整理｜徐珊
世界模型的竞争已进入白热化阶段。Yann LeCun 离开 Meta 亲自下场，李飞飞的 World Labs 发布 Marble，NVIDIA 推出 Cosmos，国内大厂与创业公司亦密集布局。让 AI 理解物理世界，已成为行业共识。
然而，模型智能的上限取决于数据。语言和视频模型的成长依托于互联网三十年的积累，而世界模型目前缺乏达到训练基础模型量级的数据。尽管具身智能公司重金投入遥操和第一视角数据采集，但影溯科技创始人兼董事长、浙江大学求是特聘教授章国锋认为，这种方式耗时耗力，如同“伐木挖油”。真正的数据能源应像阳光一样无处不在、取之不竭。
这束“阳光”就藏在人人每天刷过的视频中。视频的每一帧都蕴含世界的运动规律与物理法则，3D 数据一直存在，关键在于如何提取。影溯科技致力于将海量视频转化为可直接训练世界模型的 3D 数据，打造 3D 世界的“太阳能板”。这家成立一年的上海公司，预计今年实现单目视频转 360 度动态场景的批量转制，成本较传统实地采集降低一至两个数量级，旨在解决空间智能赛道最棘手的 3D 数据供给难题。
近期，极客公园创始人张鹏与章国锋深入对话，探讨 3D 数据为何是空间智能的第一性问题、训练账本如何计算，以及物理世界"ChatGPT 时刻”的到来迹象。
01 空间智能的「阳光」来自互联网数据
张鹏：从 SLAM 空间计算到如今的空间智能，您如何理解这一跃迁？
章国锋：SLAM 主要解决在线三维地图重建与自身定位问题。但要真正理解世界，仅靠空间定位和 3D 重建是不够的。例如，判断杯子被碰倒后水会流出，需要基于对物理世界的理解进行推演。空间智能的核心在于不仅能感知空间，还能理解场景语义、通晓物理规则并进行预测交互。简言之，空间计算是三维问题，而空间智能在此基础上增加了对物理规律的认知与推演能力。
张鹏：为何过去难寻智能路径，如今却有了预期？背后的技术认知变化是什么？
章国锋：大模型的突破验证了一种新范式：当模型、数据和算力达到规模，许多过去需人工定义的能力可从数据中涌现。这对三维领域意义重大。过去我们依赖显式几何计算或规则设计，现在首次有机会让模型从海量真实数据中自主学习空间结构、运动规律乃至物理预测。语言模型证明了智能可从大规模学习中涌现，现在的核心问题是：同样的事情能否在三维物理世界中发生。
张鹏：Scaling 所需的数据成为瓶颈。遥操和第一人称数据似乎仍不够用？
章国锋：遥操和第一人称数据虽重要，但属于阶段性解法，成本高、速度慢且多样性有限，难以支撑 Scaling。下一阶段的关键是将互联网上海量的 2D 影像转化为结构化的 3D/4D 数据。机器人需在三维世界行动，3D 不仅是数据格式，更是理解世界、预测变化和采取行动的基础。内部实验显示，联合建模 3D 几何表征与动作能显著提升复杂任务成功率。谁能率先完成规模化数据升维，谁就更可能掌握空间智能的数据入口。
张鹏：世界模型路线图背后有哪些关键技术支撑点？
章国锋：空间智能涵盖感知、重建、生成、理解、交互和推演，核心是解决“空间骨架”问题。物理规律定义在 3D 空间而非像素上，强行对应 2D 会带来冗余和误差。建立 3D 骨架后，物理一致性更易学习。因此，我们主张先做 3D 空间生成，将理解与推演建立在 3D 表征之上，这与李飞飞团队的认知一致：理解物理世界必须先建立三维空间表征。未来的空间智能模型将是生成、理解、预测、推演的一体化模型。
张鹏：具身与空间智能的数据卡点究竟在哪里？
章国锋：卡点在于数据生产方式无法 Scale。采集数据越往后成本越高且易重复，难以保证多样性。若模型仅接触相似场景，即便数据量大也难以涌现通用能力。真正的挑战在于找到一种新机制，使数据量和多样性持续增长且边际成本递减。互联网海量影像已包含大量三维信息，高效提取并转化为 3D/4D 数据是关键路径。数据策略可行的标准很简单：必须能够 Scale 且足够多样。
张鹏：在空间智能世界里，高质量数据的标准是什么？
章国锋：高质量数据必须是 3D 坐标系下的多模态数据。2D 图像视频冗余大且缺乏物理属性，无法体现世界真实状态。好数据的标准是“全量”：不仅包含完整 3D 信息，还嵌入时序对应与因果关系。以此训练，具身智能才能获得强泛化能力。影溯的优势在于能从 2D 数据自动高效生成全量 3D 场景数据。
张鹏：如果给数据来源排序，最高效的路径是什么？
章国锋：数据应呈金字塔结构。底层需最大量、互联网级别的数据，像“阳光”一样无处不在；顶层少量高价值数据可通过高成本采集获得。互联网视频是几十亿人几十年的积累，靠短期采集无法企及。合理成本结构是：最大量数据以最低成本获取（如互联网视频转制），少量专家数据以较高成本获得，组合成可持续的训练体系。
张鹏：将互联网视频转化为“太阳能”是您最核心的思考吗？
章国锋：是的。文字、图像、视频均有互联网级数据，唯独 3D 缺乏原生大数据。现有深度相机数据（RGBD）多为局部，适用于重建但不适用于生成。生成模型需看到完整样本以补全未拍摄部分。因此，最高效解法是将互联网视频转为全量 3D 甚至动态 4D 数据。
张鹏：未来数据成本结构会是怎样？
章国锋：完全靠实采动态场景成本极高。我们的目标是通过提升转制效率，让大规模生产 3D/4D 数据在经济上成立。利用互联网金矿，从普通视频生成时空一致的多视角及完整 4D 场景，单位数据成本可随效率提升持续下降。
张鹏：物理世界的"ChatGPT 时刻”到来前会有哪些迹象？
章国锋：那一刻并非 AI 突然变成 AGI，而是普通人直观感受到机器真正理解了空间。信号可能先出现在数字世界：用户只需一句话或几张图，即可生成可交互的完整 3D 世界。随后延伸至物理世界，如扫地机器人能自然规避复杂情况，自动驾驶能处理未见过的场景。只要出现一个足够直观好用的产品，让大家感知到机器理解三维世界，那个时刻便已开始。一旦 3D/4D 数据问题解决，这一进程将快于预期。
02 创业的吸引力在于解决空间智能的第一性问题
张鹏：为何选择此时从研究者转型创业者？
章国锋：技术发展已到窗口期。过去空间计算门槛高、人才稀缺，难以规模化。如今 AI 进入物理世界，3D 成为绕不开的核心。生成式 AI 降低了 3D 门槛，使得补全和生成成为可能。2024 年李飞飞创立 World Labs 也是一个强烈信号：顶尖人才正汇聚于此，空间智能迎来新节点。
张鹏：具身需求是否也已到位？
章国锋：是的。机器人若仅在标准化环境工作，工程即可解决；但要进入家庭等非结构化环境，必须具备对空间和物理世界的通用理解能力。世界模型要解决的正是让机器人拥有“大脑”，能先判断推演再行动，这是具身智能走向泛化的关键。
张鹏：公司成立一年，技术发展是否符合预期？
章国锋：进展超出预期。原以为静态场景生成已具挑战，但研究发现单目视频转全量 3D 动态场景（4D）在技术上完全可行。一旦 4D 数据能从海量视频中低成本规模化产生，我们就真正有机会将真实世界的空间变化和物理经验转化为可 Scaling 的训练数据。
张鹏：类比 OpenAI 的 GPT 系列，影溯处于什么阶段？
章国锋：我们更接近 2.0 阶段：关键技术路径已验证，但数据 Scaling 尚未全面发生。下一步关键是做大通过数据规模提升模型能力。引入明确 3D 结构可使学习效率提升一个数量级。最终可能需要千万至亿级场景数据才能迎来空间智能的"ChatGPT 时刻”。3.0 阶段将是数据与模型真正开始 Scaling，进而带来能力涌现。
张鹏：物理规则需要预设还是由模型自学？
章国锋：两者结合。已知的基本几何和物理约束可直接告知模型；而真实世界中难以建模的复杂运动、形变等，则需让模型从大量 4D 数据中自学。4D 数据记录了世界的变化，物理规律便藏于其中。
张鹏：在模型架构上有何思考？
章国锋：架构创新的核心在于表征层级。视频数据冗余大，而 3D 表征（显式与隐式结合）只需表达一次场景，变化的仅是状态，Token 数量可减少一至两个数量级，从而大幅降低对算力和数据量的需求。我们正探索适配三维的 Transformer 架构及跳出 Next Token Prediction 的新范式。实验表明，坚守 3D 本质可显著提升学习效率。
03 造「大脑」、开源和商业循环
张鹏：影溯的定位是什么？
章国锋：我们的目标是实现通用空间智能基础模型，成为机器人的“大脑”。无论具身、自动驾驶还是游戏影视，底层逻辑都是对世界的理解、生成与推演。我们将聚焦做强基础“空间能力”，应用将自然衍生。影溯站在空间智能模型的视角，致力于解决下一个 AI 十年的核心问题。
张鹏：如何理解近期发布的新成果？
章国锋：主要包括基础模型 InSpatio-World 和引擎平台 Topos。InSpatio-World 让用户能走进动态视频场景自由浏览；Topos Pro 服务于具身训练仿真，可将图像批量转为带物理属性的 3D 场景，支持物体实例化与任务仿真，形成数据闭环；Topos Lite 则是轻量化 3D 生成探索，支持秒级生成 3D 场景并已开源，旨在降低 3D 内容生产门槛，激发开发者生态。
张鹏：面对 Cosmos、World Labs 等竞品，影溯的窗口期还有多久？
章国锋：技术领先是阶段性的，关键在于能否将领先转化为积累。我们要建立“数据飞轮”：更强的转制能力带来更低成本的 3D/4D 数据，丰富的数据反哺更强模型，进而提升数据生产效率。真正的竞争是谁能更早跑通这一循环，让时间站在自己这边。
张鹏：在商业变现与技术突破之间如何权衡？
章国锋：作为基模公司，我们首要任务是突破模型能力。过早深耕垂类商业化可能限制长期天花板。模型能力的突破将解锁意想不到的商业模式，正如 LLM 催生了 AI Coding 等新应用。
张鹏：在"ChatGPT 时刻”到来前，哪些市场已形成价值循环？
章国锋：目前主要有三方面：一是可控视频能力赋能创作者；二是为具身公司提供数据服务（打标、3D 结构化、多样性增强）；三是与头部具身公司联合研发 3D 世界模型。最新研究显示，联合建模 3D 几何与动作表征，在复杂遮挡任务中的成功率从 40% 提升至 80% 以上。此外，开源的 Topos Lite 旨在做大 3D 内容蛋糕。
张鹏：团队构成及对 AI Native 组织的理解？
章国锋：空间智能需要复合型团队。我们既有资深 3D 研究者提供长期积累，也有年轻研究员带来新工具与大胆想法。例如开源项目 QuerySplat 即由 00 后主导。AI Native 组织不仅是使用 AI 工具，更在于扁平化管理，让最佳想法快速验证。我们鼓励失败，但要求每次失败带回新信息。理想的组织状态是：既能长期深耕一个问题，又能迅速试错新想法。
