曾创立 Maluuba 并被微软以 1.6 亿美元收购的 Sam Pasupalak，在 AI 领域再次出发。2025 年 4 月，他在旧金山创立 Skyfall AI，并于近期推出首款产品 SKY-001，将其定位为首个“工程世界模型”，旨在解决大模型在物理世界设计与制造中的核心痛点。
SKY-001：瞄准 CAD 与 BIM 的工程世界模型
Skyfall AI 将矛头对准计算机辅助设计（CAD）和建筑信息模型（BIM）领域。与传统擅长文本生成的大语言模型不同，SKY-001 试图突破语言媒介在空间推理上的低效瓶颈，直接在视觉世界中进行规划与设计。
层级化组件器：模拟工程设计第一性原理
针对发动机、建筑等复杂系统的空间约束问题，SKY-001 采用了双阶段架构。第一阶段为“层级化组件器”，其逻辑模仿工程团队的协作流程：
- 自上而下拆解：先生成整体粗略三维形状，再逐级拆分为总成及独立零件。
- 并行推演：父节点确定后，子节点可并行处理，大幅提升效率。
- 细节精修：对叶节点进行精细化处理，补齐被遮挡的内部结构。
这种基于层级关系的约束机制，确保了单点决策服务于全局一致性，符合工程设计的第一性原理。
构建世界模型：规划有序视觉状态序列
第二阶段由“构建世界模型”负责，主要任务是将零件制造过程规划为有序的视觉状态序列：
- CAD 场景：模型演示从挤出底座、叠加层数到切孔位的逐步成形过程。但官方承认，现阶段输出的草图与三维几何可能存在偏差，尚未达到可直接投入生产的工业级标准。
- BIM 场景：模型学习真人建筑师绘制平面图的固定次序（如先外墙、后隔墙、再填充门窗），能在约一秒内完成整层楼的绘制。
性能表现与数据壁垒
Skyfall AI 官方博客展示了 SKY-001 在 CAD 和 BIM 领域的基准测试结果，并强调了其自建数据集的独特优势。
CAD 与 BIM 基准测试数据
在 CAD 测试中，SKY-001 对比 GPT-6 Astra，声称实现约 50 倍加速，单案例成本降低约 150 倍，交并比（IoU）达到 79.7%（对手为 79.1%）。盲测显示，其在零件分解、内部结构及真实感等维度得分更高。
在 BIM 测试中，SKY-001 单案例耗时约一秒，成本低于一美分，IoU 为 43.6%（竞品为 40.6%），速度提升约 120 倍，成本降至约 1/185。
需注意的是，上述数据均由 Skyfall AI 自行发布，测试集与评判标准未经过第三方独立验证。且 GPT-6 Astra 在部分资产生成上存在失败率，可能影响对比的公平性。
高颗粒度数据构建竞争壁垒
Skyfall AI 的核心优势之一在于其清洗和重建的高质量训练数据：
- CAD 数据：相比行业常用数据集 PartVerse（中位数 6 个零件），Skyfall 自建数据集中位数达 288 个零件，第 99 百分位高达 4,180 个。例如，其数据集中的胖胎山地车包含 988 个零件，远超同类数据的细粒度。
- BIM 数据：涵盖约 3.5 万张平面图，经清洗、校正轴线、统一房间类型标签后，形成近两百万个绘制状态序列，部分数据还保留了完整的绘制过程记录。
这种细粒度数据提高了模型学习装配关系的难度，也构成了竞争对手短期内难以复制的数据壁垒。
前景展望与挑战
Sam Pasupalak 将 SKY-001 视为通向“自主制造”的基石，计划未来实现文字指令联动更新相邻零件，并将技术延伸至 PCB 设计、能源系统及分子设计等领域。
然而，挑战依然显著：
- 闭环尚未打通：视觉设计与参数化建模之间仍存在断层，输出结果需人工重建才能用于生产。
- 缺乏第三方验证：目前 IoU 指标在真实施工图审查中的实际价值尚不明确，行业标准缺失。
- 扩展性待考：从 CAD/BIM 拓展至其他硬件领域需要独立的训练与验证，18 个月的成果仅是序章。
尽管面临诸多未解之谜，凭借创始团队在深度学习领域的深厚积累，Skyfall AI 正尝试为 AI 介入实体制造探索一条新路径。