生成式引擎现已能为空间智能体提供无穷无尽且自带标签的训练数据。
近期，北京航空航天大学史振威教授与邹征夏教授团队取得突破性进展，将视觉生成式基础模型拓展至空间维度，成功研发出面向广域地球观测场景的生成式基础模型——MetaEarth3D。该研究首次实现了从二维遥感影像到大规模三维场景生成的跨越。
MetaEarth3D 仅需文字描述或卫星图像作为输入，即可生成从宏观地形、中观城市到微观街区的无界连续三维世界，并支持虚拟相机自由飞行。其核心优势在于生成的场景自带高度、距离等原生空间标注，可直接用于无人机等空天 AI 模型的训练。实测数据显示，该技术可使空间理解能力平均提升 22.85%。
这项技术为数字地球、空间智能及具身智能仿真构建了一个可无限扩展的生成式模拟器，摆脱了对昂贵且稀缺的真实三维数据的依赖。相关论文《MetaEarth3D：通过空间可扩展的生成式建模解锁全球尺度的 3D 生成》已在 arXiv 发布，并被《国家科学评论》（National Science Review）正式接收。
图丨相关论文（来源：arXiv）
3D 生成：如何突破数据与范式瓶颈？
MetaEarth3D 与谷歌地球在技术路径上存在本质差异。谷歌地球基于“采集 - 重建 - 存储”逻辑，通过航拍和卫星数据预先构建三维数据库，虽能高度还原真实环境，但面临数据采集成本高、制备流程复杂等挑战。
相比之下，MetaEarth3D 采用纯神经网络驱动的 AI 生成范式，能够“创造”出符合真实世界统计规律（如地形结构、空间关系）的超大尺度三维场景。这些场景原生于神经网络内部，具备高度可控性：用户可通过文本描述指定需求，模型即可生成多样且无穷无尽的对应场景。
值得注意的是，尽管该模型拥有 46 亿参数，但对算力要求相对亲民。实验数据显示，在单张消费级显卡（NVIDIA RTX 3090）上，模型约 2 小时即可生成 17 平方公里的城区级三维场景。
基于约 1,000 万张全球分布图像的训练，MetaEarth3D 能够根据文本或卫星影像，生成覆盖山脉、沙漠、海岸线等大尺度地貌，以及城市街区、建筑群等精细结构的显式 3D 地球场景，且保持空间一致性与无界扩展能力。
（来源：arXiv）
技术创新：渐进式概率分布转移框架
MetaEarth3D 是团队此前研究成果 MetaEarth 基础模型的三维拓展。针对世界尺度三维生成缺乏成熟范式、现有方法（如 NeRF、3DGS 等）在可扩展性和空间一致性上存在不足的问题，研究团队提出了“渐进式概率分布转移”框架。
该框架将生成问题解耦为空间维度与尺度维度，并在概率转移机制下完成模型构建。为规避大规模三维实景数据采集与标注的高昂成本，团队创新性地采用“三维转二维”策略，利用易于获取的海量二维图像作为监督信号进行训练。这一思路不仅有效扩充了数据量，更推动了场景规模与尺度的持续扩展。
基于此范式，MetaEarth3D 可直接输出便于工程部署的显式三维场景，无缝导入 UE、Unity 等通用图形引擎，支持后续渲染、编辑与交互。不同于依赖视频生成的路线，该方法直接构建空间一致的三维表示，有效避免了长程漂移误差。未来，该框架还可进一步扩展至材质、物理属性等维度，成为广域空天平台空间智能的可规模化数据引擎。
应用前景：赋能空间智能与“黑天鹅”场景
当前生成式世界模型多聚焦于受限环境下的机器人操作，而 MetaEarth3D 在跨场景、跨尺度的空间智能领域展现出巨大潜力，特别是为低空无人机、无人驾驶车辆等提供了关键的生成底座。
此外，该技术有望解决“黑天鹅场景”难题。针对那些罕见却影响重大的关键场景，利用生成式手段源源不断地模拟此类事件与数据，有助于智能体识别并解决领域内的共性问题，提升系统在极端环境下的鲁棒性。
（来源：arXiv）
局限与展望：向时空全域演进
目前研究仍存在一定局限性。在时间维度上，现有生成场景仅限于单一时刻，尚无法呈现地物随季节更替或人类活动产生的动态变化。团队下一阶段的目标或将致力于在大时间尺度上揭示并模拟地球场景的演变规律。
在传感器方面，当前研究主要集中于光学可见光波段。然而，现实中的空天智能体与遥感卫星常配备激光雷达、热红外等多种传感器。如何基于场景物理属性，实现对多模态传感器数据的生成与模拟，将是未来的重点攻关方向。
随着空间、时间及更多物理属性逐步纳入生成框架，生成式 AI 将从单纯的内容创作工具，进化为空间智能不可或缺的数据基础设施。
参考资料：
1. 论文地址：https://arxiv.org/abs/2604.22828
2. 项目主页：https://jinqicao.github.io/metaearth3d/
注：封面/首图由 AI 辅助生成