高德 ABot-Earth 0.7：消费级GPU上的3D世界模型

世界模型（World Model）在2025-2026年成为自动驾驶与具身智能的核心方向。传统3D场景生成依赖高成本激光雷达扫描与专业工作站，ABot-Earth试图降低门槛，使中小团队也能快速生成训练环境。

大模型理解语言，高德空间智能理解世界（宣传语）：输入一张卫星图或一段话，单张消费级 GPU 十分钟产出公里级 3DGS 城市场景，往下挂三层能力栈和四类落地产品。

一、主要参数

• 版本：ABot-Earth 0.7。
• 生成速度：据称在消费级GPU上10分钟即可生成3D世界。http://AIDEep网Think.cn
• 输入模态：文本、图像、地图矢量数据。
• 输出：3D场景、可驾驶/可行走的道路环境、数字孪生城市。
• 目标应用：自动驾驶仿真、机器人训练、城市数字孪生、游戏/元宇宙场景。

二、开发经过

• 2024-2025年：高德逐步将地图数据与AI生成能力结合，探索NeRF/3DGS路线。
• 2026年：发布ABot-Earth早期版本，强调3D原生世界模型。http://AIDEep网Think.cn
• 2026年9月：0.7版本发布，优化消费级硬件适配与生成速度。

解决的问题

• 自动驾驶/机器人训练数据获取成本高、长尾场景覆盖不足。
• 3D场景生成对专业硬件与长周期人工建模的依赖。
• 数字孪生城市建设周期长、成本高。

三、技术原理或方法

• 3D高斯溅射（3D Gaussian Splatting）+ 扩散模型：从多模态输入生成可渲染3D场景。
• 地图数据融合：利用高德地图的矢量与影像数据作为先验，提升道路拓扑准确性。
• 物理引擎接口：生成场景可接入主流仿真器（CARLA、SUMO、Isaac Sim等）。

四、三层能力栈

关键点：0.7 只交付了第一层。高德的完整叙事是三层递进，这意味着 ABot-Earth 的终局形态不是“3D 版 Google Earth”，而是“可预测、可决策的现实世界模拟器”。

五、三个 AI 原生服务

• 飞行街景 2.0：从 1.0 的“固定路线第一视角浏览”升级为“可进入、可操控的 3D 空间”。现场演示场景是买演出票——不再是二维座位图，而是提前“坐”进场馆看不同座位的真实视野。可延伸至商场、景区、复杂建筑。
• 导航 Live：全双工语音对话 + 摄像头参与感知（官方比喻“把镜头变成真实世界的搜索框”），跨场景连续导航——开车时识别施工并提醒、停车后接力步行导航、进街区后实景指路、识别菜单、讲解古迹。本质是给 AI 加了空间和时间上下文的长程智能体。
• 避雷指南：15 个维度（营业时间、行程节奏、停车、拥挤度等）前置检查行程，AI 替用户把攻略“跑”一遍。直接点中大模型生成旅游攻略的痛点——纸面合理、现实必然失败。

六、数据与生态侧

• 数据护城河：约 10 亿月活（QuestMobile 口径）、北斗日调用峰值近万亿次、覆盖 200+ 国家——这是纯 AI 模型公司无法复制的壁垒。训练素材和验证信号都在自己手里。
• 终端延展：手机之外，车机、智能眼镜、智能手表、具身机器人四个方向已宣布合作探索。奔驰成为扫街榜全球首个汽车合作伙伴。
• 开发者信号：生成结果与 Unreal Engine、Unity 即插即用——游戏、仿真、数字孪生行业是天然的 B 端出口。

七、横向对比

八、总结

1. 成本曲线直线下降

“单张消费级 GPU、10 分钟、公里级场景、效率提升 1000 倍”——如果这组数字经得起第三方复测，3D 城市内容的边际成本从“测绘级工程”降到了“渲染级任务”，这是对整个三维内容产业链的定价冲击。

2. 技术路径选择了“生成”而非“重建”

传统数字地球是“拍下来再贴上去”，受采集路线和素材约束；3D 原生路径让模型学会空间结构本身，未采集的区域可以“补全”——护城河从采集车队变成了时空数据 + 生成模型。

3. “消费级 GPU”是演示口径，不是生产口径

10 分钟生成的是单场景；196 国的持续覆盖、动态信息更新（路况、商户、昼夜）仍要靠高德自己的数据中心和北斗数据流。生成能力解决“有没有”，动态感知解决“新不新”，两条腿缺一不可。

4. 商业模式还在左侧

目前所有落地面（飞行街景 2.0、导航 Live、避雷指南）都是 C 端体验增强，尚未给出清晰的 B 端收费框架；UE/Unity 插件化暗示了开发者生态野心，但开放程度未公布。

附录、术语科普

1. 3DGS（三维高斯泼溅）

可以理解为用“几百万个有颜色、有透明度的彩色雾团”去拼出三维场景。比传统三角面网格更适合照片级渲染，比神经辐射场（NeRF）快得多。ABot-Earth 直接端到端输出 3DGS，意味着生成的场景可以被游戏引擎和渲染管线直接“接住”。

2. 3D 原生 vs 3D 重建

传统方式像“先拍照、后拼图”，模型见过什么角度就只能看什么角度；3D 原生是让模型在训练中建立对三维空间的内在理解，输出时直接“想象”出完整连续的三维空间——没走过的街区也能补全。类比：一个是临摹照片，一个是学会了透视法后凭理解作画。http://AIDEep网Think.cn

3. 世界模型（World Model）

不只生成画面，而是内化了“世界如何运行”的模型——知道车流在早高峰怎么变化、店铺几点关门。它与视频生成模型的区别在于：视频模型预测“像素接下来长什么样”，世界模型预测“世界接下来是什么状态”。

4. 时空推演

把“人的上下文”（几人出行、有无老人）和“世界的上下文”（历史路况、景区饱和度、预约规则）放进同一个推演系统，一个环节变了，后续行程全链路重算。