群核科技连发3篇ECCV 2026论文，欲做物理AI架桥人

如何将真实的物理世界，转化为可供机器学习、交互操作与性能评估的数字空间？这一核心课题，正成为当前物理人工智能领域最为实际的关键挑战。

近日，欧洲计算机视觉顶级会议ECCV 2026公布了论文录用结果，一家中国企业的名字多次出现：群核科技。

此次，群核科技共有三篇论文成功入选。Syn-GRPO探讨了训练数据如何在强化学习过程中实现自主生成与自我迭代；SPEAR推出了一套面向具身智能研究的高保真仿真器，使机器在进入真实世界之前，能够在数字环境中进行观察、行动、试错与学习；WalkerBench则专注于分析模型的空间智能，如何在更贴近真实世界的交互任务中得到科学评估。

这三篇论文，共同指向了群核科技在物理AI基础设施领域的全新探索与深度思考：如何把物理世界转化为可训练、可交互、可评测的数字世界。

由此，群核科技的物理AI发展路线变得愈发清晰。这不仅是从数据服务商向“数据-仿真-评测”全链条的延伸，更是一次深刻的自我重塑：将过去多年积累的数据资产与空间智能能力，转化为物理AI时代的底层基础设施。

这套基础设施的基石，是群核科技长期积累的海量三维可交互数据，以及将物理世界数字化的强大能力；其核心是结构化三维数据集与真实世界驱动的世界模型；而落地的应用场景，则涵盖具身智能、大模型、XR、工业孪生等一切需要空间理解与空间训练的物理AI领域。

当空间理解、仿真训练与持续学习能力成为物理AI新基建的标配时，群核科技希望扮演的角色，正是连接物理世界与数字世界的“架桥人”。

为何需要“架桥”

机器人行业最常讨论的两个核心命题是模型与本体。一方面，具身智能模型公司正向视觉语言行动模型迈进，试图赋予机器人更强的理解、规划与泛化能力；另一方面，机器人本体公司则在降本、量产、供应链和场景落地等方面快速迭代。

然而，在训练一台真正能够走入物理世界的机器人时，一个更基础的问题会提前浮现：它在哪里学习？

就像人类学习需要教材、学校与考试一样，机器人学习也需要自己专属的“教材、训练场和考卷”。首先，它需要获得足够真实、充分结构化的训练数据；其次，需要仿真环境以进行低成本、高频次、可控的试错；最后，还需要能够评测出它是否真正理解了物理世界的空间布局。

这就是“架桥”的意义所在。

桥的一端是真实的物理世界。那里有家庭、商超、工厂、街道，充满了真实的空间结构、物体关系与长尾场景。桥的另一端是虚拟的数字世界，真实空间需要被采集、重建、生成、标注和仿真，才能变成机器可以训练、交互和评测的数字资产。

而桥的价值，远不止于将真实世界搬进数字空间。更关键的是，让模型在数字空间里练就的能力，最终能够顺利回归真实世界。这也就是业界常说的Real2Sim2Real闭环。

群核科技此次入选ECCV的三篇论文，恰好落在这座桥梁的几个关键节点上。

Syn-GRPO回答的是“训练数据如何持续生成”。在强化学习训练多模态模型时，数据质量下降、模型答案趋同、探索空间变窄是常见难题。Syn-GRPO通过在线数据生成，确保训练样本在过程中持续变化，避免模型只是在有限题库里依靠“背题”得分。

SPEAR回答的是“训练场如何构建”。它提出了一套面向具身智能研究的高保真仿真器，将虚幻引擎生态中的高质量虚拟世界，转变为可编程、可观测、可交互的训练环境。论文显示，SPEAR开放了超过1.4万个虚幻引擎原生接口，能以56 FPS输出1080P照片级画面，并同步提供深度图、法线、语义分割、材质ID等多种传感器数据。

SPEAR论文，图片来源：ECCV

SPEAR的全称是Simulator for Photorealistic Embodied AI Research（面向真实感具身AI研究的仿真器），由群核科技、Adobe、英特尔、英伟达、ETH Zurich等机构的研究者共同完成。这篇论文的作者阵容本身就具有很强的信号意义：German Ros是英伟达仿真生态系统开发总监，唐睿是群核科技首席科学家，Stefan Leutenegger是苏黎世联邦理工学院副教授，Kalyan Sunkavalli是Adobe Research首席科学家，Vladlen Koltun更是自动驾驶仿真基准CARLA的参与推动者。

SPEAR论文作者，图片来源：ECCV

WalkerBench回答的是“空间能力如何被有效评测”。它不再让模型仅凭一张图片判断距离或方向，而是基于真实街景构建交互式评测任务，让模型像真实路人一样移动、观察、记忆和导航。

三篇论文，分别对应“数据-仿真-评测”三个环节。它们共同揭示了一个趋势：物理AI的竞争焦点正在转移。行业不仅需要更强的模型和本体，同样需要一整套Real2Sim2Real的基础设施。这套基础设施，正是群核科技希望搭建的那座桥。

制图：甲子光年

凭什么“架桥”

物理AI的规模化落地，正面临一个根本性的供给瓶颈：三维空间数据的规模化供给能力，远远落后于模型训练需求的增长速度。

群核科技的“架桥”底气，源于过去十五年积累的数据基础设施壁垒。

第一个壁垒是数据底座。群核科技已积累超过5亿个3D场景和4.8亿个3D模型，覆盖家居、工业、药店、商超、餐厅等不同空间类型。与普通3D模型库相比，这些数据的核心价值不仅在于数量，更在于结构——这是它能够布局合成数据的根基。每个场景都包含户型布局、语义分区、材质属性、物体层级等结构化信息，这意味着AI训练时拿到的是带有物理含义的空间数据。

这些数据的稀缺性其实被行业低估了。文本和图像可以从互联网大规模获取，但三维空间数据并没有这种“开源红利”。尤其是室内数据——自动驾驶可以依靠采集车跑遍城市，但室内场景涉及户型结构、家具摆放、材质光照、遮挡关系，每个家庭、每个商超、每个药店都不尽相同。室内数据的获取难度和复杂度远超室外场景，而这恰好是群核科技通过空间设计软件酷家乐，花费十五年时间积累的宝贵资源。目前，群核科技平台上每天都有新场景产生，数据成为持续增长的活水。

第二个壁垒是物理世界数字化能力。合成数据解决了规模和成本问题，但物理AI最终要回到真实世界，仿真与现实之间的差距始终存在。仅靠合成场景，机器人或许能学会“看起来合理”的空间，却未必能适应真实环境中的材质、光照、几何细节和遮挡关系。

去年，群核科技发力3DGS重建，通过扫描拍摄实体环境，利用其空间智能平台Aholo的算法实现1:1复刻，将真实空间高保真地数字化还原。3DGS数据保留了真实世界的几何精度、材质细节和光照特性，为训练场景补上了高质量的真实性来源。并非巧合的是，群核科技已与影石、禾赛等硬件厂商合作，打通彼此的软硬件能力，探索端到端、一站式的空间重建解决方案。

由影翎全景无人机拍摄，经Aholo空间智能平台重建的场景，图片来源：群核科技

更关键的是，群核科技不止是将真实空间“扫描进来”。3DGS因为效果逼真、渲染速度快，已成为三维重建的主流方向之一。但由于3D高斯点不具备结构化信息，常常是“只能看、不能用来训练”。群核科技的独特性在于，它基于空间理解和结构化能力，找到了一条将3DGS数据进一步转化为可训练、可验证数据资产的路径。去年，群核科技的两项工作InteriorGS和SAGE-3D，分别为3DGS补充了语义、碰撞体、物理属性等信息，并推出了基于3DGS的VLN评测基准SAGE Bench。这些努力，正在让真实世界数据真正进入具身智能训练流程。

第三个壁垒是数据泛化能力。原始数据再多，也无法覆盖所有训练需求。机器人面对的是大量长尾场景：不同的光照、视角、布局、物体组合、任务难度。同一个厨房可以有无数种摆放方式；同一家商超，也会因货架、动线、人流变化产生不同的训练需求。这就催生了对数据泛化能力的迫切需求。

群核科技自研的空间生成模型SpatialGen，能够基于空间布局语义，生成多视图、多模态的三维场景。它理解空间语义，可以生成从未真实存在但在物理关系上合理的新场景。依托群核科技海量室内3D场景数据与多视角扩散模型技术，SpatialGen生成的多视角图像能确保同一物体在不同镜头下始终保持准确的空间属性和物理关系。

SpatialGen的多视角一致性演示，图片来源：群核科技

如果说3D场景和3D模型是原料，3DGS重建补充了真实世界的质感和精度，那么SpatialGen则让这些原料具备了持续扩展的能力。它把存量数据变成可泛化、可复用、可训练的仿真世界，也让群核科技的数据资产从静态库存，变成一条可以持续运转的生产线。

这三个壁垒串联起来，就构成了群核科技物理AI数据飞轮的底层逻辑：先用海量结构化数据解决规模问题，再用真实世界重建缩小仿真与现实的距离，最后通过空间生成实现数据泛化。

而从最新论文成果可以看到，群核科技的技术路线正在向仿真、评测等环节进一步延伸。“如何持续获得三维数据、如何构建逼真的虚拟考场、如何定义训练结果的好坏”——这套基础设施，直面了行业当前最大的痛点。

这个物理AI数据飞轮需要一个平台来承载。对群核科技而言，这个平台就是其空间智能训练平台SpatialVerse。这是一个面向物理AI空间训练的数据仿真平台：它既是“数据工厂”，可以持续生成高保真的物理空间数据；也是“训练场”，让机器人和智能体在虚拟世界中完成低成本试错。

据「甲子光年」了解，群核科技SpatialVerse已与智元机器人、银河通用、穹彻智能、智平方、松应科技、禾赛等国内物理AI企业达成合作。此外，海外几家主要科技巨头也与其保持着密切的产业和学术合作。去年，Google的模型训练论文中，就专门致谢了SpatialVerse提供的物理级真实3D场景数据。

对机器人企业来说，这意味着一系列直接的价值：更低成本获得训练场景、更快覆盖长尾任务、更安全地进行试错、更系统地发现模型和控制策略的问题。而对群核科技来说，这意味着以往服务于人类设计师的空间能力，开始转化为服务于机器训练的基础设施能力。

群核科技空间智能全景图，图片来源：群核科技

世界模型竞争，不只在生成

如果说物理AI数据飞轮解决的是“机器人如何训练”，那么世界模型要解决的是另一个根本问题：“机器人如何理解这个世界”。

今年，世界模型已成为物理AI领域的高频词。在2026北京智源大会上，智源研究院为世界模型定义了四条清晰的路线：语言、像素、三维结构、视觉表征。

第一类是以语言为中心的世界模型，包括VLM、VLA，在文本空间中预测下一个词，学到的是语言描述的世界，未必理解背后的物理后果。第二类是以像素为中心的世界模型，如Sora和Seedance等视频生成模型，在视觉空间中学习，学到的是像素描述的世界。第三类是以三维结构为中心的世界模型，李飞飞团队的World Labs Marble模型和群核科技走的正是这一路线。第四类是以视觉表征为中心的世界模型，比如杨立昆的JEPA系列，预测的是视觉表征的压缩，但视觉嵌入的演化并不等于物理规律的演化。

这几条路线共同说明，世界模型正在从语言、像素和表征，逐步走向三维空间和物理世界。但对于物理AI来说，仅仅能生成一个画面、重建一个空间，远远不够。机器人真正进入真实世界，需要理解空间结构、物体关系和物理约束。它要知道一个房间里哪些地方可以通行，物体之间是什么关系，某个动作可能带来什么后果。

这也正是群核科技世界模型路线的特点所在：真实世界驱动。以真实物理世界数字化为核心，采用“空间重建 + 场景生成”双轮驱动模式搭建自研世界模型——这是它最核心的差异化路径。

据「甲子光年」了解，群核科技自主研发了百亿级多模态空间智能大模型。这是业界首个专注于3D室内场景认知与生成的空间智能大模型，基于其大规模、高质量的三维场景数据训练而成，具备结构化理解和可视化生成两大核心能力。目前，该模型已开源两大核心子模型：空间语言模型SpatialLM和空间生成模型SpatialGen。2025年3月，SpatialLM开源后，与DeepSeek-V3、Qwen2.5-Omni一起，登上全球最大的开源社区HuggingFace全球趋势榜前三。

图片来源：Hugging Face

SpatialLM是一个空间语言模型，通过一段视频输入，就能准确认知和理解此视频对应的空间点云数据，并对点云数据进行推理和场景描述，最终将提取信息以自然语言形式呈现。在行业内，这种空间理解模型相对少见。

总的来看，SpatialGen负责“生成空间”，SpatialLM负责“理解空间”，再加上3DGS重建“还原真实空间”——这三类能力叠加在一起，就构成了群核科技空间智能的底层能力。这一方面可以反哺SpatialVerse的数据仿真生产线：空间理解模型帮助平台更好地标注和组织数据，空间生成模型扩展更多训练场景，真实世界重建能力补充高质量现实数据。

群核科技与激光雷达厂商禾赛科技的合作正是基于这一背景：禾赛XT及JT系列激光雷达提供毫米级3D空间建模能力，群核科技的SpatialLM完成物理属性智能标注，双方联合推出机器人仿真训练场景生成方案，让真实世界的空间数据直接进入AI的训练流程。

另一方面，群核科技也在通过Aholo空间智能平台，以API、SDK等方式，逐步向行业开放这些底层能力。群核科技世界模型的价值，不只在内部训练飞轮中循环，也有机会成为行业开发者、机器人公司和空间智能应用的基础设施。

布局空间智能基础设施，做物理AI“架桥人”

从整体来看，群核科技在物理AI产业链的布局已经形成清晰的三层架构。

第一层是工具层，以酷家乐、Aholo为代表。它们负责从物理世界源源不断地获取原始数据——设计师在酷家乐上创作的每一个方案、Aholo重建的每一个真实空间，都在为AI提供来自真实世界的“原料”。第二层是世界模型层，涵盖空间生成（SpatialGen）和空间理解（SpatialLM）。这一层负责将原始数据加工和泛化，让AI不仅能看到三维空间，还能理解和生成三维空间。第三层是数据层，以SpatialVerse为核心，把前两层的成果整合为可训练、可交互、可评测的数字世界，通过“数据-仿真-评测”飞轮持续迭代。

这三层架构形成了一个动态飞轮，互相增强：工具层产出更多真实世界数据，世界模型层将其加工泛化，数据层形成可规模化使用的训练资产，再反哺工具层和模型层。每一层都在加速下一层的进化。

从产业视角看，这套架构让群核科技的定位发生了一次根本性的变化。群核科技不直接制造机器人，但他们在物理世界和数字世界之间架设桥梁，让所有需要空间数据和仿真能力的玩家都能通过这座桥梁，更高效地抵达目的地。

机器人只是第一个明显的应用场景。世界模型需要空间一致性，XR需要空间重建，工业孪生需要空间仿真——这些方向看似分散，底层问题却高度一致：如何让机器理解和使用三维空间。

物理AI正在让“空间”的服务对象发生变化：机器也开始需要空间。空间不再只是服务于人的视觉内容，它也正在成为AI训练和行动的基础载体。

当然，这条路还在早期。物理AI的商业化场景仍在验证，通用机器人能力还没有完全成熟，Sim2Real也仍然存在差距。但从产业趋势来看，群核科技站在了一个关键的位置，也在回应一个关键的问题：谁能把真实世界持续转化为可训练、可交互、可评测的数字世界，谁就有可能成为物理AI基础设施的核心供应商。

一座桥真正重要的时刻，不是建成的那一刻，而是两端开始有人往来的时候。物理AI也是一样。真实世界的数据被带入数字空间，机器在其中学习、试错、评测，再把能力带回真实场景。这个往返过程越顺畅，物理AI的产业化进程就越近。

群核科技要做的，正是这条往返路径上的基础工程。现在这座桥上不一定喧哗，但它决定了后来者能走多远。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：群核科技连发3篇ECCV 2026论文，欲做物理AI架桥人要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题