空間智能卡脖子難題被杭州攻克！難倒GPT-5后，六小龍企業(yè)出手了

白交 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

最近3D內(nèi)容生成模型好生熱鬧，像谷歌Genie 3、World Labs、混元、昆侖爭(zhēng)相發(fā)布并開測(cè)世界模型。

一片喧囂中，杭州“六小龍”之一群核科技低調(diào)卻重磅地發(fā)布了自己的空間大模型，選擇了一條與眾不同的路徑：

深耕室內(nèi)場(chǎng)景，并直指行業(yè)核心痛點(diǎn)「空間一致性」。

不管怎么移動(dòng)都很絲滑~生成的視角也都是合理的。

從視頻生成到AI短劇，令人出戲的空間穿幫、扭曲視角和斷裂邏輯屢見不鮮，往往需要反復(fù)調(diào)教才能勉強(qiáng)可用。空間一致性，已成為橫亙?cè)谔摂M世界與現(xiàn)實(shí)世界之間的最大技術(shù)壁壘。

當(dāng)前主流技術(shù)路線可以分為兩類，一類是以Genie 3為代表的“視頻生成派”，雖能生成動(dòng)態(tài)交互內(nèi)容，但本質(zhì)仍是二維序列的仿真。雖然視覺效果很逼真，但難以從根本上保證三維空間的視角與結(jié)構(gòu)一致性。

另一類則是以World Labs、混元為代表的“3D場(chǎng)景生成派”，雖能實(shí)現(xiàn)360度漫游，卻受限于高質(zhì)量3D數(shù)據(jù)的匱乏，時(shí)常在視角切換中出現(xiàn)場(chǎng)景崩壞、內(nèi)容穿幫問題。

而群核的空間大模型，正是致力于突破當(dāng)前模型遇到的這些挑戰(zhàn)。

它不僅在三維空間的視角一致性上表現(xiàn)得可靠，其漫游自由度和真實(shí)感上也更具優(yōu)勢(shì)。

而要了解這一最新突破，首先需要回答一個(gè)更根本的問題：什么是空間大模型？

空間大模型是什么？

作為AI從數(shù)字世界走向物理世界的關(guān)鍵，李飛飛曾將空間智能的理論框架分為四個(gè)維度，分別是空間認(rèn)知理解、空間推理、空間交互行為與空間生成。

當(dāng)前大模型主要局限于文本、圖像等二維交互領(lǐng)域，但在三維空間操作（如家務(wù)協(xié)助）方面仍有距離。像掃地機(jī)器人能感知障礙物，卻無法理解“花架可移動(dòng)而承重墻不可撞”的空間常識(shí)。

解決這一問題的關(guān)鍵在于真正的空間理解和認(rèn)知能力，并且在此基礎(chǔ)上具備交互行為。這既是空間智能的核心價(jià)值，也是空間大模型區(qū)別于其他AI「二維轉(zhuǎn)三維」探索的最大特點(diǎn)。

不過空間大模型具體能干啥？群核科技的發(fā)布，讓這一概念變得清晰可見。

用群核首席科學(xué)家周子寒的話說，群核空間大模型具備三個(gè)特點(diǎn)：真實(shí)感全息漫游場(chǎng)景、可交互性以及復(fù)雜空間處理能力。

此次他們開源的兩個(gè)子模型——空間語言模型SpatialLM1.5和空間生成模型SpatialGen正是最佳例證。

首先，真實(shí)感全息漫游場(chǎng)景。

在世界模型中，漫游自由度是衡量智能體在虛擬或仿真環(huán)境中空間探索能力的關(guān)鍵指標(biāo)，它直接反映了世界模型對(duì)物理空間的建模精度和交互靈活性。背后這不僅依賴于環(huán)境建模，還有對(duì)物理規(guī)則的理解程度。

不過因?yàn)殚_源3D場(chǎng)景數(shù)據(jù)稀缺，用戶在創(chuàng)作一個(gè)空間時(shí)很難保證每個(gè)視角都有合理的內(nèi)容，比如離開指定環(huán)境就出現(xiàn)崩壞或者內(nèi)容缺失的情況。

此次開源的SpatialGen，正是基于擴(kuò)散模型架構(gòu)，它可根據(jù)文字描述、參考圖像和3D空間布局，生成具有時(shí)空一致性的多視角圖像。然后采用一種全新3D高斯重建技術(shù)來還原3D場(chǎng)景。

在這個(gè)場(chǎng)景里，用戶可以四處走動(dòng)，仿佛置身其中。

其次是可交互。

世界模型的一個(gè)很重要愿景在于希望它能模仿真實(shí)場(chǎng)景中的各種交互，機(jī)器人也可以在里面進(jìn)行移動(dòng)。

前面提到掃地機(jī)器人不懂空間常識(shí)，那如果將各種物理參數(shù)等詞匯都保存在模型中，機(jī)器人是不是就能在一個(gè)可交互場(chǎng)景中去完成任務(wù)了呢？

此次他們發(fā)布的另一個(gè)模型SpatialLM 1.5，首次定義了空間語言這一概念。

什么是空間語言？

像傳統(tǒng)自然語言模型，你給它一張圖，它會(huì)用自然語言來描述圖中的內(nèi)容，這就有點(diǎn)像文科生。

但空間語言就更像是理科生，給它一張圖就獲得整個(gè)場(chǎng)景完整的3D信息。它會(huì)用坐標(biāo)軸去描述每個(gè)物體中的空間位置，包括它的形狀、姿態(tài)描述，甚至還包括物體的各種物理屬性等。

這種參數(shù)化的場(chǎng)景描述方式，使模型既能支持精準(zhǔn)的空間生成與編輯，又能為機(jī)器人處理復(fù)雜任務(wù)提供支持，這是傳統(tǒng)模型無法帶來的獨(dú)特優(yōu)勢(shì)。

先來看空間生成，不妨拿GPT-5來做下對(duì)比測(cè)試。

給GPT-5一張空間圖，并且補(bǔ)充空間語言的描述，讓它基于對(duì)空間的理解擺放常見的家具。

結(jié)果經(jīng)過可視化后看到，它并沒有對(duì)圖片有很好的理解，甚至還將原來的輪廓變成了四方形。

而設(shè)計(jì)更復(fù)雜的Prompt，讓它能充分理解空間信息之后再去創(chuàng)作。

這次房間輪廓沒有問題，不過家具都擺在了一個(gè)房間角上了。

同樣的圖扔給SpatialLM1.5，僅用自然語言先讓它生成三維空間，然后在空間里放些家具，并且再加上約束：適合老人居住。

可以看到，它將沙發(fā)放到了左邊，對(duì)面有一個(gè)電視機(jī)柜，旁邊還有個(gè)輪椅，應(yīng)該是基于「適合老人居住」的理解。

再來看復(fù)雜空間任務(wù)處理能力。SpatialLM1.5可以被打造成AI Agent框架，通過調(diào)用工具來擁有更多的空間能力。

比如完成機(jī)器人常見的路徑規(guī)劃任務(wù)。

根據(jù)“從臥室床邊到客廳”的指令，模型能夠基于空間理解能力，調(diào)用路徑規(guī)劃工具生成合理路線。

不過這只是群核空間大模型的階段性探索。群核坦言，相比于文本、圖像，空間大模型仍處于較早期的階段。如果以GPT系列作類比，現(xiàn)在相當(dāng)于處在GPT-2階段。

從這里能夠看到，要想讓模型出現(xiàn)涌現(xiàn)能力，數(shù)據(jù)正是其中的核心突破點(diǎn)。

而從過去種種進(jìn)展能夠看到，室外場(chǎng)景的探索很多，但聚焦在室內(nèi)場(chǎng)景的很少。而正在探索并且探索得比較好的，可能就只有群核一個(gè)。

空間模型仍處于GPT-2階段

這與業(yè)內(nèi)正在面臨的現(xiàn)實(shí)挑戰(zhàn)緊密相關(guān)，關(guān)鍵問題有三個(gè)。

首先，數(shù)據(jù)稀缺性與獲取成本高企，尤其是室內(nèi)空間數(shù)據(jù)。

不同于語言模型可利用互聯(lián)網(wǎng)公開文本，空間智能嚴(yán)重依賴真實(shí)世界的3D掃描與傳感器數(shù)據(jù)，采集成本極高。室內(nèi)場(chǎng)景的數(shù)據(jù)獲取更受限于隱私合規(guī)、環(huán)境多樣性、動(dòng)態(tài)物體干擾等多重約束，導(dǎo)致規(guī)?；瘮?shù)據(jù)積累困難。

據(jù)量子位智庫(kù)報(bào)告顯示，以室外為主的自動(dòng)駕駛行業(yè)已經(jīng)出現(xiàn)了空間智能的Scaling Law，但室內(nèi)卻遠(yuǎn)遠(yuǎn)未到。

其次，場(chǎng)景復(fù)雜度高，空間語義理解難度大。

室內(nèi)環(huán)境在空間結(jié)構(gòu)、物體分布與功能邏輯上高度復(fù)雜。相比規(guī)則化的道路場(chǎng)景，家居、辦公等室內(nèi)布局異構(gòu)性強(qiáng)，物體間空間關(guān)系與功能語義細(xì)膩多元。例如，理解“將杯子放在桌面上”這類簡(jiǎn)單指令，不僅需識(shí)別物體，還需推斷桌面的承重特性、杯子的幾何穩(wěn)定性及人物交互上下文，對(duì)模型的深層認(rèn)知提出極高要求。

最后，交互需求復(fù)雜，任務(wù)泛化能力更具挑戰(zhàn)。

室外自動(dòng)駕駛的交互模式相對(duì)封閉，行為可抽象為有限集合（如路徑規(guī)劃、避障等）；而室內(nèi)任務(wù)需響應(yīng)開放指令，如“把餐桌旁的椅子推進(jìn)去”或“找到臥室最亮的燈并關(guān)閉”，要求模型兼具動(dòng)態(tài)環(huán)境感知、物理常識(shí)推理與多步任務(wù)分解能力。

現(xiàn)有模型多局限于靜態(tài)環(huán)境建模，缺乏對(duì)動(dòng)作后果預(yù)測(cè)、物理規(guī)律嵌入與人類意圖的理解，導(dǎo)致復(fù)雜交互泛化能力顯著不足。

從這里看到，數(shù)據(jù)雖是核心瓶頸，但破局不能僅依賴數(shù)據(jù)規(guī)模。

放眼行業(yè)， 群核提出「三位一體」的技術(shù)戰(zhàn)略，也許就能成為行業(yè)突破口。這里的「三位一體」，指的是空間編輯工具、空間合成數(shù)據(jù)和空間大模型，所構(gòu)成的正向循環(huán)閉環(huán)。

工具側(cè)，他們打造了全球最大空間設(shè)計(jì)平臺(tái)，此外還有COOHOM、棚拍、群核酷空間等來構(gòu)建和編輯三維世界。設(shè)計(jì)師和用戶在平臺(tái)上快速創(chuàng)建可交互場(chǎng)景，尤其是裝修設(shè)計(jì)方案，在真實(shí)世界中會(huì)被實(shí)施，從而極大地保證了其物理正確性。

而在數(shù)據(jù)層，通過空間編輯工具的持續(xù)使用，群核沉淀了全球最大的室內(nèi)空間深度學(xué)習(xí)數(shù)據(jù)集InteriorNet。截至2024年，公司擁有超過4.41億個(gè)3D模型和超過5億個(gè)結(jié)構(gòu)化3D空間場(chǎng)景。此外，還開源了首次將3D高斯引入AI空間訓(xùn)練的3D高斯語義數(shù)據(jù)集InteriorGS。

工具帶來了海量數(shù)據(jù)的沉淀，海量數(shù)據(jù)加速了模型的迭代，模型的升級(jí)進(jìn)而提升了工具的體驗(yàn)，工具的優(yōu)化進(jìn)一步帶來更豐富的場(chǎng)景和數(shù)據(jù)，這一閉環(huán)使群核科技在空間智能領(lǐng)域具備了獨(dú)特的優(yōu)勢(shì)，并致力于成為全球空間智能基礎(chǔ)設(shè)施。

基于這樣的技術(shù)飛輪，很多行業(yè)關(guān)鍵問題得到了探索和解決。

比如像前面提到的空間一致性問題、機(jī)器人訓(xùn)練問題。

值得一提的是，他們專門為視頻生成構(gòu)建了個(gè)全新的可控工具，這個(gè)工具是基于SpatialGen空間生成能力、自研渲染引擎KooEngine與DIT架構(gòu)視頻生成模型的深度融合。

高質(zhì)量3D可交互的數(shù)據(jù)庫(kù)，顯著降低了真實(shí)3D場(chǎng)景的構(gòu)建門檻；通過物理級(jí)光線追蹤渲染，生成了與人類視覺認(rèn)知一致的空間表達(dá)；并借助DIT模型強(qiáng)大的時(shí)空建模能力，在保持空間一致性的前提下實(shí)現(xiàn)了動(dòng)態(tài)內(nèi)容的豐富生成。

最終只需用戶簡(jiǎn)單的輸入，工具就能生成符合真實(shí)物理規(guī)律和用戶需求的視頻。據(jù)群核透露，這個(gè)產(chǎn)品將在年內(nèi)發(fā)布。

空間智能的第三條路徑

當(dāng)前，空間智能領(lǐng)域正處在一個(gè)充滿探索與機(jī)遇的“前爆發(fā)期”。各路玩家依據(jù)自身技術(shù)積累，已經(jīng)可以劃分成三種不同的路徑。

一種是以世界模型/視頻生成玩家為代表，他們主要通過海量視頻數(shù)據(jù)訓(xùn)練，追求生成高質(zhì)量、長(zhǎng)時(shí)序的視頻內(nèi)容。然而，大多模型本質(zhì)仍然還是2D像素序列的預(yù)測(cè)，在三維空間的結(jié)構(gòu)性理解、視角一致性和物理規(guī)則遵循等方面存在先天不足，難以實(shí)現(xiàn)可控的空間交互。

另一類則是以具身智能、自動(dòng)駕駛玩家為代表，他們致力于在復(fù)雜真實(shí)的物理世界中實(shí)現(xiàn)感知、決策與行動(dòng)。這條路徑聚焦在高度規(guī)則性的室外場(chǎng)景，難以直接遷移和泛化到布局異構(gòu)、交互意圖多變的室內(nèi)環(huán)境中。

還有一種，就是以群核為代表的原生空間智能路線。這類玩家從一開始就深耕三維空間，尤其是被行業(yè)相對(duì)忽視的室內(nèi)場(chǎng)景。它們致力于構(gòu)建具有精確幾何、物理屬性和語義關(guān)系的數(shù)字孿生空間。其核心是對(duì)空間本身的理解、生成與交互，而非簡(jiǎn)單視覺內(nèi)容生成。

盡管方向各異，但整個(gè)領(lǐng)域仍面臨共通的、嚴(yán)峻的挑戰(zhàn)——

室內(nèi)數(shù)據(jù)的稀缺與高成本、場(chǎng)景語義理解的復(fù)雜性、以及開放交互任務(wù)的泛化能力不足。

這些就決定了空間智能發(fā)展仍處于比較早期的階段，尚未出現(xiàn)GPT-4那樣的涌現(xiàn)。這也是群核此次選擇將模型開源的主要原因：

通過降低技術(shù)門檻，吸引大量的研究者、開發(fā)者乃至行業(yè)玩家參與其中，共同應(yīng)對(duì)行業(yè)挑戰(zhàn)。

當(dāng)然這也不是群核第一次開源。今年3月，SpatialLM 1.0版本開源，迅速登上Hugging Face趨勢(shì)榜前三。目前已有初創(chuàng)企業(yè)基于其代碼和架構(gòu)訓(xùn)練出自有模型。

而此次通過開源，群核能夠帶動(dòng)行業(yè)快速構(gòu)建以“空間語言”為核心的標(biāo)準(zhǔn)和生態(tài)。當(dāng)越來越多的玩家基于群核的開源工具和數(shù)據(jù)集進(jìn)行開發(fā)時(shí)，整個(gè)領(lǐng)域的數(shù)據(jù)沉淀速度、技術(shù)迭代頻率和應(yīng)用場(chǎng)景創(chuàng)新都將得到快速增長(zhǎng)。

其最終目的，自然是加速空間智能演進(jìn)，一起做大產(chǎn)業(yè)蛋糕~

這多少也是“杭州六小龍”的共同特點(diǎn)，雖然所處的賽道不同，但每一家?guī)缀醵际羌夹g(shù)驅(qū)動(dòng)的平臺(tái)型公司。

宇樹打造了一個(gè)機(jī)器人本體平臺(tái)，DeepSeek打造了基礎(chǔ)大模型平臺(tái)……群核科技則是站在空間智能方向上，正在打造一個(gè)面向空間智能開發(fā)和落地的賽道級(jí)平臺(tái)。

（更多效果可以前往公眾號(hào)查看）

Hugging Face：https://huggingface.co/manycore-research/SpatialGen-1.0
Github：https://github.com/manycore-research/SpatialGen
魔搭社區(qū)：https://modelscope.cn/models/manycore-research/SpatialGen-1.0