做AI 3D生成的公司不少，但多数在生成"一个东西"。深圳的生境科技Sengine走的是另一条路：让AI直接生成"一个世界"——可观看、可编辑、可交互的完整3D空间。这家2023年成立的公司，三位联合创始人刘紫东、杨明卓和庄子扬刚上了2026年Forbes 30 Under 30 Asia的AI榜单。把它和之前聊过的VAST放在一起看特别有意思：一个解决"东西怎么被做出来"，一个解决"世界怎么被搭起来"。

一、创始人的学科路径决定了产品路径

核心创始人刘紫东的履历是一条罕见的交叉线：本科东南大学建筑学，硕士在伦敦大学学院学计算设计，博士在美国德州大学奥斯汀分校读空间AI生成。三段训练分别给了他三样东西——建筑学训练空间感（结构、尺度、动线、采光、人的行为），计算设计训练用算法生成方案，AI博士训练让模型理解并生成空间。所以Sengine从一开始就不是"AI生成图片"的思路，而是"空间能不能被算法理解和生成"这个问题出发。过去两年大量家装AI产品本质是图像生成：上传房间照片换个装修风格，好看但没法用——真正装修时要回到户型、尺寸、材质、预算和施工。Sengine直接切3D空间，赌的是家装、电商、游戏、机器人训练最终需要的都不是一张图。

二、产品是什么：空间即数据

Sengine的输入可以是文字、图片、户型或商品，输出是可编辑、可交互、可渲染的完整3D空间。四个关键词值得逐个拆：空间——不是单个物体而是完整环境（卧室、店铺、训练场景）；可编辑——用户要调整家具、换风格、改材质、重新规划动线，而不是看一段视频就结束；可交互——能走进去、换角度、点击物品、在里面完成购买或游戏；可进入业务流程——家装公司、电商平台、游戏团队关心的不是好看，而是能不能用。一句话总结它的野心：把空间变成一种可以生成、流通和使用的数据。

目前落成三条产品线：森盒SenBOX³是C端AI家园产品，一句话或一张参考图生成带个人审美的数字空间；SimHub面向具身智能，生成合成空间数据供机器人训练；电商API让商品从平面图进入真实空间——用户想买一张桌子，系统把它放进你家客厅生成搭配方案。三条线看似分散，底层是同一件事：生成空间。

三、为什么先切家装，再图电商

家装是商业化最合理的起点：消费者装修前最难的不是看不懂产品，而是想象不出结果——看样板间、逛卖场本质上都在解决"我家最后会变成什么样"。传统流程里设计师量房、出图、反复沟通，慢且依赖人；AI空间生成能压缩这个过程，直接影响销售链路。往上是更大的电商：家居、灯具、建材这些品类有个共同点——商品本身不是完整价值，放进空间之后才形成决策。椅子好不好看要看放在哪里，灯适不适合要看房间高度和光线。空间生成API对平台的意义不是页面更炫，而是把"商品展示"变成"空间方案生成"：购物清单进去、房间效果出来，用户在空间里点击替换、调整预算、直接下单。难点也在这里——AI不能只生成漂亮房间，还要理解真实商品的尺寸、价格、库存、材质和物流，否则落不到购买。

四、C端与机器人：数据入口和终极赌注

森盒这类AI家园产品是聪明的C端入口：用户生成童话风卧室、海边小屋、赛博朋克公寓，本质是在表达审美和身份，而用户的每一次编辑、修改、停留、分享，都在反向训练模型理解"什么样的空间受欢迎"。更前沿的方向是具身智能：机器人进入真实世界前必须理解空间——桌子在哪、杯子能不能拿、障碍物怎么绕。真实环境数据贵、慢、危险，虚拟3D空间就是训练场。如果Sengine只做家装工具，天花板受行业限制；如果空间生成能力能进入机器人训练和合成数据，它的定位就会从应用工具升级为基础数据平台。

五、三个难点

• 空间合理性：生成漂亮室内图不难，生成可用空间难——家具尺寸要对、门不能被堵、柜门要能打开、灯光材质要匹配用途，这些是设计规则不是视觉问题；
• 可编辑性：用户要的是在原有结构上稳定修改（换桌子、降预算、儿童房改书房），而不是每次重新随机一个新空间；
• 产业落地：家装要懂施工、电商要接供应链、游戏要实时渲染、机器人要物理规则——不能只做一个通用模型，要包装成各行业能直接用的产品。

我的总结：Sengine和VAST代表了AI 3D的两条路线——资产与空间，正好可以和VAST的AI 3D：从造万物到造世界的10亿美元路线对照着看。它给机器人训练供合成空间数据的思路，也呼应了50万人把生活数据卖给AI：数据零工经济起来了里那个更大的趋势：AI缺的从来不是算法，是合适数据的供给。