（如伪造高分辨率遥感影像）。

算法优化与价值判断的边界#

其次，是算法优化与价值判断的错位。

机器只能追求损失函数的最小化，却无法理解地图背后的社会重量。

地图深度嵌入了社会权力、文化认同与地缘政治。

例如，在处理存在争议的国界线、特定社群的文化符号，或是涉及个人隐私的敏感区域时，AI 缺乏必要的社会学背景与历史自觉。

它或许能模仿出某种完美的制图风格，却无法回答“这样画是否正当、会带来何种社会后果”。

这种涉及政治、文化与伦理的价值判断，是算法难以仅通过数据训练获得的。

知识产权与原创风格#

此外，风格的偷窃与知识产权也是一个尚未解开的灰度地带。

当 AI 能够轻易剥离并模仿某位著名制图师、甚至某个权威机构独有的视觉样式时，这究竟是技术的致敬，还是对原创心血的侵蚀？

地图版权的界定，在生成式范式下面临着前所未有的挑战。

人机协同与最终责任#

最后，生成式 AI 的引入，或许是一次重新厘清人机边界的契机。

在一个负责任的生成式制图框架中，我们注定要走向一种深度绑定的人机协同模式：

把高维度的表达计算、风格渲染和繁复的制图综合交给 AI，而人类，则必须牢牢守住空间事实的真伪、设定制图的规则，并承担最终的社会责任。

作者信息与参考来源#

本章节由王彦凝、叶子谦编写，李国隆、黄菲辅助校对。本章含 AI 工具辅助，文中所用插图部分来源于网络。

封面图由 Nano Banana 2 合成，prompt 为：

Conceptual digital art, an educational infographic showing the evolution of cartography and spatial computing flowing from left to right. On the left side: ‘Ancient Past’, a vintage parchment map with sepia tones, ‘Terra Incognita’, mythological sea monsters, a kraken, and a compass rose. In the center: ‘Modern Present’, a colorful isometric 3D city with digital navigation UI, glowing blue route arrows, and floating map pins with icons. On the right side: ‘Future Intelligence’, a dark cyberpunk aesthetic, cyan and magenta glowing LiDAR point clouds, autonomous vehicles enclosed in pink bounding boxes, machine vision, HD mapping UI. Top section features floating die-cut stickers depicting ‘Economic Data’ (charts), ‘Urban Atmosphere’ (emojis), and ‘Generative Layers’ (puzzle pieces). Bottom edge has die-cut text labels. Clean white background border, sticker cutout aesthetic, vivid colors, highly detailed, sharp focus.

参考来源#

1. Affolter, C., Wu, S., Chen, Y., & Hurni, L. (2025, November). Generative AI in map-making: A technical exploration and its implications for cartographers. In Proceedings of the 33rd ACM International Conference on Advances in Geographic Information Systems (pp. 884–893).

2. Christophe, S., Mermet, S., Laurent, M., & Touya, G. (2022). Neural map style transfer exploration with GANs. International Journal of Cartography, 8(1), 18–36.

3. Ganguli, S., Garzon, P., & Glaser, N. (2019). GeoGAN: A conditional GAN with reconstruction and style loss to generate standard layer of maps from satellite images. arXiv preprint arXiv:1902.05611.

4. Kang, Y., Gao, S., & Roth, R. E. (2019). Transferring multiscale map styles using generative adversarial networks. International Journal of Cartography, 5(2–3), 115–141.

5. Kang, Y., & Wang, C. (2026). Envisioning generative artificial intelligence in cartography: Mapmaking, map use, and ethics.

6. Monninger, T., Zhang, Z., Mo, Z., Anwar, M. Z., Staab, S., & Ding, S. (2025, October). MapDiffusion: Generative diffusion for vectorized online HD map construction and uncertainty estimation in autonomous driving. In 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (pp. 4099–4106). IEEE.

7. Sun, Y., & Wu, M. (2025). Flexible style transfer from remote sensing images to maps. International Journal of Applied Earth Observation and Geoinformation, 139, 104566.

8. Wang, C., Kang, Y., Gong, Z., Zhao, P., Feng, Y., Zhang, W., & Li, G. (2025). CartoAgent: A multimodal large language model-powered multi-agent cartographic framework for map style transfer and evaluation. International Journal of Geographical Information Science, 1–34.

9. Zhang, Z., Cheng, Y., Hong, D., Yang, M., Shi, G., Ma, L., … & Wu, X. (2025). CreatiPoster: Towards editable and controllable multi-layer graphic design generation. arXiv preprint arXiv:2506.10890.