Sengine：三个年轻的中国创始人，让 AI 直接生成 3D 世界

今天要分享的公司是：Sengine，生境科技，

https://www.s-engine.com.cn/home

之前我也分享过一家国内做 3D 的 AI 公司：VAST：29岁游戏玩家，怎么把 AI 3D 做成 10 亿美元公司

但 Sengine 和 VAST 完全不是一个产品路径，后面会分析。

关于生境科技和初创团队

2026 年，Forbes 30 Under 30 Asia 的 AI 榜单里，有一家来自深圳的公司：Sengine Technology，生境科技。

入选的是三位联合创始人：刘紫东、杨明卓和庄子扬。

这家公司成立于 2023 年，做的是 AI 3D 空间生成，主要场景包括家装、电商、游戏等。

简单就是，Sengine 不是只生成一个 3D 模型，而是想让 AI 直接生成一个可以观看、编辑、交互的 3D 世界。

这个方向和最近很火的 VAST 重点完成不一样。

VAST 更偏 3D 模型资产。

比如输入一段文字或一张图片，生成一个人物、道具、怪物、家具、载具，让游戏、美术、电商、动画团队更快拿到可用资产。

Sengine 更偏空间和环境。

它关注的不是单个物体，而是一整个空间：房间怎么布局，家具怎么摆放，动线是否合理，材质和光线是否协调，物体之间是否符合真实生活逻辑。

也就是说 VAST 解决的是“一个东西怎么被做出来”，Sengine 想解决的是“一个世界怎么被搭起来”。

分析 Sengine 之前，我们先看下它的核心创始人刘紫东的背景。

刘紫东本科毕业于东南大学建筑学，后来去伦敦大学学院学习计算设计，再到美国德州大学奥斯汀分校攻读空间 AI 生成方向博士。

建筑学训练的是空间感：结构、尺度、动线、功能、采光、人的行为；

计算设计训练的是如何用算法生成方案；

AI 博士训练的是如何让模型理解、生成和优化空间。

所以他做 Sengine，不从“AI 生成图片”这个路径出发，而是从“空间能不能被算法理解和生成”这个问题出发。

过去两年，很多团队做家装 AI，本质上还是图像生成：上传一张房间照片，换一个装修风格，生成一张漂亮效果图。

这类产品看起来很直观，但问题也很明显：它更多是“改图”，不是“建空间”。

用户看到一张图，可能觉得好看，但真正装修、购买、摆放时，还要回到户型、尺寸、材质、预算、施工、商品供应链这些现实问题。

Sengine 一开始切的就是 3D 空间，而不是 2D 图片。

这背后其实也是创始人刘紫东的判断：

家装、电商、游戏、机器人训练这些场景，最终需要的都不是一张图，而是一个结构合理、能被编辑、能被调用的空间。

空间不是“好看”这么简单。

空间首先是秩序，是物体之间的位置关系，是人在其中怎么移动、怎么使用、怎么生活。

Sengine 要让 AI 学会的，不是生成漂亮的房间，而是理解什么是一个合理的空间。

Sengine 到底做什么？

Sengine 做的是 AI 3D 空间生成系统，让用户通过文字、图片、户型、商品等输入，生成可编辑、可交互、可渲染的 3D 空间。

这里有几个关键词，第一，是空间。

它不是只生成单个 3D 物体，而是生成一个完整环境。比如一个卧室、客厅、店铺、虚拟家园、训练场景。

第二，是可编辑。

如果 AI 只生成一段视频，用户看完就结束了。但空间不同，用户需要调整家具位置、换风格、改材质、替换商品、重新规划动线。

第三，是可交互。

空间不是静态图。用户要能走进去，看不同角度，点击物品，查看商品，甚至在里面完成购买、社交或游戏行为。

第四，是可用于行业系统。

家装公司、电商平台、游戏公司、机器人训练团队，关心的不是好不好看，而是这个空间能不能进入自己的业务流程。

这也是 Sengine 和普通 AI 设计工具的差别。

它不是只做一张效果图，而是试图把空间变成一种可以生成、流通和使用的数据。

Sengine 目前已经形成几条产品线：森盒 SenBOX³、SimHub 和电商 API。

森盒更偏 C 端，是 AI 家园类产品。

用户可以用一句话、一张参考图生成一个带个人审美和情感表达的数字空间。

SimHub 更偏具身智能训练，用来生成合成空间数据。

机器人和具身智能模型需要大量环境来训练，但真实世界数据采集成本高、覆盖场景有限，虚拟 3D 环境就有可能成为训练数据来源。

电商 API 则面向平台和品牌，让商品不再只以平面图片展示，而是进入一个真实空间。

比如用户想买一张桌子、一盏灯、一组柜子，系统可以把它们放进一个房间里，生成搭配方案，让用户看到“买回家之后是什么样”。

这三条线看起来分散，其实底层是同一件事：生成空间。

为什么 Sengine 先从家装切入？

从商业化角度看，Sengine 先从家装切入是合理的。

因为家装行业天然需要空间表达。

消费者装修前，最难的不是看不懂产品，而是想象不出结果。

很多人看样板间、看效果图、逛家居卖场，本质上都是在解决一个问题：我家最后会变成什么样？

传统家装流程里，设计师要量房、出图、反复沟通、改方案。这个过程很慢，也很依赖人。

AI 空间生成如果能把这个过程压缩，就会直接影响销售链路。

比如一个家具品牌想卖一套柜子，以前用户只能看商品图、尺寸图、案例图。

现在如果能基于户型生成整体空间方案，把柜子放进客厅或卧室里，再自动搭配其他家具，用户的决策会更接近真实使用场景。

这也是为什么 Sengine 的公开客户和合作方里，会出现家装、家居、电商平台和供应链公司。

电商场景：从卖商品变成卖空间方案

如果家装是 Sengine 的起点，电商可能是更大的延展方向。

现在的电商还是以 2D 图片为主。

用户看沙发，是看一张商品图；看灯，是看一张渲染图；看柜子，是看详情页里的场景照。

但家居、家具、软装、灯具、建材这些品类，有一个共同问题：商品本身不是完整价值，放进空间之后才形成决策。

一张椅子好不好看，要看它放在哪里；

一盏灯适不适合，要看房间高度、光线、材质和风格；

一组柜子值不值得买，要看尺寸、收纳、动线和整体搭配。

所以，空间生成 API 对电商平台的意义，不只是让页面更炫，而是把商品展示变成空间方案生成。

比如用户把购物清单输入进去，系统自动生成一个房间效果；

或者用户上传自己家的照片和户型，系统推荐一套商品组合；

再进一步，用户可以在生成的空间里点击商品、替换商品、调整预算，最后直接下单。

这会改变家居电商的销售逻辑。

过去平台是让用户自己找商品，未来有可能是 AI 先生成一个空间方案，再把商品嵌进去。

这对平台的价值也很直接：提升停留时间、提升转化率、提升客单价，也让商品之间产生组合销售。

当然，这件事难度也不低。

AI 不能只是生成一个漂亮房间，它还要理解真实商品的尺寸、价格、库存、风格、材质、施工限制和物流能力。

否则生成出来的空间再好看，也无法落到购买。

所以，电商 API 的难点，不在生成图，而在把生成能力和商品供应链打通。

这也是 Sengine 为什么有机会，但也为什么这条路不会轻松。

游戏场景：空间生成可能打开新的用户创作方式

Sengine 的另一条线，是森盒 SenBOX³。

森盒是 AI 家园类产品，强调用户可以用一句话、一张参考图生成数字生活空间。

这个产品很适合作为 Sengine 的 C 端入口。

用户在里面不是为了完成一个复杂任务，而是为了表达审美、情绪和身份。

有人想要一个童话风的卧室，有人想要一个海边小屋，有人想要一个赛博朋克公寓，有人想复刻现实里的家。

过去这类创作需要大量素材、模板和手工摆放。AI 空间生成如果足够好，就可以把创作门槛降下来。

用户不用懂建模，也不用一点点拖家具，只要描述自己想要的空间，AI 就先生成一个底稿。之后用户再编辑、替换、分享，甚至让别人进入参观。

Sengine 做森盒，既是 C 端产品，也可能是数据入口和产品验证场。

C 端用户会不断提出空间需求：我要什么风格、什么布局、什么家具、什么氛围。

用户的编辑、修改、停留、分享行为，又会反过来帮助团队理解什么样的空间更受欢迎。

这类数据，对空间生成模型很重要。

因为空间不是单纯的视觉对象，它和人的偏好、活动、情绪高度相关。

用户怎么改空间、怎么使用空间，本身就是训练模型理解空间的重要信号。

机器人训练：为什么 3D 空间会变成 AI 的数据工厂？

Sengine 还有一个更前沿的方向：具身智能训练。

因为机器人要进入真实世界，就必须理解空间。

它要知道桌子在哪里、门在哪里、杯子能不能拿、沙发旁边能不能走、障碍物怎么绕开、物体之间有什么关系。

这些能力很难只靠文字训练出来，也很难只靠真实世界采集。

真实环境数据贵、慢、危险、覆盖有限，机器人不能在现实中无限试错。

比如让机器人练习在厨房里拿杯子，如果每次都要真实搭建环境、真实操作、真实记录，成本会很高。

所以，机器人训练需要大量虚拟环境。

如果 AI 能生成足够丰富、足够合理、足够接近真实物理规则的 3D 空间，就可以为机器人提供训练场。

它可以生成不同户型、不同家具摆放、不同材质、不同障碍物、不同光照条件，让模型在虚拟世界里先学习，再迁移到真实世界。

这就是空间生成和具身智能之间的连接。

Sengine 如果只做家装工具，天花板会受行业限制；

如果它的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往基础数据平台靠近。

当然，这也是最难的方向。

家装效果图只要看起来合理，用户就可能接受；电商空间只要能提升转化，企业就可能买单。

但机器人训练场景要求更高：空间尺度要准确，物体要有物理属性，交互要符合真实规律，仿真要能服务训练。

但从长期看，这可能是空间 AI 最大的价值之一。

Sengine 的难点：空间生成不是效果图比赛

第一个难点，是空间合理性。

AI 生成一张漂亮室内图不难，但生成一个可用空间更难。家具尺寸要对，门不能被堵住，床边要有通行空间，柜门要能打开，灯光和材质要匹配使用场景。

这些都是设计行业里的规则，不只是视觉问题。

第二个难点，是可编辑性。

很多生成式 AI 最大的问题，是一次性结果很好看，但用户想改细节时很难。

空间场景里，用户会不断修改：换一张桌子、调一下柜子、改成奶油风、预算降低 20%、把儿童房改成书房。

AI 不能每次都重新随机生成一个完全不同的空间，而是要在原有结构上稳定修改。

第三个难点，是产业落地。

家装、电商、游戏、机器人训练，看起来都能用空间生成，但每个行业的要求都不同。

家装要懂户型和施工；电商要接商品库和供应链；

游戏要考虑实时渲染和交互体验；机器人训练要考虑物理规则和仿真精度。

这意味着 Sengine 不能只做一个通用模型，还要把模型能力包装成不同行业能直接使用的产品。

文章来自于微信公众号 “Fun AI Everyday”，作者 “Fun AI Everyday”