对话VAST宋亚宸与群核首席科学家周子寒：“3D才是人类的母语”

作者 ｜ PRO
邮箱 ｜ pro@pingwest.com

在 AI 创造者嘉年华上，VAST 创始人兼 CEO 宋亚宸与 群核科技 首席科学家周子寒，围绕空间智能和世界模型的话题展开讨论。

作为两个从不同角度推进AI在真实世界进展的公司，以及两个背景迥异的从业者，这场对话产生了诸多有趣的化学反应。

以下为对谈实录：

“如果AI能创造一个世界，你想要真实世界的副本，还是魔法梦境？”

王兆洋：接下来的讨论很可能天马行空。

一开始我想先问观众个问题：如果现在有一个按钮，按下就能生成一个3D空间，你希望它是1:1复刻真实地球的副本，还是天马行空的魔法世界？

看大家举手的数量，看起来大家更希望创造一个和当前世界不同的世界。

这个现象很有意思，我简单理解，今天到场的两家公司，在我看来恰好对应这两类不同方向。

这两家公司近期都发布了非常出色的模型，VAST发布了Tripo 3.0，而群核发布了SpatialLM和SpatialGen，正好就请两位结合近期的工作，介绍一下各自的公司及目前正在做的事情。

宋亚宸：大家好，我是VAST的CEO Simon，我们公司专注于AI 3D大模型研发，其核心大模型名为Tripo。我们的Tripo 3.0版本已于上个月发布，它具备通过文字和图片内容生成完整、可用且有价值的3D模型的能力，和之前的模型相比，其精度、速度和效果均有显著提升。这里提前剧透，我们下周会发布Tripo 3.0的Ultra版本，其精度将进一步提升，大家可以拭目以待。

3D生成技术是大概三年前才被人类发明的新兴技术，它如同“马良的神笔”，能实现“心想事成、言出法随”的效果。在虚拟技术领域，这种创造世界的能力近乎“神性”，但早期生成效果与实用需求存在差距，可用性较低。不过，在短短两三年间，经过算法科学家的持续努力，目前效果已达到相对可用的水平。大家可以在网上直接体验，无论是生成角色、道具还是场景，效果都不错，可应用于游戏、动画、影视、3D打印、工业设计、室内设计，以及元宇宙、XR等领域，且已有实际落地案例。

王兆洋：大家可以去VAST官网上查看更清晰的演示，效果非常震撼。接下来请周子寒老师介绍下群核科技——群核是“杭州AI六小龙”之一，在座各位可能此前对其关注较少，但实际上，他们始终在做长期且扎实的工作，值得深入了解。

周子寒：大家下午好，我是群核科技的首席科学家周子寒。

简单介绍群核科技：我们是一家空间智能服务商，核心业务是搭建数字世界与物理世界的桥梁。通过一系列工具收集沉淀下来空间数据，再用这些数据训练模型，形成“工具-数据-模型”的商业闭环，以此打通数字世界与物理世界的壁垒。我们的愿景是，未来所有物理世界的场景——包括每个人的家、日常生活的方方面面——都能在数字世界中一样被直接计算。相较于游戏领域的创意导向，大家可以理解我们是一家偏向“理科生”风格的公司，更注重技术的落地性，而非创意的花哨性。

王兆洋：在AI行业的论坛上，很少见到场上三人中两人是文科背景、一人是理科背景的情况，通常应该反过来才对。群核也准备了相关视频，我们可以看一下。

周子寒：视频展示的是我们基于大语言模型训练的空间语言模型（SpatialLM）。我们认为，对空间的理性描述，应当通过数字和代码实现。既然大语言模型能通过英文、中文与人类交流，为何不能通过“空间语言”交流？视频中展示了如何用空间语言与模型交互，最终能生成可交互的三维场景，且场景内所有元素都可用数字精准描述。这一技术可应用于室内设计、机器人训练，以及未来更多需要空间交互的场景，这是我们的核心发展方向。

从CAD到空间语言：群核的底层语料革命

王兆洋：我想追问子寒老师一个问题。可能是理科生做技术的习惯性表述，你把一件我认为非常出色的创新一笔带过了——在SpatialLM中，“空间语言”被作为语料用于模型最底层训练。早期讨论大语言模型时，人们常说中国模型不如美国模型，核心原因之一是中文语料质量与数量不及英文语料，可见语料质量对模型底层能力的重要性。而现在，群核将“空间语言”视为与人类自然语言等价的语料，用于模型最早期的训练与学习。

我理解的“空间语言”，就是视频中一闪而过的，类似中英文夹杂，但它是文字与数字结合的特殊语言。群核是较早且独特开展这项工作的。所以想请教：你们为何选择以空间语言作为模型底层训练核心？又为何只有群核能做这件事？

周子寒：群核的特点在于，我们处于一个非常独特的生态位，全球范围内都很难找到可直接类比或接近的公司。这一独特性的形成，与我们的历史渊源密切相关。

大家可能了解，传统3D生成技术主要分为两类：一类是计算机图形学，偏创意导向，比如电影特效、游戏场景设计；另一类是计算机辅助设计（CAD），偏物理世界的精准还原，以数学和客观理性的逻辑描述场景，追求厘米级、毫米级的精确度。

群核在发展初期，就从计算机辅助设计（CAD）视角切入空间智能领域，这一切入点决定了我们的技术路径——从一开始就聚焦于用数字精准描述物理空间。在后续发展中，我们积累了大量CAD技术相关的经验，实现了跨越式发展。这种基于历史积淀的技术路径难以复制，这也是当前AI领域中，鲜有企业开展类似探索的核心原因。

王兆洋：简单总结就是，群核过往积累的“DNA”，有意无意间延伸到了当前的业务中，形成了独特的竞争优势，这是其他企业难以复制的。

Simon曾提到“语言的发展已至瓶颈，3D将成为新的突破方向，而空间数据、空间语料在这一过程中至关重要。”那么，Tripo作为一家新兴公司，与有历史积淀的群核不同，且你并非3D技术出身，而是文科生背景，那为何会选择AI 3D赛道？你的背景又为VAST带来了哪些独特性？

3D 生成，不只是技术，而是人类的造梦权

宋亚宸：首先要说明，群核是一家非常温暖的企业，并非只有理科生的严谨。我们VAST刚搬新办公室时，每天都在使用酷家乐，双方合作非常顺畅，且两家公司都在杭州，日常交流频繁，彼此印象很好。

回到问题，我们选择AI 3D赛道，核心是发现了一个行业痛点：信息载体的升维需求与3D创作高门槛之间的矛盾。我们观察到，信息载体正从图片、视频向3D升维，但大众对3D信息载体的认知仍较陌生——朋友圈、抖音等平台中几乎没有3D内容，普通人只能在游戏中接触3D。而文字、图片、视频能被广泛消费，核心原因是早期互联网技术有限，硬件处理能力不足以支撑3D内容传播。

人类作为3D生物，天然倾向于3D信息交互。比如古代文字发明前，人类就已开始制作雕塑、崇拜图腾；婴儿对3D物体的反应更直接，对2D图像则相对迟钝。早期互联网受限于带宽和硬件，只能以文字为主，3G、4G时代来临后，图片和视频才得以普及。我们认为，当互联网技术进一步成熟，3D将成为最终的内容形态——这是一个“解压缩”过程，信息密度从低维向高维回归。

此外，文字、图片、视频都有大众级创作工具，但3D创作门槛极高：需要专业软件、大量资金和时间投入，普通人难以承受。我们希望通过AI技术，实现“零成本、零门槛”的3D内容生成，这是我们选择该赛道的核心驱动力。

而我的文科生背景，让我不会被传统技术思维束缚。很多技术出身的从业者会先考虑“现有技术能否实现”，而我更关注“用户需要什么”。比如在设计Tripo时，我们没有纠结于复杂的参数调节，而是聚焦“让用户用简单语言生成模型”，推出了“新手模式”，这正是文科生背景带来的差异化视角——以用户需求为核心，而非技术导向。

王兆洋：也就是说，你认为人类对3D信息的需求是本能的，只是受限于技术发展未能被满足？

宋亚宸：没错。比如把一个3D玩具递给婴儿，他会主动伸手互动；但给婴儿看2D漫画，他会觉得莫名其妙，这是婴儿的天然反馈。人类发展至今，上一代互联网技术反而“淹没”了对3D信息的本质需求，技术尚未完善到服务这一需求。

当然，早期互联网技术有限，信息需要先“压缩”成低维形态传播。但另一个关键问题是，3D创作缺乏大众工具，而我们的目标就是解决这一痛点，让普通人也能轻松创造3D内容。

王兆洋：发现这个痛点后，结合当前AI技术，如何看待3D“解压缩”与这一波AI主流红利的关系？是独立趋势，还是存在先后或依赖关系？

宋亚宸：我将创业分为三类：第一类如马斯克，追求颠覆性创新，拓展人类边界；第二类致力于延长人类寿命；第三类是让人们在有限生命中获得极致体验，比如迪士尼，这也是我想走的方向。

回到问题，语言压缩技术（如大模型的语言处理能力）确实重要，甚至可用于太空信息传输。但对我而言，让每个人获得极致的3D体验，更具价值。大模型技术为3D生成提供了支撑，比如Tripo能理解复杂文字描述、实现跨模态生成，这都依赖大模型的能力，但3D“解压缩”的核心驱动力，是人类对3D信息的本能需求，大模型只是加速这一趋势的技术手段，而非核心原因。

王兆洋：接下来分别给两位提一个更个人化一些问题。Simon，作为CEO和创始人，你并非技术背景，但你其实也是Tripo的“第一个用户”，每次版本更新都会率先体验并给出反馈。在追求“让人类获得极致体验”的创业方向中，有没有某个瞬间，在使用Tripo或看到产品迭代时，让你更坚定了当前的方向？

宋亚宸：有，这个瞬间和我小时候的经历有关。我小时候住校，那会儿没有电子设备，男生们会在厚笔记本上画游戏地图、设计RPG角色数值，课间模拟对战，我还会客串“GM”，偷偷给喜欢的角色加数值，赢取同学的零食。那些笔记本我至今还保留着，上面的地图和数值虽显幼稚，却是我第一次尝试“创造世界”，但受限于条件，这些创意只能停留在纸上。

而3D生成技术让这个梦想成为了现实。去年Tripo 2.0版本发布时，我输入了小时候画的“魔法森林”描述：“有发光的大树、蓝色河流、带翅膀的小精灵、紫色蘑菇”，几分钟后，完整的3D场景就呈现在眼前——树叶随风晃动、河流有流动效果、小精灵绕树飞舞。那个瞬间我非常感动，小时候只能想象的世界，如今用一句话就能实现。

后来我还用Tripo做了自己的第一款游戏，利用 AI 技术，一个人花了不到一周就完成了。这在以前是不可想象的——传统游戏开发需要建模师、程序员、美术师协作数月。这个过程让我确定，我们做的事情是对的：不是开发冷冰冰的技术，而是给每个人“创造世界的工具”，让普通人的创意也能通过3D落地。

做上帝，还是造世界？

王兆洋：我一直有个观点，这一波AI创业的创始人，很多有“做上帝”的动力——不是掌控一切，而是通过技术创造新规则、新世界，训练模型的过程如同“造一个上帝”。子寒老师，作为理科背景的技术研究者，听完Simon的分享，您有何感受？在研发SpatialLM等模型时，有没有某个“触碰到技术本质”的突破性时刻？

周子寒：“做上帝”的说法过于宏大，理科生可能更倾向于“理解世界规则并通过技术还原”。不过Simon提到的“解压缩”概念，我很认同，这与我们做空间智能的逻辑相通。

大语言模型的核心价值，是将人类几千年的知识沉淀在语言载体中——没有语言，知识无法传承，人类难以进步。但语言具有抽象性，比如“温馨的客厅”，每个人的想象都不同；而图像虽具象，信息密度却远低于语言，无法描述结构化的空间逻辑，比如尺寸、材质。

从语言到图像，是第一次“解压缩”——将抽象描述转化为具象画面；而我们做的SpatialLM，是第二次“解压缩”——将语言或图像中的空间信息，转化为3D可交互模型。只有3D模型，才能实现“空间计算”，比如判断沙发能否放进客厅、计算人行走的路径，这是2D图像和语言无法完成的。

研发SpatialLM时，有一个突破性时刻：我们给模型输入一段详细的卧室描述——“10平方米卧室，靠墙放1.5米双人床，床对面是60厘米宽衣柜”。模型不仅生成了符合尺寸的3D场景，还可以计算出“衣柜与床距离1.2米（满足通行需求）”。当我们将床宽改为1.8米，模型会自动调整：“衣柜与床距离缩短至0.9米（提示通行不足）”。以前的AI只能识别“这是床、这是衣柜”，而SpatialLM能更好地理解空间逻辑，这是以前没有的能力。

王兆洋：现在能感受到两位的“化学反应”了。回到最初的互动问题，“复刻地球副本”与“创造魔法世界”，这两条技术路径是独立的，还是存在协同关系？我了解到两家公司已开始合作，这是否也是对该问题的探索？

周子寒：我之前看《智能简史》，书中提到“世界模型”是哺乳动物大脑的核心能力——比如老鼠在迷宫分叉口会停顿，在脑中模拟“往左走有食物、往右走有危险”；人类也会随时模拟未来，比如“今天下雨要带伞”。

这一“世界模型”有两面：一面是“还原现实”——结合物理世界输入（视觉、听觉）模拟真实变化，对应“复刻地球副本”；另一面是“创造虚拟”——无物理输入时（如做梦），模拟创意场景，对应“魔法世界”。这两面并非对立，而是互补：只有理解现实规则，才能创造出逻辑自洽的虚拟场景（比如魔法世界的城堡，内部结构仍需符合空间逻辑）。

群核与VAST的合作，正是探索这种协同。比如我们正在推进的项目：用户先用酷家乐设计真实户型（还原现实），再通过Tripo将其转化为“魔法风格场景”（如客厅变中世纪城堡、卧室变太空舱），但户型结构、门窗位置保持不变（确保空间逻辑）。这种“现实为骨、创意为皮”的模式，既满足用户的创意需求，又保证场景可用性，正是两条路径协同的体现。

王兆洋：这个角度很有意思——若将“还原现实”视为“白天的世界”，“创造虚拟”视为“夜晚的梦境”，未来两者的边界可能会逐渐模糊。Simon，VAST作为偏向“创造虚拟”的一方，如何看待现实与虚拟的关系？两家的合作又能带来哪些可能性？

宋亚宸：公司刚成立时，我在图形学顶会SIGGRAPH分享过一个愿景，这也是50年来首次有中国人在那里做主题演讲。这个愿景的灵感来自《火影忍者》中的宇智波斑——他将眼睛投射到月球，让人类沉浸在梦境中，认为“每个人活在理想世界，就不会有争斗”。这个想法虽极端，但逻辑有一定道理：人类的矛盾多源于需求未满足，若虚拟世界能低成本满足这些需求，现实冲突可能减少。

我认为，虚拟世界不是现实的替代，而是延伸与补充。比如有人喜欢登山，可在现实中爬珠峰，也可在虚拟中爬“1:1珠峰副本”来规避风险，还能爬“会移动的魔法山峰”获得新奇的感觉，三种体验互不冲突，反而丰富生活。再比如，有人失去亲人，可通过3D技术生成亲人的“数字分身”，在虚拟世界中互动，这是现实无法提供的情感寄托，能帮助其更好地面对现实。

VAST想扮演“虚拟世界生态建设者”的角色——不仅做3D生成工具，更要搭建UGC（用户生成内容）3D平台：设计师可生成游戏场景、道具并出售；普通人可生成虚拟形象、梦想家园并分享；小朋友可让自己画的卡通角色“活”在虚拟中。而与群核的合作，能让虚拟场景更贴合现实逻辑，比如基于真实户型生成创意场景，让虚拟体验更“落地”。

未来，当具身智能替代人类劳动、物质资源极大丰富后，虚拟世界可能成为主流生活场景——就像现在人们沉迷手机一样，未来可能出现“孙子劝爷爷‘别沉迷现实，来虚拟世界玩’”的场景。这不是颠覆现实，而是提供更多元的生活方式。

从李飞飞的世界模型到VAST与群核的路径：不同的解法，同一个终点

王兆洋：现在回到行业现状：Simon提到3D生成技术三年前被发明，我们观察，它因ChatGPT带来的大模型浪潮和李飞飞团队“世界模型”Demo的推动，正成为拥挤赛道。李飞飞团队的世界模型以Demo展示，未发布产品，却引发广泛关注。想请教两位：如何看待李飞飞团队的世界模型进展？其与你们心中的“终极世界模型”有何差异？是否存在竞争关系？

周子寒：首先明确，李飞飞团队的世界模型与群核的空间智能，属于“同一领域的不同细分方向”，无直接竞争关系——前者偏向全场景探索，后者聚焦空间智能，核心目标不同。

我理解的“终极世界模型”，是一套“全场景世界模拟器”：能接收任何输入，比如语言、文字、传感器数据如温度/湿度、物理规则如重力/摩擦力等，并精准推演“下一秒会发生什么”。比如输入“北京下午3点下雨、风力3级，人撑伞走在长安街”，模型能模拟“雨伞倾斜30度、地面积水1厘米、步速变慢20%”；输入“机器人在100平米客厅打扫（有L型沙发、圆形茶几）”，模型能模拟“先扫沙发底、再绕茶几清洁，耗时15分钟”。这种模型需要融合3D建模、物理引擎、多模态感知等技术，这是我们的长期目标。

而李飞飞团队的世界模型、还有Google 的Genie等，属于“有限输入下的世界模型”：输入类型较单一，以视觉、简单语言为主，模拟场景多为小规模、低动态，如“调整场景中物体位置”“控制虚拟角色动作”等，他们无法覆盖复杂、动态的真实场景，比如“杯子装水移动时的洒水量”“机器人避障路径规划”等。

因此，李飞飞团队的工作更像“行业探路者”，验证了“3D+AI”的可行性，为行业提供思路；而群核聚焦“空间智能”，先将物理空间的模拟与计算做透，为室内设计、机器人等领域提供支撑，两者互补而非竞争。

王兆洋：若用一句话定义“世界模型”，最核心的表述是什么？

周子寒：它能够描述物理世界的状态变化。

宋亚宸：我从技术发展路径补充两点。首先，AI行业可分为两个时代：AI 1.0时代，聚焦“小模型解决细分问题”——比如垃圾识别、井盖检测、老人防摔跤监测，行业比拼“模型越小越精准”；AI 2.0时代，以OpenAI 的ChatGPT为标志，通过“Scaling Law”训练通用大模型，用一个模型解决泛化问题，行业比拼“模型越大、数据越多越优”。

3D生成技术的快速发展，正是受益于AI 2.0的思路。图形学是古老学科，过去20年光线追踪技术进展缓慢；而AI 3D生成技术三年间每3-5个月就有大版本更新，核心是“用数据驱动模型”——通过海量3D数据让模型自主学习空间逻辑，效率远超传统图形学。

其次，Google Genie 3 展示的“实时可交互视频生成”技术，让行业看到了另一种可能性：若能直接生成可交互视频，无需3D模型和引擎渲染（如Unity流程），传统3D管线可能被颠覆。但目前该技术面临三大瓶颈：一是内容一致性（如角色动作穿帮）；二是可控性（无法精准调整细节）；三是算力成本（单帧生成成本是传统渲染的10倍）。

这让我想到10年前的云游戏技术——“云端渲染，手机玩3A大作”的想法很好，但因带宽费、算力费过高，用户无法接受，最终未规模化。实时视频生成若无法实现本地部署，可能重蹈云游戏覆辙。因此，VAST仍聚焦3D生成——3D模型的应用场景更广泛（3D打印、机器人训练、元宇宙等），短期商业化价值更高。

王兆洋：作为创始人，你们需在“激烈的短期竞争”与“长远愿景”间平衡——比如VAST要应对3D生成赛道的竞争，群核要兼顾设计工具业务与AI研发，还要处理产品、团队、资金等事务。想请教两位是如何平衡两者的？日常管理中如何落地？

宋亚宸：创业公司与大厂比拼支付、运营、用户增长这些“常规能力”，必然是处于劣势的。因此，我们的核心策略是“聚焦非共识的高增长小赛道”——这类赛道需高投入、短期回报不明确，大厂因“投入产出比”不会进入，且99%的人不看好，只有我们判断其未来潜力，从而获得发展空间。

比如VAST选择的“UGC 3D内容平台”赛道，当前市场规模仅千万级，需投入大量资金做模型研发和社区运营，大厂不愿涉足；但我们判断，当3D创作门槛降至“手机拍照级”，用户需求会爆发，未来市场规模可达千亿级。

同时，我们会公开愿景——明确告知投资人、员工、用户“VAST要做UGC 3D平台”，所有决策都围绕这一目标：不符合愿景的业务坚决不做；资源优先投入模型研发，如推迟社区功能，保障Tripo 3.0迭代。我们三年未修改战略PPT，就是为了让所有人对齐愿景，形成“共识力”——创业公司最宝贵的不是资金，而是一群相信同一目标、有自驱力的人。

当然，我们会灵活调整方法，但愿景绝不妥协，这是平衡短期竞争与长期目标的核心。

王兆洋：子寒老师，群核作为有规模的企业，服务数百万设计师，同时需投入空间智能等长期研发。作为首席科学家，您如何平衡“短期商业目标”与“长期技术理想”？

周子寒：群核的平衡策略是“构建数据闭环，让技术与业务相互赋能”——我们不做脱离业务的技术研发，而是基于现有业务积累，反哺长期研发，再用技术提升业务价值。

群核的核心优势在于“数据”：旗下酷家乐等工具，每天产生数百万条结构化空间数据，用户使用工具的过程，就是“数据生成与标注”的过程——无需额外购买数据或组建标注团队，这是其他企业难以复制的。

比如酷家乐的“自动布局”功能：早期基于规则开发，用户满意度仅60%；后来我们用1亿+布局方案数据训练SpatialLM模型，升级为“智能布局”——可结合用户生活习惯（如“有小孩需留活动空间”）、风格偏好（如“极简风倾向浅色家具”）生成方案，这使得用户满意度提升至85%，使用率增长30%。在这里，业务为技术提供数据和场景，技术反哺业务增长，形成闭环。

再比如“机器人空间感知”业务：我们用酷家乐数据训练SpatialLM，为机器人公司提供空间理解能力；机器人公司使用过程中产生的“避障数据”，再反哺模型优化。该业务既能带来短期收入，又为“空间智能+机器人”的长期布局积累经验。

日常研发中，我们有明确原则：所有前沿项目必须绑定“业务落地场景”或“商业目标”，如SpatialLM绑定酷家乐优化和机器人训练；同时，每年从营收中划出15%-20%投入“2～3年后落地的技术”，不考核短期KPI，保障长期探索。这种“业务滋养技术、技术反哺业务”的模式，能兼顾短期压力与长期理想。

创造世界的工具，正被交到每个人手中

王兆洋：最后，如果可以想请两位剧透一些接下来的规划——Simon提到Tripo 3.0 Ultra下周发布，子寒老师的SpatialLM系列也有新进展，能否详细介绍？

宋亚宸：Tripo 3.0 Ultra版本主要有三个亮点：一是生物模型细节优化，比如生成宠物猫能还原毛发走向与光影变化，生成向日葵能模拟“随光线转动”；二是机械结构联动生成，输入“齿轮传动装置”描述，模型能自动装配齿轮并模拟联动效果，大幅提升工业设计效率；三是3D打印全流程适配，自动检测模型可打印性（如调整壁厚、添加支撑），直接导出STL格式，用户无需二次处理。

特别推荐大家尝试“自定义3D打印手办”——输入“Q版柯南，持麻醉枪，站姿”，生成模型后打印，成本比官方手办低80%，还能定制官方没有的款式，下周官网会上线该版本，欢迎体验。

周子寒：群核接下来有两个核心规划：一是发布“空间视频创作工具”，解决当前视频创作的痛点——如“镜头移动时沙发偏移”“人物动作与场景脱节”。该工具基于3D空间模型生成视频：用户用酷家乐设计场景后，可自由调整摄像机角度、虚拟人物动作，系统自动生成逻辑连贯的视频，适用于家装设计师制作漫游视频、普通用户创作“虚拟生活视频”。

二是开放“空间智能API”：将SpatialLM的核心能力，比如空间理解、3D生成、空间计算等等能力开放给开发者，包括家装公司可开发专属设计工具，机器人公司可优化路径规划，游戏公司可快速生成场景。我们希望通过开放生态，吸引更多行业参与空间智能建设。目前我们已与20多家企业达成合作意向，后续会逐步开放测试权限。

王兆洋：感谢两位的分享！非常有趣的对话，谢谢大家！

点个“爱心”，再走 吧