Geometric（几何）在人工智能语境下，通常指将几何结构、空间关系或流形假设引入模型设计与训练的方法论，涵盖几何深度学习、几何基础模型、几何验证与几何知识表示等分支。它的核心主张是：数据往往天然带有结构（图、空间、拓扑），把这些结构显式建模，可以让模型在空间推理、机器人控制和科学计算等任务上获得比纯序列建模更可靠的归纳偏置。近期多个方向的研究显示，几何思路正在从理论框架走向具体工程模块。
Geometric 相关研究近期进展
当前焦点与观察点
理论层面，几何视角也在参与对基础问题的解释。Geometric knowledge spaces, Attention pairing and Architectures 尝试用几何知识空间刻画注意力机制与架构设计，而 Foundations of the Scaling Law 则从理论角度审视缩放律的基础假设。这类工作把“模型学到了什么”重新表述为几何结构问题，与 Gary Marcus 长期主张的“神经符号与结构化方法补充纯 LLM”的立场相互呼应——他近期明确表示 LLMs不适合对齐，并认为结构化、可验证的方法是更可靠的方向。
观察 Geometric 方向，值得关注的三个点是：其一，几何模块正从独立模型转为可插拔组件（如 SGA），这会降低采用门槛但增加系统组合复杂度；其二，具身与空间任务（机器人策略、视觉语言空间推理）是该路线目前最有说服力的验证场；其三，几何理论与缩放律、知识表示等基础问题的结合仍处早期，能否提供超越经验拟合的解释，尚待后续研究检验。