网页 综合 更新时间 2026-11-16 03:28:12

空间智能卡脖子难题被杭州攻克!难倒GPT-5后,六小龙企业出手了 – 量子位

自动蜘蛛 www.qbitai.com 正文约 2124 字
空间智能卡脖子难题被杭州攻克!难倒GPT-5后,六小龙企业出手了 – 量子位
最近3D内容生成模型好生热闹,像谷歌Genie 3、World Labs、混元、昆仑争相发布并开测世界模型。
一片喧嚣中,杭州“六小龙”之一群核科技低调却重磅地发布了自己的空间大模型,选择了一条与众不同的路径:
深耕室内场景,并直指行业核心痛点「空间一致性」。
不管怎么移动都很丝滑~生成的视角也都是合理的。
从视频生成到AI短剧,令人出戏的空间穿帮、扭曲视角和断裂逻辑屡见不鲜,往往需要反复调教才能勉强可用。空间一致性,已成为横亘在虚拟世界与现实世界之间的最大技术壁垒。
当前主流技术路线可以分为两类,一类是以Genie 3为代表的“视频生成派”,虽能生成动态交互内容,但本质仍是二维序列的仿真。虽然视觉效果很逼真,但难以从根本上保证三维空间的视角与结构一致性。
另一类则是以World Labs、混元为代表的“3D场景生成派”,虽能实现360度漫游,却受限于高质量3D数据的匮乏,时常在视角切换中出现场景崩坏、内容穿帮问题。
而群核的空间大模型,正是致力于突破当前模型遇到的这些挑战。
它不仅在三维空间的视角一致性上表现得可靠,其漫游自由度和真实感上也更具优势。
而要了解这一最新突破,首先需要回答一个更根本的问题:什么是空间大模型?
作为AI从数字世界走向物理世界的关键,李飞飞曾将空间智能的理论框架分为四个维度,分别是空间认知理解、空间推理、空间交互行为与空间生成。
当前大模型主要局限于文本、图像等二维交互领域,但在三维空间操作(如家务协助)方面仍有距离。像扫地机器人能感知障碍物,却无法理解“花架可移动而承重墙不可撞”的空间常识。
解决这一问题的关键在于真正的空间理解和认知能力,并且在此基础上具备交互行为。这既是空间智能的核心价值,也是空间大模型区别于其他AI「二维转三维」探索的最大特点。
不过空间大模型具体能干啥?群核科技的发布,让这一概念变得清晰可见。
用群核首席科学家周子寒的话说,群核空间大模型具备三个特点:真实感全息漫游场景、可交互性以及复杂空间处理能力。
此次他们开源的两个子模型——空间语言模型SpatialLM1.5和空间生成模型SpatialGen正是最佳例证。
在世界模型中,漫游自由度是衡量智能体在虚拟或仿真环境中空间探索能力的关键指标,它直接反映了世界模型对物理空间的建模精度和交互灵活性。背后这不仅依赖于环境建模,还有对物理规则的理解程度。
不过因为开源3D场景数据稀缺,用户在创作一个空间时很难保证每个视角都有合理的内容,比如离开指定环境就出现崩坏或者内容缺失的情况。
此次开源的SpatialGen,正是基于扩散模型架构,它可根据文字描述、参考图像和3D空间布局,生成具有时空一致性的多视角图像。然后采用一种全新3D高斯重建技术来还原3D场景。
在这个场景里,用户可以四处走动,仿佛置身其中。
世界模型的一个很重要愿景在于希望它能模仿真实场景中的各种交互,机器人也可以在里面进行移动。
前面提到扫地机器人不懂空间常识,那如果将各种物理参数等词汇都保存在模型中,机器人是不是就能在一个可交互场景中去完成任务了呢?
此次他们发布的另一个模型SpatialLM 1.5,首次定义了空间语言这一概念。
像传统自然语言模型,你给它一张图,它会用自然语言来描述图中的内容,这就有点像文科生。
但空间语言就更像是理科生,给它一张图就获得整个场景完整的3D信息。它会用坐标轴去描述每个物体中的空间位置,包括它的形状、姿态描述,甚至还包括物体的各种物理属性等。
这种参数化的场景描述方式,使模型既能支持精准的空间生成与编辑,又能为机器人处理复杂任务提供支持,这是传统模型无法带来的独特优势。
先来看空间生成,不妨拿GPT-5来做下对比测试。
给GPT-5一张空间图,并且补充空间语言的描述,让它基于对空间的理解摆放常见的家具。
结果经过可视化后看到,它并没有对图片有很好的理解,甚至还将原来的轮廓变成了四方形。
而设计更复杂的Prompt,让它能充分理解空间信息之后再去创作。
这次房间轮廓没有问题,不过家具都摆在了一个房间角上了。
同样的图扔给SpatialLM1.5,仅用自然语言先让它生成三维空间,然后在空间里放些家具,并且再加上约束:适合老人居住。
可以看到,它将沙发放到了左边,对面有一个电视机柜,旁边还有个轮椅,应该是基于「适合老人居住」的理解。
再来看复杂空间任务处理能力。SpatialLM1.5可以被打造成AI Agent框架,通过调用工具来拥有更多的空间能力。
根据“从卧室床边到客厅”的指令,模型能够基于空间理解能力,调用路径规划工具生成合理路线。
不过这只是群核空间大模型的阶段性探索。群核坦言,相比于文本、图像,空间大模型仍处于较早期的阶段。如果以GPT系列作类比,现在相当于处在GPT-2阶段。
从这里能够看到,要想让模型出现涌现能力,数据正是其中的核心突破点。
而从过去种种进展能够看到,室外场景的探索很多,但聚焦在室内场景的很少。而正在探索并且探索得比较好的,可能就只有群核一个。
这与业内正在面临的现实挑战紧密相关,关键问题有三个。
首先,数据稀缺性与获取成本高企,尤其是室内空间数据。
访问原文 返回搜索 https://www.qbitai.com/2025/08/326375.html
本页为82搜索生成的网页快照,内容来自站内索引;演示数据的原文链接仅作示例。