被嫌弃的 GPU，如何走到空间智能

为什么这期重要

作者概括: 这是一家公司的路线变化史，也是一个创始人如何在市场周期、技术判断和现金流之间保持连续性的记录。

从创业比赛到云上的 GPU

黄晓煌和朱浩在 UIUC 读博士时参加过创业比赛，做过防止驾驶员睡着的设备，并拿到二等奖。那次经历没有直接变成公司，却让创业成为一个真实选项。

2011 年，硅谷最热的概念是云计算。云端资源主要还是 CPU，GPU 很少被放到云上。黄晓煌在 NVIDIA 工作时参与 CUDA 开发，看到内部应用可以把 CPU 速度加速几十到上百倍，也看到 Intel 已经形成的生态让外部推广很难。

他的第一个创业想法很简单：把 GPU 做到云上。美国的原型和融资尝试受身份问题阻碍后，团队回到中国。那时 NVIDIA 还没有今天的市场地位，投资人也不把它视为足够强的科技公司；这让团队一开始很难解释自己的技术价值。

酷家乐是被用户留存筛出来的

回国后的团队先在影视、家居建筑和仿真等场景里做演示。团队没有先决定一个行业，再按计划开发产品，而是先让不同场景使用技术，看谁愿意付费。

酷家乐最初面向业主，团队原本设想用用户流量做 O2O。现实结果很快出现：很多业主在半年内流失，长期留下来的主要是设计师和装修公司。产品的核心用户因此从 C 端业主转向专业从业者。

这次转向也改变了商业模式。2013 年底产品上线，2014 年开始增长，2015 年开始赚钱。家具交易还没有真正走起来，O2O 也开始退潮，团队转向 SaaS 收费，2015 年底现金流打平。软件订阅比卖家具更符合这支技术团队的取向。

GPU 的成本决定了收费方式

群核的产品表面上是 SaaS，底层却一直在消耗 GPU。CPU 服务更多用户时，边际成本可以下降；GPU 渲染每一张图都需要算力。用户越多，计算量越大，成本不会自然消失。

早期产品不得不限制图片尺寸，把计算量大的任务放到夜间运行。广告模式也没有解决问题：一次点击可能消耗一元算力，但广告只能带来几分钱收入。后来 AI 产品让用户接受按 token 或按计算量收费，群核原来被成本锁住的部分终于有了更合适的收费方式。

大厂竞争教会群核什么

2015 到 2018 年，平台型客户是群核最赚钱的客户之一。客户使用群核的软件和算力，一年付费上百万元。互联网金融风险扩散后，前十大客户有八家倒闭，原来的收入结构迅速失去支撑。

随后群核又遇到大厂挖人。整个团队成批离开，客户没有交接人，业务甚至会在一夜之间停摆。黄晓煌由此看到，单靠软件算法很难守住公司；算法会跟着人扩散，数据、网络效应和客户服务才更需要长期积累。

群核没有接受 BAT 的投资。百度与群核的业务联系不强，阿里可能把公司拉进电商方向，腾讯则会让团队卷入平台之间的竞争。群核选择工业 4.0、柔性生产和海外业务，为线上业务和中国业务分别准备替代路径。

活下来是一套周期方法

黄晓煌经历过 O2O 的快速升温和迅速退潮，也经历过 SaaS 热潮、房地产调整和 AI 兴起。他把剧烈变化先分成两类：需求仍在、但景气度会波动的周期性变化；以及生产方式已经被新技术改变的趋势性变化。

工业软件的需求来自真实的生产过程，市场冷下来后仍可能回升。传统流程管理 SaaS 则受到 AI 的直接冲击，因为原来需要一支团队完成的流程和代码，越来越容易被模型生成。两类变化不能用同一套动作处理。

2020—2021 年，融资容易、业务好卖，群核也曾经快速扩张。2019—2020 年谈地产客户时，几百万元甚至一千万元的款项有时在合同签订前就到账。后来外部环境反转，现金流重新成为必须面对的约束。

AI 让公司重做一次选择

2023 年初，黄晓煌用 Copilot 写代码，意识到流程式企业软件的生产方式已经改变。群核在 SaaS 时代招聘的大约 80% 的人，集中在传统流程产品周围；如果产品形态被 AI 重写，团队也必须重新安排。

公司当时同时尝试两条路：训练自己的空间模型，或者为大模型做 LoRA 等配套。前一条路训练更慢、成本更高，但模型和算法可以沉淀；后一条路反馈更快，却容易变成拼速度的生意。围绕大公司模型工作的团队，最后很容易被大公司吸收。

2023 年模型还没有训练出来，群核先用合成数据和人工修补提供服务。到了 2024 年，战略变得更明确：自己掌握算法和模型，同时补齐数据工程与 GPU 基础设施。公司的收费方式也从月费、年费逐步转向按渲染量或计算量收费。

六小龙成为招聘工具

群核在 2025 年把创始人的大量时间投入招聘。黄晓煌主动读论文找人，也亲自面试。他没有用知名度直接换收入，而是把它当作让算法人才愿意了解公司的入口。

这一年，群核收到的 C9 高校简历数量约为上一年的 9 倍，海外简历约为上一年的 20 倍。算法和模型团队也从 2023 年的不到 10 人扩到约 60 人，算力投入达到每年几千万元人民币。

面试标准同样发生变化。黄晓煌不再主要看履历，而是设计预计需要一个小时的上机题，观察候选人能不能把论文复现出来，再继续优化。学习能力只有变成可检查的动手结果，才对模型研发真正有用。

空间智能有三层底座

群核把空间智能理解成一套从底层能力到产品应用的结构。底层包括原来的物理正确渲染、空间理解与推理模型 SpatialLM，以及空间生成模型 SpatialGen。

中间层把这些能力提供成 API，包括空间理解、空间推理、空间重建、空间编辑和渲染。最上层分成两类产品：酷家乐、鹏拍和 LuxReel 服务人的工作；SpatialVerse 和 Spatial Twin 服务机器人与工厂。

这条路线延续了群核最初的技术主线。早期团队想让计算机更准确地呈现物理世界，如今则希望让大语言模型理解物理世界。产品和算法都在变化，物理世界仍是共同的对象。

三维路线和视频路线

世界模型有不同的技术路径。群核选择空间重建和三维生成，是因为三维场景有尺寸、可以交互，并且能够表达距离、位置和遮挡关系。对于需要接近物理世界的任务，这些关系不能只靠画面看起来连续来代替。

视频生成的优势在于画面精美、变化灵活，路线更接近视觉连续性。黄晓煌并不认为群核可以在视频效果上与 Google 等大型公司正面竞争，所以公司把赌注放在三维场景的物理关系上。

哪条路线最终占上风仍然不确定。对群核来说，关键判断是三维模型能否在机器人、工厂和其他设备需要真实尺寸与可交互空间时，提供视频模型不容易直接提供的能力。

机器人不是一个物种

黄晓煌不把具身智能只理解成人形机器人。吊车、机械臂、AGV、叉车，以及进入人体内部的设备，都可以在不同程度上使用智能。设备不必完全自动化，智能程度可以根据任务和成本逐步增加。

群核在扫地机器人场景里验证过空间模型训练数据。这个场景证明了技术，却不足以单独支撑一个大业务。公司还要把能力带到工厂规划、传统自动化设备和更多空间产品里，扩大可服务的客户群。

真实数据和合成数据也会随客户而变化。国内团队往往更熟悉真实车辆和实景数据，海外团队更常接受仿真数据。图像、视频和激光雷达可以重建空间，但隐私、摩擦、材质和交互反馈仍然需要额外采集。

一个创始人如何处理长周期

黄晓煌现在更像连接科研与产品的负责人，而不是亲自管理所有商业事务。他接受新技术在早期收入有限，但希望三年内出现一些商业回报；如果一件事足够大，可以先用少量人员研究，等能力成熟后再扩大投入。

他也承认自己容易受周围人影响。解决方法是改变共同决策的环境：讨论空间智能时，需要让真正理解空间、模型和硬科技的人参与，销售团队不能只用明天能不能变现来判断。

2023 年的空间智能转型让公司一边关闭亏损业务，一边继续投入模型和人才，组织调整因此非常痛苦。黄晓煌不擅长快速裁撤旧团队，核心成员的长期信任带来稳定，也让跟不上新方向的人更难处理。

他给自己的阶段目标很具体：当空间智能贡献公司一半收入时，这一阶段的转型才算完成。对一家经历过多次周期切换的科技公司来说，目标是逐步做大，同时在下一次技术变化到来前保有选择权。

核心金句