搜索
2026 年，世界模型已成为人工智能领域最受关注的方向之一。从空间智能到表征预测，从可交互环境到具身智能，越来越多研究与产业团队将下一阶段目标指向「理解世界」。行业竞争的焦点，也已从「是否进入世界模型」，转向「以何种技术路径实现世界模型」。
“AI教母”李飞飞创办的World Labs正式宣布收购美国机器人仿真初创公司SceniX。这笔交易是World Labs成立以来的首笔公开收购，也标志着这家以“空间智能”为旗帜的明星创企，正式将业务边界从3D世界生成推进到物理机器人训练领域。
由阿里巴巴集团孵化的空间智能企业“元境”，正在内测“JellyToken”，平台定位AI大模型一站式超市，支持一套密钥调用多款模型。该平台整合了Qwen3.7、Seedance2.0等多款国产大模型，面向个人创作者、中小团队、企业推出付费统一调用服务。
今天几乎所有主流视觉语言模型（VLM）—— 无论是 Qwen-VL、InternVL，还是 LLaVA 系列 —— 都遵循着同一套经典架构：先用预训练视觉编码器（如 CLIP、SigLIP）将图像压缩为特征，再通过投影层把这些特征送入大语言模型。
在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。
如今，CameraSquad 的出现，让这种多视角一致的视频生成与 3D 世界状态构建成为现实。近日，中国科学院大学高林研究员团队联合卡迪夫大学、香港科技大学和快手可灵团队，提出了一种面向多轨迹并行生成的相机可控视频生成方法 CameraSquad [1]，相关论文已被 ACM SIGGRAPH 2026 录用。
从原始视频出发，无需人工介入，自动生成 3D 重建、深度、2D mask、3D 框、实例描述、3D grounding 和空间问答。Holi-Spatial 试图把「空间智能」的数据生产，推进到自动化、可扩展的新阶段。
大模型已经能流畅对话、看图识物，但一个更底层的问题始终没被真正解决——它们是否「理解」了我们所处的三维世界？
今天，由李飞飞联合创立的空间智能公司 World Labs 在同一天发布了三篇技术论文！三篇论文分别由公司内部实习生主导完成，研究方向各异，但共享同一个核心命题：借助已在海量图片数据上训练成熟的 2D 生成模型，降低 3D 内容生成的难度门槛。
AI 已经能看懂图像、生成场景，甚至在虚拟环境中规划行动。