對話杭州六小龍群核科技：目前視頻生成工具，臨近GPT3.5時刻

群核科技董事長黃曉煌

2025年，同Agent一樣火的概念是“空間智能”。AI教母李飛飛稱，空間智能是AI的下一個前沿。國內群核科技，一直在空間智能領域有很大投入。

12月9日，群核科技2025酷+大會結束后，CEO陳航和董事長黃曉煌以及負責AI產品的龍天澤，三人一起接受媒體群訪。

因為一直在三維世界深耕底層能力，如渲染引擎、GPU超級計算，基于底層能力上的軟件產品也大多服務B端客戶，以至于讓群核科技不被外界熟知。實際上，群核科技同深度求索（DeepSeek）、宇樹科技等公司并稱為杭州六小龍，成立10余年來已獲得十幾輪融資。

陳航和黃曉煌是浙大竺可楨學院同寢室的舍友，兩人畢業后均赴美留學，黃曉煌還短暫在英偉達任職過。2011年兩人回國創立群核科技，黃曉煌擔任董事長，陳航出任CEO。

在這次大會上，陳航提出一個觀念，當AI開始邁向三維世界，需要空間智能的“賣水人”，而群核科技開放底層能力，要成為空間智能的“賣水人”。

從二維世界進入到三維世界，AI進化的最大問題是缺失高質量、結構化的物理世界數據。我們了解到，過去十余年，群核科技3D空間的數據呈現出指數級的增長，目前已經有超過5億個3D場景。這個龐大數據集，對訓練垂類模型優勢很大，但對通用空間大模型的訓練而言，還只能算是毛毛雨。

“空間智能，如果以ChatGPT的發展演變比較的話，還相當于GPT2.0 或者2.5的時代，這其中最關鍵的還是數據問題。”群核科技的首席科學家周子寒告訴我們，和大語言模型不同，網絡上現成的數據很多，而空間智能適用的存量數據遠遠不夠。

從GPT2.0到GPT3.0，大模型參數量從15億漲到上千億，有百倍的增長。而對于更前沿的三維數據，想要實現模型拐點，需要多少數據集完全是未知。

群核科技的路線演變，朝著一個更有野心的方向。借助Aholo平臺，把更多的底層技術能力開放給生態伙伴，匯集更多的3D數據，反哺給空間大模型，不斷提升性能，從而形成一個閉環或者數據飛輪。

相比以往，群核科技還有一個新的變化，將業務從面向B端客戶的SAAS軟件，延伸到C端。比如此次發布的LuxReal視頻生成工具，和當前市場上的視頻生成工具不同，它們依托底層物理空間的技術能力，實現3D建模，相當于為視頻里的主體一致性多構建了一道防護墻。

因此，LuxReal生成視頻里的主體在360度旋轉，或者做一些復雜動作時，肉眼察覺不出主體有任何變形。從最早推出家裝設計類工具酷家樂（海外版COOHOM），到現在的LuxReal，群核已經有4、5個主要產品。黃曉煌說，無論哪個產品增長更快，對平臺和底層能力的需求，都會引發快速增長。

以下是包括白鯨實驗室在內的多家媒體與群核科技的對話，為了方便閱讀，內容做了精簡處理。

01

空間大模型是世界大模型的解法

問：現在空間智能是大家非常關注的話題，你們如何定義空間大模型？它和世界大模型的區別是什么？

龍天澤：現在討論比較多的一個是世界模型，一個是空間大模型，兩者有很多的共通之處，像世界模型，大家有各種不同的解法，我覺得空間大模型是世界模型的一種解法。有一種流派的做法是，用前面幾幀的圖片來推測下一幀的圖片，這里面還沒有太多空間的概念，而是靠一個物理世界運作的邏輯。

這或許有點抽象。人類對于世界的理解，不是基于眼睛看到的東西去做推測，比如說人看到一個水瓶被扔了出去，可以精確預測到它被拋出去后的軌跡，這是依靠大腦直接推理出來的。

另外一個流派就像我們做的，先把三維重建起來，把各種物理模型模擬出來，恢復水平的物理信息，然后它被扔向空中后，怎么自由落體，都是根據物理規則算出來的。

這兩個流派的做法不太一樣，但都屬于世界模型的一種。到底人類是怎么理解物理世界的，這也是學術界和工業界都在探索的方向。人類理解世界，肯定不是數學公式算出來的，最終機器人用哪一種方法，其實兩個流派都在摸索。

問：你們一直強調物理世界正確，擔不擔心未來通用大模型，通過暴力學習把物理世界學會了？

黃曉煌：這是個很好的問題，我不排除這種暴力方法能學會物理的一致性。之前也一直說，我們更多是生態的一份子，大家都在推動解決這個問題，就像我們內部也會調用視頻生成的大模型一起解決問題。

如果突然有人發現某個方法可以解決一致性問題，同時又能解決生存問題，高效訓練的話，大家都用那個方法做就好了。我們創業挺多年，方法一直迭代，之前認為不可能的事情也逐漸變得可能，其實非常樂于見到類似像Sora（OpenAI）這類公司，用暴力方法解決所有問題，我們直接調用就行。

龍天澤：之前我們內部一直在討論這個問題，答案是像Sora這樣的視頻模型，一定是會越來越接近物理真實的。但這里面涉及到第一性原理問題，我們不認為這種視頻模型能從二維中學到三維的東西。

簡單的物理場景下，算法會越來越能夠實現一致性，所以有可能就不需要3D了。但群核的優勢在于，現實世界一定不存在復雜的3D硬件和市場需求，而這些就是我們去滿足的場景。

數據是有天花板的，文本模型現在已經遇到數據天花板，視圖模型遲早也有這一天。而當全世界所有的視頻都拿來訓練一遍后，會發現它的物理規律很難再往上走一個臺階，這時候就是我們的優勢。

問：空間模型和語言模型，有人認為語言才是攻克AGI的重要路徑，有人可能會覺得是空間才是最重要的。你們怎么看？

龍天澤：李飛飛為什么會提出世界模型才是AI時代的下一個技術前沿？本質上，她認為這個世界的建模不是通過語言建模，而是通過三維空間去做的建模。這是第一性原理。

從技術上看，語言模型和空間大模型的技術并不沖突。大語言模型里的token在空間里變成提速信息，如果把訓練數據換成提速信息，它就是一個新的空間大模型。其實在這里面算法可以遷移，只是訓練數據會有不同。

02

未來可能10臺機器人服務一個人

問：現在群核的客戶里有一些掃地機器人，想問一下具身智能行業客戶情況怎樣？

黃曉煌：掃地機器人是我們客戶里很小一部分，因為國內掃地機器人公司也就幾家。我們很多的合作，大部分還是服務工業機器人，收入預期現在不能聊，屬于靜默期。但我們這方面的客戶目前非常多。

問：一個中型具身智能的公司，會產生多大的需求？

黃曉煌：就這么說，機器人要學會在房間里搬椅子，起碼要有10萬個方案的訓練，就干一件事情，你想想日常你要干多少事情？

問：怎么理解這10萬個方案？

黃曉煌：比如說一個方案1000塊，10萬個方案，光買這個方案就要花一個億。

問：你們很多產品已經在行業里得到了應用，面臨的挑戰是什么？

黃曉煌：我們仍然處于行業發展的初期，有各種各樣挑戰，有法規問題、技術問題，也有合作問題。

如果具體一點，機器人行業的挑戰是算法沒有形成共識，中國團隊可能更傾向于真實數據，歐美團隊更傾向于大量的合成數據。我們也沒有辦法改變大家對于正確做法的認知，也不確定誰對誰錯。

但是我們能做的就是，讓技術更好地去滿足兩者的需求，比如服務中國的客戶，盡可能的采用重建技術，服務國外的客戶就用生成技術。這兩者用不同的方式去實現。

問：現在有種比較主流的說法，具身智能的訓練數據來自數字世界和真實世界占比是9:1。

黃曉煌：我們有的客戶是用9:1的配比，但這里面隨著技術的變化，配比也一直在變化。就像陳航（群核科技CEO）今天講的3D重建產品，不斷在縮短數字世界跟物理世界的信息差距，數字世界里的數據盡可能接近于完全真實的世界。

這也是我們努力的方向，我相信，數字世界里面的訓練占比還會繼續提升。

問：工業智能在全球AI界都非常火熱，在可預見的未來，空間智能會長成什么樣子？它會成為互聯網下一代的水電煤嗎？

黃曉煌：我前段時間在烏鎮大會上也說了，未來可能會由10臺機器人服務一個人。這時，機器人不僅需要理解物理世界，還要能在復雜的物理世界工作，空間智能會非常關鍵，變成類似水電煤的基礎設施。

但多長時間能夠完全落地，讓這些機器人能很好地服務一個人，這個時間不好預估。但我覺得未來肯定是往這方面發展的。

問：群核獲得的數據更多是室內的空間數據。相對來說，室外的空間數據獲取相對簡單一點，但是LuxReal生成視頻是全場景數據，這個問題是怎么解決的？

龍天澤：這里其實有兩個角度，第一個角度是對比一下同行，目前同行的數據集我印象里都是小幾萬，或者是小幾十萬的級別。但我們第一版3D場景是104萬，對外官方口徑是4.41億個3D模型（相當于最小的物體單元），其中可訓練的數據至少能有幾千萬，所以第一版104萬數據集，暫時沒遇到不同行業不同場景的分布問題。

未來假設我們拓展到千萬級別場景的數據，的確會遇到剛才說的問題，可能我們的數據更偏室內，室外場景怎么解決。

第二個角度是，3D世界跟其他不同的是材質表現。舉個例子，木紋在室內是地板，在室外就是木頭，這對于3D而言，材質其實是一個更基礎的訓練信息，而模型訓練使用的室內數據，其實已經包含了大量室外所需要具備的材質信息。室外3D資產的材質，我們室內數據也是有的，只是分布會有一些不一樣。

從以上兩個角度看，我們本身龐大的數據池，可能是一個斷崖式領先的數據量。因為3D和材質的這種屬性化差異，使得這種按行業或者場景劃分，并不一定是最科學的方法，反而不會成為我們的瓶頸。

03

當前的視頻生成工具接近GPT3.5時刻

問：跟Sora相比，你們新發布的視頻生成工具LuxReal的獨特競爭優勢是什么？

龍天澤：我們開拓新產品的起點有兩類，一類是從技術本身考慮，一類是從商業角度考慮。LuxReal是基于技術第一性原理考慮的。舉個簡單的例子，比如現在為什么會有transformer，是因為上一代的循環神經網絡底層有根本缺陷，現在的視頻算法，其實像是在二維像素層面去模擬三維空間。

我們會認為，如果現實世界有高保全需求還原的場景，3D重建一定是必不可少的一步。所以LuxReal的初心是，如何用三D重建模態提升視頻的一致性，比如像電商營銷、短劇，我們這個技術出來了以后，去找市場上的垂直商業節點。

跟Sora的區別是，我們完成了真實的3D建模步驟，那意味著可以更好實現空間一致性，因為3D本身就是空間一致性的。而現有的一些產品主要靠視頻模型去控制，視頻模型的原理是在每一幀連續的運行下去猜下一幀，才能保持空間一致性。從技術上看，一定是有了3D建模加持的視頻生成模型，才能在一致性上更具可控性。

舉個極端例子，Sora如果開源了，我們馬上能把Sora的能力也調過來，基于我們的3D建模做出比Sora更棒的視頻。所以我們跟市場上友商的關系是，若他們愿意把API或者跟底層的一些接口能力開放出來，和我們的3D管線做嵌套對接，完全可以合作生成一致性更好的視頻。

問：現在市面上的視頻生成工具生成時間比較短，從時長上看挑戰是什么？

龍天澤：目前生成時間其實取決于GPU的顯存，算法參數量的大小。當下因為我們聚焦的場景，比如說是某些短劇和營銷視頻，單分鏡生成時間大概是5~6秒。我們是一個智能體，會基于一個需求先生成故事，然后生成不同的分鏡頭，最后拼在一起。

整個過程還能加入語音、音樂等，最后時長可以自定義10秒、20秒、30秒，但單分鏡大概上限是6秒左右。

問：LuxReal，如果對比現在的語言類模型，它處于一個什么樣的階段？

龍天澤：LuxReal是多種算法能力疊加在一起，所以如果按商業落地性來說的話，相當于達到GPT3.5，接近商業化可落地的拐點。在我看來，至少在某些垂直營銷領域接近這個時刻，已經可以從所謂的一個創業demo，變成一個真正可以端到端交付的營銷視頻產出。

問：你們已經推出多個產品面向市場，為什么還要做一個Aholo開放平臺？

黃曉煌：我們其實最核心的是空間智能的能力，包括渲染、空間的理解、生成這類的算法，原來是放在內部，這次把這些能力開放出來，通過Aholo平臺，像酷家樂，或者今天發布的LuxReal等這類產品，都是建立在我們的核心能力上面。

群核科技Aholo空間智能開放平臺全景圖

這些產品哪一個成長得更快，我們不確定，但對底層能力的需求以及增長一定會很快。

問：Aholo開放平臺延伸為空間重建、生成、編輯和理解，這幾類產品現在市場需求情況如何，主要壁壘在哪？

黃曉煌：目前我覺得壁壘體現在幾個方面，一是從技術難度上看，肯定是空間生成和空間理解，技術難度是高的，要說誰最高我也不確定。這兩個技術難度的天花板都非常高。

空間的重建，目前看需求大，技術壁壘暫時沒那么高。因為我們在宣推重建時，更多的是解決過去大家爭論的，真實世界和數字世界的數據之間有gap。有了重建，這個gap就小了很多。

它的難點不在于算法本身，而是經營難題。你要能支持市面上各種各樣的硬件。因為各家機器人企業的硬件設備都不一樣，可能有成百上千種，每一種的數據格式和形態都不同。能不能把每一種形態都順利支持，建立一個數據互聯互通，這可能是另外一個難題，我們也在解決。

問：你們自稱是一個拿著錘子找釘子的商業模式，剛剛開始去做酷家樂，一直到現在推出了一個工業AI孿生平臺，這種看起來成熟的打法，在你們內部是怎么確定的？

黃曉煌：工業AI孿生平臺SpatialTwin這種產品，我們很多年前就想過要做，但有礙于技術或市場條件，一直沒推出來。很多時候都是外部環境變化了，憋了很多年的技術突然就可以上線了。

技術變化是可以提前被預見的，而市場變化則是無法預料的。就像去年發布會上，我絕對不知道今年的人形機器人、DeepSeek會這么火，社會變化太快了，至少我們還在牌桌上，也沒有miss時代的機遇。

我們一直兩條腿走路，一個前沿技術研究的團隊在做技術探索，錘子始終在找釘子到來的機會。當釘子因為技術演變到了這個節點，我們就會快速跟上，這是中小廠的特點。它可以小步快跑，迅速迭代，可以先用市場來驗證，再繼續往前去走。

撰寫｜劉培

編輯｜吳尋

「白鯨實驗室」原創文章

轉載、交流、合作請添加微信：liujiaquan2025