地理空间人工智能（GeoAI）借助大语言模型（LLM）实现了通过自然语言查询、生成和解释空间信息的能力，进而支持自主 GIS 工作流。然而，这种能力带来了传统 AI 伦理讨论未覆盖的治理难题，包括从移动轨迹被动推断位置、受空间自相关和尺度效应放大的偏差、虚构的空间事实以及多模态输入的不确定性叠加。
本文梳理了 LLM 驱动的 GeoAI 中反复出现的八大问题：数据来源与同意、空间隐私与推断风险、算法偏见与空间不平等、空间机制作为结构性风险（包括空间自相关、可变区划单元问题和尺度效应）、LLM 特有的技术风险、可解释性缺失、政策与监管空白以及公众赋能与人才培养。对每一问题，我们阐释其根本机制，引用文献中的典型案例，并评估当前技术或制度响应，从基本未触及到积极讨论或已有初步政策不等。
在此基础上，提出了一套治理感知的 LLM‑enabled 自主 GIS 架构，将上述问题映射为可执行的控制措施和可审计的产出，覆盖地理数据全生命周期。文中通过一次洪水响应路径规划的情景演示，展示了如何在数据采集、模型推理、结果发布等环节嵌入隐私审计、偏差校正和可解释性模块。
综述指出，现有的治理对策大多停留在概念层面，缺乏实地验证的实验数据，导致治理控制的有效性仍不明朗。
因此，未来研究应聚焦于实证验证、面向空间特性的可解释性工具开发以及与新风险对应的职业培训体系建设。
点评