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(nèi)群核科技，一直在空間智能領(lǐng)域有很大投入。

12月9日，群核科技2025酷+大會結(jié)束后，CEO陳航和董事長黃曉煌以及負責AI產(chǎn)品的龍?zhí)鞚?/strong>，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(chǎn)品也大多服務(wù)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(xué)院同寢室的舍友，兩人畢業(yè)后均赴美留學(xué)，黃曉煌還短暫在英偉達任職過。2011年兩人回國創(chuàng)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(zhì)量、結(jié)構(gòu)化的物理世界數(shù)據(jù)。我們了解到，過去十余年，群核科技3D空間的數(shù)據(jù)呈現(xiàn)出指數(shù)級的增長，目前已經(jīng)有超過5億個3D場景。這個龐大數(shù)據(jù)集，對訓(xùn)練垂類模型優(yōu)勢很大，但對通用空間大模型的訓(xùn)練而言，還只能算是毛毛雨。

“空間智能，如果以ChatGPT的發(fā)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(guān)鍵的還是數(shù)據(jù)問題。”群核科技的首席科學(xué)家周子寒告訴我們，和大語言模型不同，網(wǎng)絡(luò)上現(xiàn)成的數(shù)據(jù)很多，而空間智能適用的存量數(shù)據(jù)遠遠不夠。

從GPT2.0到GPT3.0，大模型參數(shù)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(shù)據(jù)，想要實現(xiàn)模型拐點，需要多少數(shù)據(jù)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(shù)能力開放給生態(tài)伙伴，匯集更多的3D數(shù)據(jù)，反哺給空間大模型，不斷提升性能，從而形成一個閉環(huán)或者數(shù)據(jù)飛輪。

相比以往，群核科技還有一個新的變化，將業(yè)務(wù)從面向B端客戶的SAAS軟件，延伸到C端。比如此次發(fā)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(shù)能力，實現(xiàn)3D建模，相當于為視頻里的主體一致性多構(gòu)建了一道防護墻。

因此，LuxReal生成視頻里的主體在360度旋轉(zhuǎn)，或者做一些復(fù)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(shè)計類工具酷家樂（海外版COOHOM），到現(xiàn)在的LuxReal，群核已經(jīng)有4、5個主要產(chǎn)品。黃曉煌說，無論哪個產(chǎn)品增長更快，對平臺和底層能力的需求，都會引發(fā)快速增長。

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

01

空間大模型是世界大模型的解法

問：現(xiàn)在空間智能是大家非常關(guān)注的話題，你們?nèi)绾味x空間大模型？它和世界大模型的區(qū)別是什么？

龍?zhí)鞚桑?/strong>現(xiàn)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(yù)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(fù)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(jù)物理規(guī)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(xué)術(shù)界和工業(yè)界都在探索的方向。人類理解世界，肯定不是數(shù)學(xué)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(diào)物理世界正確，擔不擔心未來通用大模型，通過暴力學(xué)習(xí)把物理世界學(xué)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(xué)會物理的一致性。之前也一直說，我們更多是生態(tài)的一份子，大家都在推動解決這個問題，就像我們內(nèi)部也會調(diào)用視頻生成的大模型一起解決問題。

如果突然有人發(fā)現(xiàn)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(xùn)練的話，大家都用那個方法做就好了。我們創(chuàng)業(yè)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(diào)用就行。

龍?zhí)鞚桑?/strong>之前我們內(nèi)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(xué)到三維的東西。

簡單的物理場景下，算法會越來越能夠?qū)崿F(xiàn)一致性，所以有可能就不需要3D了。但群核的優(yōu)勢在于，現(xiàn)實世界一定不存在復(fù)雜的3D硬件和市場需求，而這些就是我們?nèi)M足的場景。

數(shù)據(jù)是有天花板的，文本模型現(xiàn)在已經(jīng)遇到數(shù)據(jù)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(xùn)練一遍后，會發(fā)現(xiàn)它的物理規(guī)律很難再往上走一個臺階，這時候就是我們的優(yōu)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?zhí)鞚桑豪铒w飛為什么會提出世界模型才是AI時代的下一個技術(shù)前沿？本質(zhì)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(shù)上看，語言模型和空間大模型的技術(shù)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(xùn)練數(shù)據(jù)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(xùn)練數(shù)據(jù)會有不同。

02

未來可能10臺機器人服務(wù)一個人

問：現(xiàn)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(yè)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(nèi)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(wù)工業(yè)機器人，收入預(yù)期現(xiàn)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(chǎn)生多大的需求？

黃曉煌：就這么說，機器人要學(xué)會在房間里搬椅子，起碼要有10萬個方案的訓(xùn)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(chǎn)品已經(jīng)在行業(yè)里得到了應(yīng)用，面臨的挑戰(zhàn)是什么？

黃曉煌：我們?nèi)匀惶幱谛袠I(yè)發(fā)展的初期，有各種各樣挑戰(zhàn)，有法規(guī)問題、技術(shù)問題，也有合作問題。

如果具體一點，機器人行業(yè)的挑戰(zhàn)是算法沒有形成共識，中國團隊可能更傾向于真實數(shù)據(jù)，歐美團隊更傾向于大量的合成數(shù)據(jù)。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(shù)更好地去滿足兩者的需求，比如服務(wù)中國的客戶，盡可能的采用重建技術(shù)，服務(wù)國外的客戶就用生成技術(shù)。這兩者用不同的方式去實現(xiàn)。

問：現(xiàn)在有種比較主流的說法，具身智能的訓(xùn)練數(shù)據(jù)來自數(shù)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(shù)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(chǎn)品，不斷在縮短數(shù)字世界跟物理世界的信息差距，數(shù)字世界里的數(shù)據(jù)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(shù)字世界里面的訓(xùn)練占比還會繼續(xù)提升。

問：工業(yè)智能在全球AI界都非?；馃?，在可預(yù)見的未來，空間智能會長成什么樣子？它會成為互聯(lián)網(wǎng)下一代的水電煤嗎？

黃曉煌：我前段時間在烏鎮(zhèn)大會上也說了，未來可能會由10臺機器人服務(wù)一個人。這時，機器人不僅需要理解物理世界，還要能在復(fù)雜的物理世界工作，空間智能會非常關(guān)鍵，變成類似水電煤的基礎(chǔ)設(shè)施。

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

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

龍?zhí)鞚桑哼@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(shù)據(jù)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(xùn)練的數(shù)據(jù)至少能有幾千萬，所以第一版104萬數(shù)據(jù)集，暫時沒遇到不同行業(yè)不同場景的分布問題。

未來假設(shè)我們拓展到千萬級別場景的數(shù)據(jù)，的確會遇到剛才說的問題，可能我們的數(shù)據(jù)更偏室內(nèi)，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(zhì)表現(xiàn)。舉個例子，木紋在室內(nèi)是地板，在室外就是木頭，這對于3D而言，材質(zhì)其實是一個更基礎(chǔ)的訓(xùn)練信息，而模型訓(xùn)練使用的室內(nèi)數(shù)據(jù)，其實已經(jīng)包含了大量室外所需要具備的材質(zhì)信息。室外3D資產(chǎn)的材質(zhì)，我們室內(nèi)數(shù)據(jù)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(shù)據(jù)池，可能是一個斷崖式領(lǐng)先的數(shù)據(jù)量。因為3D和材質(zhì)的這種屬性化差異，使得這種按行業(yè)或者場景劃分，并不一定是最科學(xué)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(fā)布的視頻生成工具LuxReal的獨特競爭優(yōu)勢是什么？

龍?zhí)鞚桑?/strong>我們開拓新產(chǎn)品的起點有兩類，一類是從技術(shù)本身考慮，一類是從商業(yè)角度考慮。LuxReal是基于技術(shù)第一性原理考慮的。舉個簡單的例子，比如現(xiàn)在為什么會有transformer，是因為上一代的循環(huán)神經(jīng)網(wǎng)絡(luò)底層有根本缺陷，現(xiàn)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(xiàn)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(tài)提升視頻的一致性，比如像電商營銷、短劇，我們這個技術(shù)出來了以后，去找市場上的垂直商業(yè)節(jié)點。

跟Sora的區(qū)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(xiàn)空間一致性，因為3D本身就是空間一致性的。而現(xiàn)有的一些產(chǎn)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(xù)的運行下去猜下一幀，才能保持空間一致性。從技術(shù)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(diào)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(guān)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(xiàn)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(zhàn)是什么？

龍?zhí)鞚桑?/strong>目前生成時間其實取決于GPU的顯存，算法參數(shù)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(xiàn)在的語言類模型，它處于一個什么樣的階段？

龍?zhí)鞚桑?/strong>LuxReal是多種算法能力疊加在一起，所以如果按商業(yè)落地性來說的話，相當于達到GPT3.5，接近商業(yè)化可落地的拐點。在我看來，至少在某些垂直營銷領(lǐng)域接近這個時刻，已經(jīng)可以從所謂的一個創(chuàng)業(yè)demo，變成一個真正可以端到端交付的營銷視頻產(chǎn)出。

問：你們已經(jīng)推出多個產(chǎn)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(nèi)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(fā)布的LuxReal等這類產(chǎn)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(chǎn)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(chǎn)品現(xiàn)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(xiàn)在幾個方面，一是從技術(shù)難度上看，肯定是空間生成和空間理解，技術(shù)難度是高的，要說誰最高我也不確定。這兩個技術(shù)難度的天花板都非常高。

空間的重建，目前看需求大，技術(shù)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(shù)字世界的數(shù)據(jù)之間有g(shù)ap。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(jīng)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(yè)的硬件設(shè)備都不一樣，可能有成百上千種，每一種的數(shù)據(jù)格式和形態(tài)都不同。能不能把每一種形態(tài)都順利支持，建立一個數(shù)據(jù)互聯(lián)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(yè)模式，剛剛開始去做酷家樂，一直到現(xiàn)在推出了一個工業(yè)AI孿生平臺，這種看起來成熟的打法，在你們內(nèi)部是怎么確定的？

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

技術(shù)變化是可以提前被預(yù)見的，而市場變化則是無法預(yù)料的。就像去年發(fā)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(shù)研究的團隊在做技術(shù)探索，錘子始終在找釘子到來的機會。當釘子因為技術(shù)演變到了這個節(jié)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(xù)往前去走。

撰寫｜劉培

編輯｜吳尋

「白鯨實驗室」原創(chuàng)文章

轉(zhuǎn)載、交流、合作請?zhí)砑游⑿牛簂iujiaquan2025