La interpretación inteligente de la información del espacio vacío es el proceso de utilizar tecnologías de inteligencia artificial para el procesamiento e interpretación inteligente de múltiples datos obtenidos de la plataforma espacial vacía para obtener información. El modelo principal de interpretación inteligente de datos basado en datos actualmente se basa principalmente en el uso de un gran volumen de datos de entrenamiento y estructuras de red avanzadas para mejorar el rendimiento de interpretación, lo que conlleva problemas como una gran dependencia de los datos etiquetados, inestabilidad en la generalización de escenarios y falta de interpretación del modelo. La interpretación inteligente basada en la causalidad puede mitigar eficazmente estos problemas mediante la combinación de el razonamiento causal con el aprendizaje profundo para lograr una interpretación más eficiente, confiable y robusta, con la esperanza de convertirse en un nuevo paradigma de interpretación inteligente para el espacio vacío. Este artículo examina principalmente el trabajo de investigación sobre modelos de interpretación de la información del espacio vacío combinados con la teoría de la causalidad, explicando en primer lugar las tendencias de la investigación sobre la interpretación de la información del espacio vacío según tres aspectos: la relación, la correlación y el conocimiento causal, estableciendo luego una escala de causalidad inteligente de la información del espacio vacío, explorando el marco analítico de la causalidad y los métodos de representación de la causalidad basados en las características temporales y estadísticas espaciales de los datos del espacio vacío, haciendo hincapié en la construcción de modelos inteligentes de interpretación de la causalidad basados en gráficos causales, el razonamiento contrafáctico, la intervención de los rasgos del modelo, para después, señalar las aplicaciones y desafíos de la interpretación inteligente de la causalidad en el entorno de observación del espacio vacío.