> 当行业陷入用海量数据微调视觉模型以提升空间感知能力的军备竞赛时，英伟达用一个免训练框架证明了算力并非唯一解，代码接口才是破局关键。

## 刺破算力狂热　空间推理的真正瓶颈不在模型

长期以来，视觉语言模型（VLM）在面对“物体在哪里”、“如何移动”等三维物理世界的空间推理任务时，表现始终差强人意。为了解决这个“睁眼瞎”的问题，主流科技巨头的下意识反应是疯狂追加算力投资，试图通过投喂海量的带有空间标注的3D和4D数据集，对庞大的模型进行微调。

然而，英伟达Research团队发布的SpatialClaw毫不留情地刺破了这种算力崇拜的幻象。他们敏锐地指出，模型表现不佳的根本原因，并非其大脑不够聪明或知识储备不足，而是它与物理世界交互的“手脚”（动作接口）设计得过于僵化。传统方法要么让智能体写一段死板的单次执行代码，要么依赖高度结构化的工具调用接口，这让模型在面对开放式、动态的复杂空间环境时，如同穿着厚重的防爆服做显微外科手术。

![22.png](https://static.downly.cn/images/252fed7dae6a358e6d3677d044385427.png) <center>图源备注 图片由AI生成</center>

## 代码即接口　重构智能体交互逻辑的降维打击

SpatialClaw给出的解药异常清醒且廉价　完全不需要重新训练大模型，只需要改变它调用感知工具的方式。该框架在底层维护了一个带有状态的Python内核，预先加载了各种感知和几何计算的原语。智能体被允许在每一步操作中编写可执行的Python单元格，它的下一个动作完全取决于刚刚返回的真实环境视觉和文本反馈。

这种将代码作为动作接口的设计，赋予了模型极高的灵活性。在跨越20个空间推理基准测试中，这个没有消耗一卡算力去微调的纯框架设计，直接实现了59.9%的平均准确率，以11.2分的巨大优势碾压了近期被热炒的各种需要重度调优的空间智能体。这就好比一个优秀的指挥官，不需要自己去搬砖（微调学知识），只需要一套极高自由度的通讯系统（Python状态内核），就能完美调度所有的前线作战单元（感知工具）。

![23.png](https://static.downly.cn/images/bdac23b51226bc0d7d65463180a0d27a.png) <center>图源备注 图片由AI生成</center>

## 务实的冷思考　免训练框架的隐性门槛

但剥离公关话术的狂热，我们也必须看到SpatialClaw这种“代码即动作”路线的隐性代价。虽然免除了前期的训练算力成本，但依赖Python内核的实时代码生成与执行，必然会在推理阶段引入显著的延迟。对于具身智能和实时机器人这种要求毫秒级响应的物理应用场景而言，这种基于解释型语言环境的多轮次交互，其稳定性和安全性依然是一个巨大的问号。如果生成的代码在执行时出现死循环或内存泄漏，对于实体机器人将是灾难性的。因此，这种创新短期内仍将是实验室和高端软件测试场景的宠儿，距离真正走向工业流水线，还有一段难以逾越的合规与工程鸿沟。

英伟达SpatialClaw戳破微调神话 免训练重塑空间推理接口

> 当大多数科技巨头还在大语言模型的红海中厮杀时，李飞飞已带领 World Labs 开启了“空间智能”的第二战场。一年内估值翻五倍的资本神话背后，是行业对 AI 从“理解语言”向“理解物理世界”进化的迫切押注。

## 资本热捧下的身价暴涨

在生成式 AI 的浪潮进入深水区之际，享有“AI 教母”美誉的李飞飞再次证明了其敏锐的战略眼光。据彭博社最新消息，其创办的初创公司 World Labs 正在推进一轮新的融资计划，目标筹集 5 亿美元，投后估值将高达 50 亿美元。

这距离公司成立仅过去不到一年。2024 年 4 月，World Labs 在成立之初的估值为 2 亿美元，随后迅速吸纳了 a16z、Radical Ventures 等顶级风投，以及英伟达、淡马锡和 Google 首席科学家 Jeff Dean 等行业大佬的背书，迅速跻身独角兽行列。如今身价再度翻倍，不仅是对李飞飞学术地位的致敬，更是市场对“世界模型”这一技术路线的高度认可。

![Google_AI_Studio_2026-01-26T03_04_41.675Z.png](https://static.downly.cn/images/dad2c6fae98cf34759b1cd861212efb6.png) <center>图源备注：图片由AI生成</center>

## 超越语言 此时此地的世界模型

World Labs 的核心野心在于构建“大世界模型（LWM）”。李飞飞团队认为，AI 的终极形态不应止步于生成平面的图文，而必须具备理解物理世界结构、动态演化及因果关系的能力。

目前，World Labs 已推出首款 3D 世界生成模型 Marble。该模型展现了惊人的能力，能够仅凭文本或图像输入，直接生成可交互、可探索的 3D 空间，并为物理仿真和机器人模拟提供关键的“碰撞网格”数据。在战略构想中，这是通往“空间智能”的必经之路——赋予 AI 像人类一样感知和操纵三维世界的能力。这一基础设施的完善，将对 AIGC 产业产生颠覆性影响，从 3D 资产的瞬间生成到具身智能机器人的精准操控，想象空间巨大。

## 双雄并立的路线之争

值得关注的是，在通往“世界模型”的道路上，李飞飞并非独行。图灵奖得主 Yann LeCun 创立的 AMI Labs 同样以 35 亿美元的估值在资本市场寻求支持。

两者的技术路线呈现出有趣的对立 李飞飞倾向于显式、可生成的 3D 环境构建，强调视觉与物理的统一；而 LeCun 则坚持基于 JEPA（联合嵌入预测架构）的抽象认知路径，不主张直接生成像素级的世界。这场顶级大脑之间的较量，预示着 AI 的下一个十年主战场，将正式从“语言逻辑”转移到“时空智能”。

空间智能新纪元 李飞飞World Labs估值冲刺50亿美元

> **导语**
> 阿里巴巴旗下高德地图在 AI 基础模型领域取得重大突破，正式推出自研世界模型“FantasyWorld”。该模型凭借独特的几何与视频联合建模技术，在国际权威基准 WorldScore 上夺得榜首，并已率先应用于“飞行街景”等具身智能场景。

## 几何与视频的联合建模

FantasyWorld 的核心创新在于解决了传统视频生成模型缺乏物理一致性的痛点。高德团队提出了一种新颖的架构：在冻结的视频基础模型骨干上，增设一个可训练的几何分支。这种设计实现了“视频潜变量”和“隐式 3D 场”的联合建模，且仅需一次前向计算即可完成，极大地提升了推理效率。

这一技术突破使得 FantasyWorld 在生成视频时，不仅能保持极高的视觉真实感，还能确保多视角下的一致性和几何保真度。即使在面对 180° 旋转等极端视角的物体形状与纹理保持上，其表现也远超近期的其他几何一致性方法。模型生成的 3D 潜变量可直接解码为深度图或点云，为下游任务提供了即插即用的 3D 数据支持。

![Google_AI_Studio_2026-01-10T03_50_17.220Z.png](https://static.downly.cn/images/d9ca3c0857bc62f9a33c794f04b46faf.png)
 <center>图源备注：图片由AI生成</center>

## 权威评测与开源计划

作为由斯坦福大学李飞飞团队主导的统一世界生成基准，WorldScore 涵盖了静态场景、动态场景、可控性及一致性等多维度的严苛评估。FantasyWorld 在该榜单上以综合得分第一的成绩强势登顶，特别是在静态世界得分（78.55）和动态世界得分（66.89）等关键指标上，超越了多家国内外知名模型。

学术界的认可紧随其后，相关论文已被 ICLR2025、NeurIPS2025 等顶级 AI 会议收录。高德方面已明确表示，将于近期开源该模型，此举预计将大幅推动学术界与产业界在 3D 世界构建领域的合作与创新。

## 从飞行街景到具身智能

FantasyWorld 的商业价值已在高德地图的“飞行街景”功能中初现端倪。商家只需上传几段简单的手机视频，模型即可低成本、快速地生成高保真的 3D 虚拟漫游街景。这种“技术平权”不仅让普通商家拥有了展示空间细节的能力，也为用户提供了身临其境的预览体验。

更长远的布局在于具身智能。随着自动驾驶向端到端视觉语言行动（VLA）方案演进，追求物理真实性的世界模型变得至关重要。高德内部已成立具身业务部，探索机器人、机器狗等方向，利用 FantasyWorld 在空间智能上的优势，加速从数字地图服务商向物理 AI 领军者的转型。

高德发布世界模型FantasyWorld 登顶WorldScore并将开源

> 导语
> 今日科技圈迎来多重重磅更新，腾讯与OpenAI相继推出新一代大模型，编程与多模态能力大幅跃升。与此同时，快手可灵与生数Vidu在音视频生成领域再造突破，高德与诺顿则将AI融入出行与安全浏览，更有日本政府探索AI在心理干预层面的社会价值。



## 腾讯混元2.0震撼发布 携手DeepSeek共建AI生态

腾讯正式对外发布了备受瞩目的自研大模型混元2.0。这一版本采用了先进的混合专家架构（MoE），参数规模巨大，旨在提供更强劲的逻辑推理与多任务处理能力。值得一提的是，腾讯同步宣布将DeepSeek V3.2深度接入其生态系统。目前，这两款强大的模型并在元宝、ima等腾讯旗下的AI应用中正式上线。与此同时，腾讯云也迅速跟进，向开发者和企业用户开放了相关的API服务，为产业智能化升级提供了新的强力引擎。

## OpenAI再推王炸 GPT-5.1-Codex-Max重新定义编程效率

OpenAI发布了其最新的编程专用模型——GPT-5.1-Codex-Max。该模型在性能上实现了显著飞跃，不仅具备更加智能的“代理式”编码能力，能够自主规划和执行复杂的编程任务，还支持超过一百万token的超长上下文窗口，轻松处理大型代码库。令人惊喜的是，其定价策略保持与GPT-5一致，极高的性价比使其一经发布便受到了全球开发者的广泛关注与热议。

## 英伟达联手港大推出Orchestrator模型 小参数大智慧

英伟达与香港大学合作，联合推出了一款拥有8亿参数的Orchestrator模型。虽然参数量不大，但该模型利用创新的ToolOrchestra强化学习框架，展现出了惊人的效能。它能够以更低的算力成本和更高的准确率，协调多种外部工具与大型语言模型协同工作，以解决复杂问题。此外，该模型还具备根据用户偏好智能选择最佳工具的能力，为AI代理的工具管理提供了新的思路。


![image.png](https://static.downly.cn/images/d912f372ced241a29811bfb8b7aad1db.png)

<center>图源备注：图片由AI生成</center>


## 快手可灵Avatar 2.0上线 一张照片实现唱跳自由

快手可灵AI发布了Avatar 2.0数字人模型，标志着AI内容创作从静态向动态叙事迈出了关键一步。新版本彻底告别了以往数字人常见的“面瘫”问题，用户现在仅需上传一张照片和一段音乐，即可生成长达五分钟的视频。在视频中，数字人不仅能根据音乐节奏自然地唱歌跳舞，还能展现出细腻丰富的面部表情和肢体动作，极大地降低了高质量视频内容的创作门槛。

## 生数科技Vidu Q2版本发布 免费解锁4K画质与局部重绘

生数科技发布了集参考生图、文生图与图像编辑功能于一体的Vidu Q2版本，被称为“生图全家桶”。该版本在图像生成的可控性上进行了大幅增强，用户可以精准控制画面的位置、动作和构图。Vidu Q2不仅支持输出影院级的4K超清画质，还新增了实用的局部重绘等编辑功能。凭借强大的功能和免费使用的策略，该版本上线首日使用量即突破五十万次，成为创意领域的新宠。

## 微软开源VibeVoice 300毫秒极速响应拟人语音

微软发布并开源了实时语音模型VibeVoice-Realtime-0.5B。该模型在语音合成技术上取得了突破性进展，能够将文本输入在平均300毫秒内转化为语音输出，几乎实现了零延迟的实时交互。不仅速度快，其输出的语音极其接近真人，即便是在长达90分钟的长音频合成中，也能保持流畅自然的呼吸感和语调，远超传统语音合成技术的表现。

## 火山引擎豆包语音2.0升级 复杂场景识别率显著提升

火山引擎发布了基于20亿参数音频编码器的豆包语音识别模型2.0。此次升级显著增强了模型在多语言环境、嘈杂复杂场景下的识别准确性。特别是在处理专有名词、人名、地名以及多音字等难点信息时，新模型的推理能力得到了质的飞跃。此外，该模型还新增了视觉信息识别功能，进一步拓宽了其在多模态交互场景中的应用潜力。

---
![image.png](https://static.downly.cn/images/73c5ddaf2726e7f389decc0e7f6a05be.png)

<center>图源备注：图片由AI生成</center>


## 高德地图上线AI停车雷达 分钟级预测车位状态

高德地图利用先进的AI视觉分析和空间智能感知技术，推出了实用的“AI停车雷达”功能。该功能实现了车位占用情况的分钟级动态可视化更新，帮助车主在导航过程中实时查看沿途及目的地的空闲车位情况。目前，该服务已率先在北京上线，覆盖数万个车位，有效缓解了城市停车难的问题，极大地拓展了导航应用的服务深度。

![image.png](https://static.downly.cn/images/8701e7b568393d4ef04b4cc2fec2902c.png)

<center>图源备注：图片由AI生成</center>

## 诺顿发布全球首款安全AI浏览器Norton Neo 守护在线隐私

网络安全巨头诺顿发布了全球首款免费的“安全AI原生浏览器”——Norton Neo。这款浏览器旨在利用AI技术的主动防御能力，应对日益复杂的在线安全威胁。它能够智能识别并拦截恶意网站、钓鱼链接及追踪脚本，为用户提供一个更加智能、清爽且可信赖的网页浏览体验，重新定义了浏览器安全标准。

## 阿里云析言XiYan-SQL登顶全球榜单 数据库诊断能力刷新纪录

阿里云飞天实验室研发的“析言XiYan-SQL”数据分析智能体，在全球权威的SQL诊断评测BIRD-CRITIC中一举夺魁。该智能体超越了国内外众多顶尖团队，刷新了该基准测试中所有开放榜单的纪录。这一成绩充分展现了阿里云在自动诊断和修复企业常见数据库报错方面的强大技术实力，为企业数据治理提供了强有力的工具支持。

## 日本政府拟启用AI技术 早期干预青少年心理危机

面对青少年自杀率上升的严峻社会问题，日本政府计划利用人工智能技术来早期识别具有自杀倾向的青少年，并及时提供必要的心理支持与干预。这一举措是在社会对AI风险广泛关注的背景下提出的，此前OpenAI曾因AI工具可能诱导不良情绪而引发争议。日本政府此举意在探索AI向善的可能性，将其应用于心理健康这一关键社会领域。

每日AI资讯1206：腾讯混元2.0重磅登场 OpenAI发布编码神器 快手可灵让数字人唱跳俱佳

> 今日AI界风起云涌：谷歌将Gemini全面融入地图与电视，引领交互新革命；软银与OpenAI的合作引发资本新思考；Kaltura重金布局AI数字人赛道；编程新贵Lovable用户激增，商汤与月之暗面发布创新模型与框架，而Meta则在语音识别领域打破语言壁垒，技术与资本共同推动AI浪潮进入新高度。


## 软银联手OpenAI成立“水晶智能”，AI投资新模式或引行业“资金空转”担忧

软银与OpenAI宣布合资成立“水晶智能”公司，旨在为日本企业提供先进的AI工具。然而，鉴于软银本身就是OpenAI的重要投资者，这一举动引发了业界对于AI领域投资模式的深入思考。市场担忧此类交易可能并未真正创造新的经济价值，而是导致资本在巨头生态系统内部循环，形成“资金空转”现象。


![image.png](https://static.downly.cn/images/d99a8d575a33e13805651a817710a952.png)
图源备注：图片由AI生成
 

## Gemini登陆Google TV，家庭娱乐迎来情景化AI交互革命

谷歌正式在Google TV平台上推出Gemini语音助手，以取代原有的Google Assistant。这是谷歌将Gemini全面整合至其各类平台战略的关键一步。通过Gemini强大的AI能力，用户将能够以更自然、更具情境化的方式进行复杂的内内容查询和功能操作，例如根据“推荐一部适合全家观看的科幻喜剧”等多重偏好指令寻找电影，极大地提升了家庭娱乐的智能化体验。

![image.png](https://static.downly.cn/images/1b539be1146748f2a08fc1fb8c5ad43b.png)
图源备注：图片由AI生成
 

## 谷歌地图拥抱Gemini，一句话生成交互式地图

谷歌地图迎来重大升级，通过深度集成Gemini大模型，转型为一个AI空间智能平台。此次更新推出了创新的“Builder Agent”功能，允许用户和开发者仅通过自然语言指令，就能快速生成交互式地图。结合MCP服务器和Grounding Lite技术，新版谷歌地图不仅为普通用户带来了前所未有的智能体验，也极大地提升了开发者的工作效率。

![image.png](https://static.downly.cn/images/b5eac1b01ef3e7dc65d3e4d3cac9f8d7.png)
图源备注：图片由AI生成
 

## Kaltura豪掷2700万美元收购eSelf.ai，发力企业级AI视频交互

视频技术公司Kaltura宣布以2700万美元收购eSelf.ai，获取其先进的实时对话虚拟人技术。此次收购是Kaltura“视频即服务界面”战略的核心举措，旨在将其视频平台从传统的内容分发工具，转变为一个智能交互界面。通过整合AI数字人技术，Kaltura期望能显著提升企业客户的沟通效率和用户参与度。

![image.png](https://static.downly.cn/images/929aa6b833b51972cae52cf5d61c60b1.png)
图源备注：图片由AI生成
 

## AI编程新星Lovable用户破800万，“氛围编程”引领行业潮流

瑞典AI编程平台Lovable在成立仅一年的时间里，实现了爆炸式增长，用户总数已接近800万，每日有超过10万个新产品通过该平台发布。作为“氛围编程”理念的开创者，Lovable已从一个开源工具迅速成长为估值超10亿美元的独角兽公司，其用户覆盖从学生到高收入开发者，充分展示了AI在编程领域的巨大潜力。

![image.png](https://static.downly.cn/images/6d53b42ee31f3d10672f4e605950c699.png)
图源备注：图片由AI生成
 

## 商汤发布SenseNova-SI模型，空间智能能力超越GPT-5

商汤科技发布了其开源的SenseNova-SI系列模型，在空间智能领域取得了重大突破。根据权威评测结果，该模型在空间理解与推理方面的能力已超越包括GPT-5在内的顶尖闭源模型。这一成果有效弥补了当前大模型在空间智能方面的短板，展现了卓越的性能。

![image.png](https://static.downly.cn/images/eb4325fb3dd40a21d0960a550d9c7271.png)
图源备注：图片由AI生成
 

## 月之暗面开源Kosong框架，赋能下一代AI智能体开发

国内AI创业公司月之暗面开源了其全新的AI代理框架Kosong。该框架以其轻量级和灵活的设计理念，有效解决了当前AI开发中工具碎片化的难题。通过提供统一的抽象层，Kosong简化了下一代智能体的开发流程，帮助开发者更紧密地将大模型的能力与真实应用场景相结合，一经发布便获得了开发者社区的热烈反响。

![image.png](https://static.downly.cn/images/adcd3a700c2139766c70d6c3bce24028.png)
图源备注：图片由AI生成
 

## Meta AI发布“全语种”语音识别系统，支持超1600种语言

Meta发布了名为Omnilingual ASR的自动语音识别系统，该系统能够转录超过1600种口语语言，是目前支持语种最多的系统之一。此举旨在解决当前AI工具在语言覆盖上的严重不足，推动实现通用语音转录，从而弥合全球不同语言在获取AI技术支持方面的鸿沟，向打破全球语言壁垒的目标迈出重要一步。

![image.png](https://static.downly.cn/images/32ac3dd071597c42bb68692168d0df88.png)
图源备注：图片由AI生成

搜索结果: 空间智能