一句话定义：点云是三维空间里一大堆离散点的集合，每个点通常记作 (x, y, z)，表示物体表面或环境在某个位置被「测到」了一次。
打个比方：想象伸手不见五指的夜里，你拿一支激光笔照墙，照亮一个小点；如果你能在零点几秒内朝四面八方扫过几百万次，每次记下「这个方向多远有东西」，把这些光点拼起来，就得到了一片像星空一样的点点分布——这就是点云。你没画线、也没画面，但看着这群点，墙的轮廓、桌子的边缘、人的身形都能认出来。星座也是这个道理：星星本身是分散的，是人类把点「读」成了形状。
它是怎么来的：激光雷达（LiDAR）发出脉冲，用飞行时间换出距离，再用扫描角度换出方向，于是每个回波变成一个三维点；深度相机、双目视觉、摄影测量（photogrammetry）和融合多视角照片的三维重建，也能生成点云。除坐标外，点还可以带颜色、反射强度、法线等属性。关键特点是无序、无连接、密度不均：点云里没有「面」，也没有「这个点和那个点相连」的信息，把点的顺序打乱，还是同一个点云。
和相邻概念的区别：
| 表示方式 | 是什么 | 有拓扑连接吗 | 典型来源 |
|---|---|---|---|
| 点云 | 一堆 (x, y, z) 点 | 没有 | 激光雷达、深度相机、多视角重建 |
| 网格（Mesh） | 顶点 + 边 + 三角面 | 有 | 人工建模、点云表面重建 |
| 体素（Voxel） | 规则切分的三维小立方体 | 隐含在网格结构中 | 体素化、医学影像 |
| 神经辐射场 / 3D 高斯 | 用网络或高斯表示空间场 | 没有显式连接 | 多视角照片重建 |
一句话概括：点云是最贴近传感器原始输出的表示，网格和体素是它被「整理」之后的形态，神经场则是另一种隐式的表达路线。
对从业者的意义：点云是自动驾驶感知、机器人导航与抓取、测绘与数字孪生、工业质检、以及文生 3D 生成的基础输入。实际做项目时，难点集中在几处：点的无序性要求模型对排列不敏感（早期代表工作如 PointNet 用共享多层感知机加对称函数来满足这一点）；点分布疏密悬殊，需要下采样或分区；坐标系和对齐误差会直接毁掉效果。常见路线有直接处理点、投影成图、以及体素化，评估重建质量时常用倒角距离（Chamfer Distance）这类指标。
对普通人的意义：手机上的三维扫描、扫地机器人的地图、自动驾驶车「看到」的世界、电商里可旋转的 3D 商品模型，背后往往都是一片点云。它不漂亮，但足够诚实——是机器理解三维物理世界最直接的入口。