对话生境科技：空间AI的核心是理解人的偏好与空间秩序

在AI应用快速演进的当下，文字、图像、视频之后，AI正在加速从数字空间进入物理世界。

从这点上来看，生境科技并不只想做“更快的设计工具”，而是在构建一个“空间AI”的数据飞轮。在团队看来，现阶段空间AI真正要解决的，不只是几何重建，也不是单纯的美学生成，而是对空间秩序、用户偏好和情绪价值的理解。

在 Physical AI 的技术图谱中，生境科技更像一个人居空间状态层。它不把3D空间只看成模型文件或视觉结果，而是把对象、区域、关系、约束、可供性、偏好和版本变化组织成可计算、可验证、可训练的空间状态。

生境科技的稀缺性来自一个被低估的数据断层：现实任务面对的是三维对象、空间关系、动作约束和状态变化，但当前最容易获得的大规模训练数据主要集中在文本、图像和视频。游戏、影视、建筑和家装行业确实沉淀了大量3D资产与工程文件，但这些数据多数服务制作或交付，不天然具备统一空间编码、状态转移记录和人类反馈标签。

成立于2023年的生境科技，是一家专注于3D空间AI生成的创业公司。公司希望通过端到端空间AI生成系统，让用户能够用一句话生成室内空间设计方案，并进一步在家装、游戏、电商、具身智能合成数据等场景中落地。

生境科技此前由中国工程院院士孟建民、香港科技大学教授李泽湘等指导和培育，也是XbotPark体系中少有的AI软件平台类项目。

据公开信息，生境科技最近一轮融资（Pre-A和Pre-A+轮）公开于去年11月，规模近亿元人民币，投资方包括南山战新投、余杭国投、深圳担保集团等国资平台，也包括力合科创、大米创投、临芯投资等市场化机构，以及哇哇鱼网络科技等游戏产业方。

近日，「明亮公司」与生境科技创始人团队进行了一次交流。

目前来看，生境科技所落地的场景主要为“室内装扮”，其先通过内容运营的方式积累了一部分用户，旗下运营的小红书账号 “小境senbox（森盒版）”粉丝数超过59万。

在许多AI公司从模型Demo、B端工具或内容生成切入时，生境科技选择了一条更反直觉的路径：先做一个用户愿意反复使用的2C空间交互产品，再把生成、编辑、保存、发布、复刻等行为转化为空间状态数据。森盒的价值不只在于“生成一个房间”，而在于让人类空间偏好以高频、低成本、结构化的方式被记录下来。

与群核科技（00068.HK）不同，他们并不会参与后端围绕设计师、装修产业链的深度服务（“太重了”），而是围绕“3D空间”这一领域先打造一款面向C端用户的AI应用“SenBOX³森盒”，最终为构建“空间AI“来沉淀数据，不断提升空间AI模型的性能，最终打造一款“空间版小红书”的3D内容平台。

理想情况下，在这一应用平台上，用户提供的不仅仅是他们对房间的设计方案（也即3D空间的设计内容），也提供了他们对空间秩序、审美偏好等各个维度的数据，在团队看来，这些偏好也即一种”Human Feedback"，可以用于空间算法的强化学习（RLHF，基于人类反馈的强化学习）。

一个用户经过多次选择、编辑、调整，最终留下了一个空间方案，这个结果就包含了他的偏好。”生境科技告诉「明亮公司」，当3D空间内容的情绪价值来自于用户的“偏好”，那基于这些数据，情绪价值就可以测量。

以下为「明亮公司」整理后的访谈内容：

01 从AI空间交互应用切入，打造空间AI的用户入口

明亮公司：市场上很多人会把生境科技和已经上市的群核科技（酷家乐）做对标。你们怎么看这种比较？

生境科技：这个比较可以理解，但我们和它们本质上不是同一个路径。

酷家乐、群核科技解决的是一个非常现实、非常重的产业问题：帮助设计师、家装公司、供应链完成从设计到施工、交付的一整套流程。它更像是一个产业服务系统，链路很长，要涉及设计师、供应链、客服、售后、施工、交付等很多环节。

但生境科技一开始选择的是另一条路：我们更希望从AI空间应用和内容平台的场景切入。

更准确地说，酷家乐这类系统解决的是产业交付效率，森盒切入的是空间AI的用户入口。前者围绕“方案如何落地施工”，后者围绕“人如何低门槛生成、修改、接受和传播空间”。这个入口的价值不只在流量，而在持续获得真实用户对空间状态的判断。

这也是生境科技与市场上常见对标对象的根本差异。酷家乐的核心资产是设计交付链路、软件效率和产业协同；森盒的核心资产是用户侧空间状态数据网络。前者更像“让家装行业更高效”，后者更像“让AI理解人类空间偏好”。这两者会在商业上有交集，但底层稀缺资产并不相同。

因为如果一上来就做落地交付，会非常重。用户今天生成一个房间方案，最终有多少能够真正装修落地？这个转化链路很长，而且会涉及大量线下服务。对于一家AI技术公司来说，直接进入这个链条，会很容易变成一个重服务公司。

所以我们先从更短链路的场景开始，比如游戏化、内容化的空间生成。用户不是一开始就要求方案必须被施工队100%落地，而是先在虚拟空间里表达自己、设计自己喜欢的房间、体验空间创造的乐趣。

这件事本质上更接近“情绪消费”。

比如一个人玩游戏买皮肤，他不会要求这个皮肤落地到现实世界里。但他愿意为情绪价值、审美表达、身份表达买单。我们认为空间也可以成为这样的内容载体。

但空间内容比皮肤更进一步：它不仅承载情绪价值，还天然包含一组“物理符号”，例如物体身份、承载关系、动线、开合半径、功能区、私密性、安全边界和审美偏好。用户愿意为“这是我的空间”买单，系统也因此获得可训练的空间偏好数据。

明亮公司：为什么会选择“游戏化AI应用”作为切入口？之前看多邻国也是这一思路，在切入的教育赛道，但它用的是游戏化机制。游戏化的好处是能够快速获得大量用户行为，并且通过A/B测试持续优化产品。

生境科技：因为游戏化是最短的路径。

如果做传统家装，用户需要量房、设计、报价、施工、改方案，这个链路非常长。但如果做一个空间类AI应用，通过游戏化机制，用户可以非常快地获得反馈：输入一句话，生成一个房间；摆放一个家具，马上看到效果；调整一个风格，立即得到新的体验。

这会形成一个很强的迭代闭环。

这个闭环对 Physical AI 很关键。用户每一次生成、移动、删除、替换、保存或放弃，本质上都形成一条状态转移样本：当前空间状态 s_t，人的操作 a_t，新的空间状态 s_{t+1}，以及由保存、发布、回退、评分、访问等行为组成的反馈 r_t。它比单张效果图更接近世界模型需要学习的训练单位。

明亮公司：生境科技一直强调“空间AI”。在你们看来，空间AI和普通的图像生成、视频生成有什么本质区别？

生境科技：空间是一个秩序非常高的对象。

如果你生成一片森林、一片海洋、一座湖泊，用户不会太在意每棵树之间的关系，也不会特别在意某个石头的位置是否合理。但家不一样。

家里每一个物体的位置、尺度、关系都会影响人的感受。比如你喜不喜欢喝咖啡，会直接影响你的家里是否需要咖啡角；你是不是科技爱好者，会影响你是否需要洗衣机、烘干机、扫地机器人、智能家居；你是否喜欢在卧室看电影，会影响床的位置、投影幕布的位置、吊顶结构、灯光冷暖，甚至动线。

所以家不是一个单纯的几何空间，而是一个高度复合的语义空间。它包含家庭结构、生活习惯、功能需求、审美偏好、动线关系和情绪价值。

我们认为，空间AI不能只理解“这个房间里有床、有桌子、有柜子”，还要理解这些物体为什么这样摆，它们之间有什么关系，以及这个空间是否真的适合某一个具体的人。

因此，生境科技的路线更接近“神经符号空间AI”：底层用模型学习空间生成与偏好分布，上层用空间编码、场景图、约束图和可供性表示维护稳定状态。它和视频世界模型的差别在于，目标不是预测下一帧像素，而是预测、生成和验证下一个合理的空间状态。现有图像、视频、扫描和传统3D资产各有价值，但难以直接提供带人类反馈的结构化空间状态。

02 空间AI的数据壁垒

明亮公司：为什么3D数据这么稀缺？

生境科技：因为3D本身的历史太短了。

文字有几千年的历史，互联网上有大量文本；图像也有上百年的积累，过去几十年又产生了海量数字图片；视频这几年也已经有了非常大的scale。

大模型发展到今天，很多时候已经不是单纯模型架构的竞争，而是数据规模和数据质量的竞争。参数背后其实是数据。

但3D数据不一样。真正大规模、结构化、有标注的3D数据非常少。我们小时候接触3D，可能是魔兽争霸这类游戏。那也就是二十年前的事情，而且这些3D资产很多并不带有面向AI训练的标注。

空间数据就更少。因为它不仅需要几何，还需要语义、功能、动线、物理关系和人的反馈。

这也是为什么物理AI、空间AI距离真正成熟还有很长距离。不是大家不想做，而是高质量数据太少。

更稀缺的不是3D本身，而是结构化、有反馈、能进入训练闭环的空间状态数据。静态3D资产可以购买或扫描，真实用户持续产生的状态、动作、转移、偏好、现实锚定和仿真rollout，则很难在短期内复刻。

明亮公司：如何理解图片和视频数据和空间数据的关系？

生境科技：图片和视频当然有价值，但对空间AI来说远远不够。

图片和视频主要提供外观分布，空间AI真正稀缺的是状态分布。外观回答“看起来像不像”，状态回答“对象是谁、在哪里、为什么在那里、能否被使用、修改后是否更好”。Physical AI 最终需要的不是更漂亮的观察结果，而是可行动、可验证、可迁移的空间状态。

从图片里，你可以学到颜色搭配、物体组合、风格、材质，以及一些功能属性。但你很难学到真实的物体距离、空间骨架参数、遮挡关系、多层次功能分区，以及用户真实的使用意图。视频本质上也是一帧帧图片。它能提供一些动态信息，但对我们关心的空间秩序来说，仍然不够深。

举个例子，一个卧室不只是卧室。它可能同时是睡眠区、阅读区、影音区、储物区。一个用户喜欢在卧室看电影，另一个用户喜欢在卧室看书，他们对床、书桌、投影、灯光、窗户、动线的需求完全不同。

这些信息，仅靠图片很难获得。

所以我们现在更关注从用户端收集数据和反馈。用户在生成、编辑、摆放、修改空间的过程中，会留下非常有价值的行为数据。

明亮公司：你们的数据壁垒主要来自哪里？

生境科技：我们认为有几层。

第一层，是我们早期积累的3D建筑和室内空间数据。基于这些数据，我们做了空间编码。简单说，就是先让AI理解什么是空间。过去很多人希望直接用大语言模型的方式去解决空间问题，但我们认为，空间本身仍然需要被标注、被编码、被训练。

空间编码的本质，是把3D空间从模型文件转成“状态表达”。一个房间不只是若干mesh或贴图，而应被表示为对象、区域、拓扑、约束、材质、可达性、功能、行为接口和版本关系。这类 Spatial IR 介于自然语言和具体引擎格式之间，让通用模型负责意图理解，让空间模型负责把意图展开成可执行世界状态。

第二层，是产业交付过程中积累的行业know-how。我们服务过很多B端客户，比如家居、卫浴、电器、建材品牌。在这个过程中，我们获得了大量真实业务里的空间数据和行业规则。

比如柜体的尺度、柜门开合的碰撞关系、厨房水槽下面应该是什么柜体、卧室和客厅的功能区如何划分、动线如何安排。这些都是图片上不一定能学到的知识。

这些行业 know-how 可以理解为空间符号的约束词典。厨房的工作三角、台面高度、收纳频次，客厅的会客视线和通道保留，卧室的床柜关系和夜间动线，商业展陈的SKU组合和转化路径，都是图片里不稳定、但空间生成必须掌握的状态规则。

如果AI没有这些行业知识，它可能会生成看起来不错但根本不能落地的东西。比如水槽下面生成四个抽拉柜，这在现实里就是不合理的。

第三层，是未来来自用户端的数据。我们认为这会越来越重要，而且占比会越来越大。

这层数据会成为长期壁垒，因为它不是静态素材库，而是“人如何把空间改到可接受”的过程数据。AI初稿、人类修改、版本回退、最终保存、发布传播和被访问，连在一起后才构成可用于偏好学习、奖励建模和潜空间对齐的数据链。

二测数据已经能说明这种机制的早期效率：约3,970名用户形成10,704个最终空间状态，累计约119.4万次AI空间排布或改造、291,053次评价信号、152,183个object-in-room关系记录。这组数字的意义不在于证明用户规模已经足够大，而在于证明空间交互天然会产生高密度、可结构化的中间状态和反馈样本。

明亮公司：如何理解用户行为数据对于整个AI的价值？

生境科技：用户本身会成为数据标注的一个环节。比如用户生成一个3D资产之后，会给它命名、摆放、调整位置。这些动作本身就是标注。一个花盆被用户放在空间里的某个位置，我们就能获得它的XYZ坐标，也能知道它和其他物体之间的关系。再比如用户想在家里放一台咖啡机。他不可能先把咖啡机悬空放在空气中，再在下面塞一张桌子。正常人的操作一定是先有桌子，再把咖啡机放到桌面上。

从这个过程里，我们就能学习到物体之间的先后关系、承载关系、使用逻辑和空间动线。

这可以被看作一种隐式符号标注。用户并不是在给数据打标签，但他的操作天然标出了支撑关系、邻近关系、先后关系、禁用区域、可触达高度和偏好边界。森盒的价值，正是在娱乐和创作行为中捕捉这些“物理符号”。

用户在编辑空间时，还会不断调整尺度、位置、风格。比如一个花盆放大一点、缩小一点，虽然中心点坐标可能不变，但用户通过视觉反馈判断它是否合理。当一个用户最终生成了一个自己满意的方案，我们认为这就是一个很好的自监督训练结果。

它不是冷冰冰的几何数据，而是包含了人的偏好和判断。

这类数据可以进一步进入潜空间训练：用最终保存空间做正样本，用被撤销或被替换版本做负样本，用编辑前后的差异训练空间状态转移，用发布、访问、复刻和委托信号训练奖励模型。这样，空间生成模型不只是学会“摆家具”，而是在潜空间中学会“什么样的状态更可用、更像人会接受的家”。

03 内容平台的突破源自技术迭代

明亮公司：这与最近很热的世界模型之间的关系是什么？

生境科技：我们认为很多所谓世界模型，更多是在做“还原场景”，而不是解决“空间秩序”。比如高斯重建、点云重建，它们能够更好地还原一个真实场景。你可以把它理解为比过去VR看房更高级的几何重建。

但它的问题是，物体往往是粘连在一起的。比如一瓶水放在桌子上，在重建结果里，它可能只是场景表面的一部分，而不是被理解成“水”和“桌子”两个独立对象，更不会理解它们之间的承载关系、使用关系和人的行为逻辑。

我们关注的是另一层，秩序。

这个世界有很多种秩序。比如行为秩序，人上楼要坐电梯，拿东西要伸手；物理秩序，水掉下来会落地，物体之间会碰撞；空间秩序，桌子应该支撑咖啡机，床和投影之间要有合理距离，柜门打开不能撞到其他物体。机器人厂商更多在做行为秩序和物理秩序，而我们关注的是与人居空间相关的空间秩序。

这也解释了生境科技和很多世界模型工作的区别：视频世界模型更擅长预测未来观察，仿真平台更擅长执行物理规律，机器人基础模型更关注动作策略；生境科技关注的是这些能力之前的一层——人居空间如何被组织成可居住、可交互、可执行的符号化状态。

一句话生成一个3D空间，真正难的不是生成一堆好看的物体，而是AI要知道每个物体为什么在那里，它们之间有什么关系，以及这个空间是否适合用户。

所以这里的“符号主义”不是回到手写规则，而是让空间拥有稳定的对象身份、关系、约束和状态接口，再用神经网络去学习它们的分布、转移和价值。换句话说，生境不是在做“下一帧像素”，而是在做“下一个合理空间状态”。

明亮公司：你提到“情绪价值是可以测量的”，这和你们的产品有什么关系？

生境科技：很多人会觉得情绪价值不可测量，但我们认为它是可以通过反馈来测量的。你可以把它理解为一种基于human feedback的过程。一个用户经过多次选择、编辑、调整，最终留下了一个空间方案，这个结果就包含了他的偏好。

但真正关键的是，用户偏好和人群画像的绑定。

比如你刷抖音，10个视频里喜欢9个，和10个视频里只喜欢2个，你的沉浸感完全不一样。空间也是一样。如果一个用户喜欢科比，想要一个科比主题的房间，那么球鞋、球衣、海报、灯光、配色、陈列方式都会影响他的爽感。

如果AI生成的房间七七八八，只是“像一个篮球主题房”，用户可能就不会满意；但如果它真正击中了用户的偏好，用户就会觉得这个空间是“我的”。

所以我们认为，空间AI下一步不只是几何生成，也不只是审美生成，而是要进入偏好推荐和情绪理解。

美是模糊的，但偏好是相对准确的。

对模型训练来说，偏好可以成为奖励信号。用户不需要解释为什么喜欢某个房间，只要持续选择、修改、保存或放弃，系统就能形成偏好排序与反事实样本。这也是森盒区别于一次性工具的地方：它把情绪价值转成可学习的空间价值函数。

明亮公司：这是不是意味着，生境科技未来更像一个3D内容平台，而不是一个设计工具？

生境科技：是的，我们非常看重内容平台的演进。

在AI时代，内容平台的逻辑会发生变化。过去内容平台依赖KOL生产内容，平台通过推荐系统把内容分发给用户。但AI出现之后，内容生产的成本会大幅下降。我认为，推荐系统让内容质量更高，AIGC让内容数量更多。当数量足够大，就会通过筛选产生质变。

以前一个平台需要很多创作者来持续生产内容。但未来可能会有一个更smart的大脑，持续生成海量内容，再通过用户反馈不断优化。

你可以从AI短剧、AI音乐里看到这个趋势。我自己现在收藏的音乐里，已经有相当一部分是AI音乐。这说明只要生成质量足够好、数量足够多，它就会在某些场景里超过人工内容的供给效率。

对于我们来说，3D空间内容也会经历类似的过程。

但3D空间内容不是纯内容，它同时是一个可访问、可编辑、可交易、可仿真的状态容器。内容平台带来分发，游戏化带来留存，空间编码让每一次互动都能沉淀成结构化数据；这三者叠加，才构成生境科技更大的平台想象力。

我们认为，未来一定会出现一个3D原生的内容平台。文字时代出现了搜索和门户，图像时代出现了Instagram、小红书，视频时代出现了抖音、B站。那当3D交互和沉浸式内容成为新的表达方式时，也会有新的平台级机会出现。

它可能出现在字节，也可能不出现在字节。但我们相信，这个机会一定存在。

而站在内容角度，团队认为内容平台的本身的迭代，底层仍然是技术架构的迭代。

“抖音之所以能出来，不只是因为它做了一个短视频App，而是因为它背后有今日头条、西瓜视频等内容矩阵，有一整套推荐系统和新的技术架构。很多公司不是不想做，而是技术架构、数据积累和时代背景不一样决定了它们很难做出同样的推荐系统。”

他也并不否认，目前3D空间内容仍然处在非常早期的阶段。但回看所有平台级公司的出现，比如拼多多、美团、京东、小红书，它们都不是单靠一个产品功能杀出来的，而是技术架构、用户变化、时代机遇共同作用的结果。

我们看到的时代机遇是：文字、图像、视频之后，3D交互和沉浸式内容会成为新的表达方式。”团队说。

明亮公司：如果是内容平台，那C端增长怎么做？

生境科技：我觉得这个问题要放在时代背景里看。

抖音当年的增长其实比我们现在更难。它是在一个短视频红海里杀出来的。当时有秒拍、小咖秀、腾讯微视、新浪短视频等很多产品。抖音之所以能出来，不只是因为它做了一个短视频App，而是因为它背后有今日头条、西瓜视频等内容矩阵有一整套推荐系统和新的技术架构。很多公司不是不想做，而是技术架构、数据积累和时代背景不一样决定了它们很难做出同样的推荐系统。

回看所有平台级公司的出现，比如拼多多、美团、京东、小红书，它们都不是单靠一个产品功能杀出来的，而是技术架构、用户变化、时代机遇共同作用的结果。我们看到的时代机遇是：文字、图像、视频之后，3D交互和沉浸式内容会成为新的表达方式。

而现在，3D原生内容还处于非常早期。这个阶段一定会出现新的平台机会。

空间AI平台的竞争，长期不会只看一次生成效果，而会看谁能更早形成“生成—编辑—分发—反馈—再训练”的循环。模型效果会被追赶，用户侧的空间状态数据、行业规则数据和现实资产Grounding会不断增厚。

明亮公司：如果总结下来看，生境科技如何理解自己的长期竞争力？

生境科技：我们想做的是一个能够理解空间、生成空间，并通过用户反馈持续进化的系统。

短期看，它可以帮助用户生成房间、做家园改造、做AI空间交互内容；中期看，它可以服务家装、工装、电商、供应链，帮助品牌更高效地展示和组合产品；更长期看，它会成为具身智能和物理AI所需要的空间数据来源之一。

长期来看，Physical AI 的竞争会从模型能力延伸到数据结构。机器人需要小脑层面的可操作空间，具身基础模型需要大脑层面的任务语境和状态转移，世界模型与仿真基础设施需要可验证的空间场景。森盒收集到的“人如何组织空间”的物理符号，正好补上这三类系统共同缺少的人居空间状态层。

这也是为什么森盒的2C属性反而重要，如果只是做B端项目，空间数据产生速度会受客户数量、项目周期和交付流程限制；如果用户在日常娱乐、表达和社交中持续创造空间，空间状态数据就可能像短视频平台的观看反馈一样积累。差别在于，短视频反馈训练推荐系统，森盒反馈训练空间世界模型。

但最底层的逻辑是不变的，我们要让AI理解空间秩序，理解人的偏好。空间不是一个纯粹的几何问题，也不是一个纯粹的美学问题。它跟人的生活方式、情绪价值和行为习惯紧密相关。

我们相信，未来每个人都可以用非常低的门槛生成自己的3D空间。就像傻瓜相机让普通人都能拍照一样，空间AI也会让普通人都能创造空间。

这件事如果成立，它不仅是一个工具机会，也可能是一个新的内容平台机会。

更进一步说，森盒表面是AI空间交互应用，底层是空间世界模型的数据入口；短期服务情绪消费和UGC，中期服务空间API与产业资产流通，长期服务Physical AI对结构化空间状态、用户偏好和任务可执行性的需求。

因此，森盒不是用AI包装一款家园游戏，而是用游戏化和内容化机制降低空间反馈数据的生产成本。当生成能力越来越普遍时，真正难复制的会是用户入口、空间编码、行业规则、真实资产和反馈数据共同组成的稀缺数据层。