2026斯坦福AI指数报告：美国AI投资规模是中国的23倍 ，但AI模子基本没差别了
文 | 字母 AI这两天 ，天下模子这个看法非�；鸨�。腾讯、阿里相继入局之后 ，现在好了 ，字节也算是 " 半入局 " 了。字节正式宣布了 Seed3D 2.0 ，这是 3D 天生模子 ，你给它文字、图片、多视角图 ，甚至视频 ，它帮你天生 3D 模子。Seed3D 2.0 的第一个优势 ，是它把几何精度往生产级推了一步。已往的 3D 天生 ，最大问题不是不敷惊艳 ，是不敷可靠。边沿发软、薄壁结构断裂、材质只在简单光照下悦目 ，放进游戏引擎、仿真系统或机械人训练情形里 ，很快露馅。Seed3D 2.0 用两阶段 DiT 先搭整体结构 ，再补高精度细节 ，让锐边、曲面、重大拓扑和薄结构更稳固。第二个优势在材质。别的模子追求的是 RGB 贴图 ，以抵达视觉效果相似。但 Seed3D 2.0 追求的是统一天生 PBR 材质 ，让金属、粗糙度、反光界线在差别光照下坚持物理一致。这意味着天生效果不但是截图悦目 ，而是更靠近可进入真实渲染管线的资产。更要害的是 ，Seed3D 2.0 它现在不但是能天生 3D 物体 ，它还在天生的同时思量这样一个问题 " 我天生的物体能不可放进接下来的场景 ，好比游戏建模、训练机械人这些 "。以是它支持部件级拆分、枢纽建模、URDF 输出 ，也能做场景组合和空间结构推理。一个椅子不但是一个整体模子 ，而可以被拆成座面、靠背和底座。一个物体不但是摆在那里 ，而可以进入仿真、交互和运动系统。以是它的真正优点 ，着实是把 3D 天生从内容生产工具 ，往具身智能、工业仿真和游戏资产基础设施推进了一步。因此 ，虽然字节并没有大大方方认可 Seed3D 2.0 是天下模子 ，但从某种意义上来说 ，它算是半个天下模子。要害点在于 ，Seed3D 2.0 能明确物体的空间结构、部件关系和可操作性 ，这就是天下模子的特点。不过 Seed3D 2.0 不可一连展望天下演化 ，也不明确力、碰撞、摩擦、破损、流体等物理历程 ，这就是为啥它只算是半个。01 ?天下模子大战关于天下模子这件事 ，得先从李飞飞最先讲起。4 月 14 日 ，李飞飞的天下模子公司 World Labs 宣布了 Spark 2.0 ，它是一个 Web 端的 3D 高斯溅射渲染引擎。这个工具的作用是什么？就是让你纵然是用手机的浏览器 ，也能流通地翻开那些包括上亿个粒子的 3D 天下。已往做 3D 场景 ，要么用古板的三角网格 ，文件重大、加载慢；要么就是视频 ，看完就没了。3D 高斯溅射是个新路子 ，用数百万个半透明的椭球体来体现场景 ，渲染效果靠近照片级 ，但问题是数据量太大。一个稍微重大点的场景就能有几万万个 splats ，通俗装备基础跑不动。Spark 2.0 的焦点突破在三个地方。第一是 LoD 系统 ，也就是细节条理手艺。它会预先天生差别区分率的数据 ，你离得近就显示高精度 ，离得远就自动降低细节。第二是渐进式流式传输 ，场景不是一次性加载 ，而是边走边下载 ，就像看流媒体视频一样。第三是虚拟内存管理 ，在 GPU 里划出一块牢靠的内存池 ，最多容纳 1600 万个 splats ，然后一直地把需要的数据块换进换出。这套手艺最早是 World Labs 为自己的产品 Marble 开发的。Marble 是个 AI 天生 3D 天下的工具 ，能凭证文字或图片天生可以进入的 3D 场景。Spark 2.0 解决的就是 " 最后一公里 " 的问题 ，它让天生的天下可以被分享、被嵌入网页、被任何人在任何装备上会见。险些在统一时间 ，英伟达宣布了 Lyra 2.0。Lyra 2.0 和李飞飞的 World Labs 虽说都是天下模子 ，不过前者想要解决的是长距离、大规模 3D 天下天生的一致性问题。现有的视频天生模子有两个致命缺陷。第一个叫 " 空间遗忘 " ，就是镜头走远了再回来 ，模子已经遗忘之前谁人地方长什么样 ，只能重新编一个 ，效果前后对不上。第二个叫 " 时间漂移 " ，自回归天生的历程中 ，细小的误差会一直累积 ，天生几百帧之后 ，颜色、结构都最先变形。Lyra 2.0 的解决计划是维护一个空间影象系统。每天生一帧 ，就把它的 3D 几何信息存下来。下次要天生新视角时 ，先从影象里检索出相关的历史帧 ，建设 3D 对应关系 ，然后再让天生模子增补细节。这样既包管了空间一致性 ，又能使用天生模子的想象力。更要害的是 ，Lyra 2.0 还用了一个叫 " 自增强历史训练 " 的技巧。古板训练用的都是清洁的真实数据 ，但现实使用时 ，模子看到的是自己之宿世成的、可能有瑕疵的画面。Lyra 2.0 在训练时居心喂给模子一些带有退化的历史帧 ，教它学会纠正漂移 ，而不是放大过失。不过 ，英伟达做这个不是为了让你天生视频 ，Lyra 2.0 的使用场景是机械人和自动驾驶。真实天下的训练数据太贵、太危险 ，许多极端场景基础收罗不到。若是能用 AI 天生足够真实、足够一致的虚拟情形 ，就可以在内里重复训练、测试 ，然后再安排到现实中。Lyra 2.0 天生的天下可以直接导出为 3DGS 或 mesh ，接入 Isaac Sim 这样的仿真平台。就在李飞飞宣布 Spark 2.0 的第二天 ，腾讯正式宣布并开源了 HY-World 2.0。腾讯的蹊径和前两家都纷歧样 ，它要做的是真正的 3D 资发天生。什么叫 3D 资产？就是那些可以导入 Blender、Unity、Unreal Engine 的 mesh 文件和 3DGS 文件 ，可以被编辑、被复用、被二次开发的工具。HY-World 2.0 的事情流程分四步。第一步是全景图天生 ，用 HY-Pano 2.0 模子把文字或单张图片扩展成 360 度全景。第二步是轨迹妄想 ，用 WorldNav 算法剖析全景图的几何和语义信息 ，自动妄想出合理的相机运动路径。第三步是天下扩展 ，沿着妄想好的轨迹 ，用 WorldStereo 2.0 模子天生多个要害帧视角 ，这些视角之间要坚持空间一致性。第四步是天下组合 ，用 WorldMirror 2.0 把所有要害帧整合成统一的 3DGS 场景 ，再优化转换成高质量 mesh。这套流程里最难的是 WorldStereo 2.0。它要做的是新视角天生 ，也就是给定一个起始视角和相机运动参数 ，天生目的视角的画面。难点在于既要准确追随相机控制 ，又要坚持视觉细节 ，还要和之宿世成的区域在几何上完善衔接。腾讯的解决计划是引入影象机制 ，让模子记着已经天生的区域的几何和外观特征 ，天生新区域时参考这些影象 ，阻止泛起 " 穿帮 "。腾讯做这个的目的很明确 ，就是服务游戏和虚拟内容工业。古板的游戏场景制作需要美术、建模、贴图、灯光多个环节 ，一个高质量场景可能要几小我私家做几周。若是能用 AI 直接天生可编辑的 3D 资产 ，整个生产流程就被重构了。并且腾讯强调的是 " 可编辑 " ，天生出来的不是一段视频 ，而是可以在引擎里继续调解、继续开发的真实资产。就在腾讯宣布的几个小时后 ，阿里也扔出了自己的天下模子产品 Happy Oyster。现在好了 ，4 家完全都是差别的 ，阿里想做的是实时交互的天下天生。Happy Oyster 有两个焦点模式。第一个叫 Wandering ，周游模式。你给它一句话或一张图 ，它就天生一个具备物理一致性的完整空间 ，然后你可以用第一人称视角在内里自由移动 ，用 WASD 键控制偏向 ，用鼠标控制镜头。场景会随着你的移动一直延展 ，物体位置稳固 ，光照追随视角转变。现在支持最长 1 分钟的一连实时控制。第二个模式叫 Directing ，导演模式。这个更有意思 ，它不是天生完就竣事 ，而是让你在天生历程中一连介入。视频播放到恣意时刻 ，你都可以用文字、语音或图像指令来改变剧情、切换镜头、指挥角色。系统会实时响应 ，场景随之转变 ，然后继续往下演化。阿里把 Happy Oyster 定位为 " 天下模拟器 "。古板的文生视频是输入 prompt、期待渲染、获得成片 ，这是被动的。天下模拟器是自动的 ，它在一连地模拟天下的演化 ，用户可以随时介入、随时改变。这种交互方法更靠近游戏 ，而不是看影戏。不过 Happy Oyster 的输出是音视频流 ，不是 3D 资产。它的优势在于互动体验和天生速率 ，而不是可以导出到游戏引擎。这也反应了阿里的产品思绪 ，它瞄准的是内容创作、互动娱乐、虚拟直播这些场景 ，而不是游戏开发的底层工具链。这个时间窗口里 ，海内尚有两家公司值得一提。群核科技在 2025 年宣布了空间天生模子 SpatialGen 和 Aholo 空间智能开放平台 ，瞄准的是室内设计和具身智能场景。极佳视界的 GigaWorld-1 在 3 月尾的 WorldArena 评测中拿下全球第一 ，这是一个专门面向机械人训练的具身天下模子。02 ?为什么都在这个时间点发这不是简朴的撞车。这几家公司 ，无论是产品成熟度、手艺蹊径、目的场景 ，那真是能都纷歧样的地方全都纷歧样 ，以是不可能恰巧在统一时间准备好。更合理的诠释是 ，各人都在等一个信号 ，而李飞飞的 Spark 2.0 就是谁人发令枪。已往两年 ，AI 圈的主旋律是大语言模子。从 GPT-4 到 Claude ，从 Gemini 到 DeepSeek ，模子越来越大 ，上下文越来越长 ，推理能力越来越强。但到了 2026 年头 ，这条路最先有点难走了。各家的差别在快速缩小。继续讲 " 我的模子比你强 5%" 已经很难激起市场兴趣。agent 是去年的热门 ，但现在也进入了拥挤区。各家都在做能挪用工具、能执行使命的 AI 助手 ，手艺框架大同小异 ，真正的差别化越来越难。市场需要一个新故事 ，一个足够大、足够性感、能够承载下一轮想象空间的新叙事。天下模子就是这个新故事 ，听起来比视频天生更靠近 AGI。更主要的是 ，天下模子是个足够宽泛的看法 ，可以把内容创作、游戏开发、机械人训练、自动驾驶、工业仿真、数字孪生这些完全差别的场景都装进去。从手艺层面看 ，天下模子的时机也确实到了。已往两年 ，几条要害手艺线最先汇合。视频扩散模子提供了天生高质量动态画面的能力 ，3D 高斯溅射提供了高效的 3D 体现要领 ，NeRF 和三维重修手艺提供了从 2D 到 3D 的转换路径 ，实时渲染手艺提供了在消耗级装备上翻开大规模场景的可能 ，多模态明确让 AI 能够同时处置惩罚文字、图像、视频输入 ，物理仿真平台提供了训练和验证的情形。这些手艺单独看都不是新工具 ，但它们现在 " 熟了 "。视频模子的质量已经足够好 ，3DGS 的渲染速率已经足够快 ，多模态模子的明确能力已经足够强。当这些手艺组合在一起 ，天下模子从看法酿成了可以落地的产品。事实上 ，李飞飞早在 2025 年 6 月 16 日旧金山的 YC AI Startup School 炉边谈话里 ，就已经把这条手艺线索讲得很清晰。她回首了自己从 ImageNet 一起走来的历程 ，说最早推动数据驱动视觉要领时 ，许多人还不相信大规模数据会改变 AI；2012 年卷积神经网络的爆发让她第一次强烈意识到 ，视觉模子不会停留在分类和识别 ，而是会继续走向图像形貌、视觉叙事 ，最后一起走到天生模子。按这个脉络看 ，今天的天下模子不是突然冒出来的新看法 ，而是盘算机视觉沿着 " 明确天下 " 这条主线自然演化到更高维度的效果。更要害的是 ，她其时强调的焦点词不是视频天生 ，也不是 3D 内容生产 ，而是空间智能。她的判断很直接 ，若是 AI 想真正靠近 AGI ，就不可只在语言里做概率展望 ，也不可只对二维像素做模式匹配 ，它必需明确三维空间、几何结构、物体关系和物理纪律 ，知道天下是怎么被组织起来、又会怎样随着时间转变。这也是为什么空间智能看起来像下一个前沿 ，或者我换一种方法来表达：天下模子就是整个行业恒久低估、一直没真正啃下来的硬骨头。从这个角度再看最近这一波天下模子热潮 ，许多事情就更容易明确了。各人争的外貌上是渲染、天生、交互和资产化 ，底层争的着实都是谁更靠近 " 让机械明确真实天下 " 这件事。语言虽然主要 ，但语言实质上是人类压缩过的符号系统。三维天下却是一连的、动态的 ，充满遮挡、视角转变和物理约束。建模语言已经很难 ，建�？占渫�