AI 通过结合模式识别、几何理解和上下文推理来推理空间关系。其核心在于分析给定环境中对象的位置、大小、方向和相互作用。现代 AI 系统，特别是使用卷积神经网络 (CNN) 或基于图模型的系统，通过处理视觉或结构化数据来识别这些关系。例如，经过对象检测训练的 CNN 可以通过检测图像中的边缘、纹理和像素的相对位置来识别椅子“在”桌子“旁边”。这些模型学习分层特征，从基本形状到复杂的排列，使其能够推断出邻近、对齐或包含关系。
注意力机制和空间转换器等特定技术增强了这种能力。注意力机制允许模型通过对空间区域进行不同加权，从而聚焦于输入中的相关区域——例如在自动驾驶场景中识别行人身后的汽车。另一方面，空间转换器则明确地操纵输入数据以校正旋转或缩放，使“上方”或“左侧”等关系在不同的视角下保持一致。例如，一个堆叠积木的机器人手臂可能会使用空间转换器来调整其对积木位置的理解，当摄像机角度发生变化时。这些方法通常依赖于空间关系被标注的标记数据集，从而实现模式的监督学习。
挑战依然存在，尤其是在动态或模糊的场景中。例如，在杂乱的场景中确定一个人是否“拿着”一个物体，需要理解遮挡和深度，而 2D 图像缺乏这些信息。为了解决这个问题，一些系统融合了来自多个传感器（如 LiDAR 和相机）的数据，以构建 3D 表示。图神经网络 (GNN) 也被用于将对象建模为节点，将关系建模为边，从而允许对空间假设进行迭代细化。一个实际应用是室内导航 AI，它必须推理由走廊连接的房间（一种拓扑关系），同时避开障碍物。这些方法强调，AI 中的空间推理与其说是严格的规则，不如说是基于训练数据和架构约束得出的概率性、上下文感知的预测。