InfoPoint 白皮书 - 面向 AI 原生时代的空间感知与语义检索基础设施

版本：0.9 Draft

摘要

InfoPoint 是一套面向 AI 原生互联网的空间发现与语义检索基础设施。

系统通过：

将现实空间转化为机器可理解、AI 可理解、可编程的语义空间节点。

与传统 IoT 系统不同，InfoPoint 并不试图将边缘硬件变成小型 Web Server。

InfoPoint 采用：

Stateless Spatial Beacon Architecture（无状态空间信标架构）

即：

系统适用于：

1. 问题

现代互联网索引的是网页，而不是现实空间。

今天的空间发现仍然依赖：

现实空间缺乏：

传统 BLE Beacon 系统失败的原因在于：

它们只广播 URL。

缺乏：

因此现实世界仍然是：

不可编程的。

2. 核心设计原则

2.1 极简边缘硬件

InfoPoint 节点不是 Web Server。

节点不运行：

节点只负责：

这样可以：

2.2 空间身份去中心化

每一个现实空间都应该拥有：

空间不再依附于平台账号。

空间本身成为网络原生对象。

2.3 AI 原生检索

InfoPoint 并不是地图系统。

系统目标不是关键词搜索。

而是：

Spatial Semantic Retrieval（空间语义检索）

空间上下文能够直接进入 AI 推理链路。

2.4 本地空间智能

空间图谱主要存在于 App 本地。

而不是中心化云端。

这样可以获得：

3. 系统架构

InfoPoint 由六层组成。

4. 硬件架构

InfoPoint 硬件采用轻量化设计。

节点并不是服务器。

节点不负责：

节点只负责：

4.1 推荐硬件

推荐开发板：

4.2 必要能力

5. 空间发现机制

5.1 BLE Discovery

BLE 用于：

Nearby Discovery（近场发现）

BLE 广播包含：

示例：

{
  "v":1,
  "id":"cafe001",
  "t":"cafe"
}

App 扫描 BLE 广播后：

即可发现附近空间。

5.2 二维码入口

InfoPoint 同时支持二维码入口。

二维码用于：

例如餐厅：

结构：

Restaurant DID
↓
Table QR Code
↓
Runtime Context
↓
Order Session

这允许实现：

二维码与 BLE 是互补关系：

6. LoRa 空间同步

LoRa 不用于传输内容。

LoRa 用于：

示例同步数据：

{
  "did":"did:abt:cafe001",
  "type":"cafe",
  "lat":40.712,
  "lng":-73.99,
  "tags":["quiet","wifi","workspace"]
}

这意味着：

用户连接一个节点。

即可获得附近大量空间索引。

7. DID 空间身份

每个空间拥有一个 DID。

例如：

did:abt:cafe001

DID 代表：

InfoPoint 使用 ArcBlock DID 基础设施。

7.1 DID 解析流程

BLE / QR
↓
DID
↓
InfoPoint Resolver
↓
Forge Metadata
↓
Runtime Endpoint
↓
Spatial Runtime

7.2 DID 元数据

示例：

{
  "infopoint": {
    "runtime":"https://space.infopoint.ai/cafe001",
    "resolver":"https://resolver.infopoint.ai",
    "spaceType":"cafe",
    "services":[
      "menu",
      "booking",
      "event",
      "ai-guide"
    ]
  }
}

7.3 Resolver 设计

区块链负责：

Resolver 负责：

这种解耦：

允许 Runtime 独立升级与迁移。

8. Spatial Runtime

InfoPoint Runtime 基于 Blocklet 构建。

每一个现实空间：

都是：

一个可编程 Runtime。

8.1 Runtime 能力

核心能力：

8.2 插件系统

InfoPoint 采用插件架构。

而不是固定行业模板。

例如：

同一 Runtime 核心：

支持多行业扩展。

9. AI 原生空间检索

空间图谱主要存在于 App 本地。

App 会逐渐积累：

系统参考了 Spatial-RAG 相关研究。

9.1 检索流程

用户问题
↓
语义解析
↓
空间过滤
↓
本地空间图谱
↓
语义排序
↓
AI 响应

9.2 示例

用户问：

附近适合办公的安静咖啡厅

系统联合计算：

最终生成：

实时语义空间推荐

而不是静态地图结果。

10. 本地空间智能

InfoPoint 强调：

Local Spatial Intelligence

而不是 Cloud-only Search。

优势：

App 将逐渐成为：

本地 AI 空间检索引擎。

11. 安全与信任

InfoPoint 使用 DID 作为可信身份层。

系统解耦：

这种结构降低了：

12. 商业模式

InfoPoint 是基础设施。

而不是单一应用。

潜在商业层包括：

长期价值在于：

13. 对比

14. 结论

InfoPoint 提出了一套：

AI 原生空间发现与语义检索基础设施。

系统融合：

将现实空间转化为：

可编程、可检索、可语义理解的空间节点。

InfoPoint 并不是连接设备。

而是在：

Semanticize Physical Space（语义化现实空间）。