在自動駕駛與具身智能的發(fā)展歷程中，數(shù)據(jù)一直是制約模型能力的重要因素。目前，Waymo的自動駕駛數(shù)據(jù)累計達3200萬公里，特斯拉車隊的回傳數(shù)據(jù)都是PB級的，但自動駕駛數(shù)據(jù)還是缺乏。這揭示了一個真相：真實世界的數(shù)據(jù)獲取正遭遇邊際收益遞減的困局。

隨著模型參數(shù)規(guī)模的指數(shù)級膨脹，我們面臨一個核心矛盾——AI 極度渴求長尾場景，而真實世界的試錯代價是不可逆的。這一瓶頸促使 AI 基礎(chǔ)設(shè)施正在發(fā)生一場深刻的范式轉(zhuǎn)移：從“被動采集真實世界”，轉(zhuǎn)向“主動構(gòu)建虛擬世界”。

3D Gaussian Splatting與虛擬合成數(shù)據(jù)，正是這場革命的兩大驅(qū)動力。針對上述矛盾，本文將從仿真范式的三層演進出發(fā)，系統(tǒng)拆解3DGS如何以顯式表達打破傳統(tǒng)仿真的真實感瓶頸，并進一步闡述合成數(shù)據(jù)如何形成“采集—重建—擾動—閉環(huán)”的工業(yè)級流水線，最終降低標注成本、壓縮Sim-to-Real鴻溝。

二、AI 仿真的范式更迭

3DGS技術(shù)原理圖

當前，AI 仿真不僅是物理引擎的簡單堆砌，它已演變?yōu)槿龑拥膹碗s系統(tǒng)：物理仿真（牛頓世界）、傳感器仿真（像素世界）以及行為仿真（社會世界）。

長期以來，AI 仿真受困于4個問題：高昂的標注成本、難以捕捉的長尾場景、數(shù)據(jù)隱私的合規(guī)壁壘，以及物理試錯的風險。傳統(tǒng)游戲引擎雖然提供了可控性，但保真性弱的視覺表現(xiàn)使得 Sim-to-Real 的鴻溝難以跨越。

為了解決這一問題，三種技術(shù)路徑正在融合：引擎仿真（強交互）、神經(jīng)渲染重建（高真實感）以及生成式 AI（廣擴展性）。而 3DGS 的橫空出世，恰恰成為了將三者串聯(lián)起來的關(guān)鍵組件。

三、3DGS：讓世界成為“可計算資產(chǎn)”

1、3DGS技術(shù)原理

3DGS技術(shù)原理圖

2023 年發(fā)布的 3DGS，標志著神經(jīng)渲染從學術(shù)界正式邁向工業(yè)界。與 NeRF 的隱式黑盒不同，3DGS 采用了一種極其巧妙的顯式表達：將整個世界拆解為數(shù)百萬個發(fā)光的“3D 高斯橢球”。

這種“顯式性”賦予了工業(yè)生產(chǎn)巨大的靈活性。對于自動駕駛公司而言，3DGS 不再僅僅是視覺重建工具，它已進化為一種“數(shù)字孿生語料”。工程師可以在已重建的街景中任意插入障礙物、改變天氣條件，或模擬光照下的傳感器反饋，從而生成高質(zhì)量、帶標注、且極其接近真實分布的訓練數(shù)據(jù)。

2、康謀3DGS仿真應用

利用3DGS技術(shù)，能快速搭建出不同的仿真環(huán)境，并基于aiSim仿真平臺進行自動駕駛仿真測試。以下是aiSim中的實機演示畫面，場景都是用3DGS生成。

（左）城區(qū)、（中）泊車、右（測試場地）

我們對3DGS生成的場景做了不同方式的測試，以確保3DGS的仿真畫面是高度逼真的，與現(xiàn)實世界的畫面特征高度重合。

①基于DEVIANT算法驗證

在 3DGS 的加持下，合成數(shù)據(jù)流水線發(fā)生了一次從“生成”到“編程”的躍遷。傳統(tǒng)的仿真依賴大量美術(shù)建模，周期長且真實感存疑；而 3DGS 路徑下的資產(chǎn)生產(chǎn)流程簡潔高效：多視角采集 → 3DGS 訓練 → 場景擾動 → 數(shù)據(jù)自動導出。

構(gòu)建流程：

這種路徑帶來了三個關(guān)鍵優(yōu)勢：

五、結(jié)語

未來，物理屬性（材質(zhì)、光照、形變）將深度耦合進 3DGS 系統(tǒng)中，使得虛擬世界不僅看起來，更能夠符合物理特征。

這不僅是技術(shù)的升級，更是 AI 開發(fā)范式的重塑。借助 3DGS 技術(shù)與合成數(shù)據(jù)流水線，我們得以跳出對真實世界數(shù)據(jù)的被動依賴，轉(zhuǎn)而主動構(gòu)建貼合實際需求的虛擬仿真環(huán)境，高效推進場景迭代與算法優(yōu)化。

AI 仿真的能力上限，本質(zhì)上取決于我們構(gòu)建世界的深度與廣度。 從理解像素到構(gòu)建世界，這場由 3DGS 與虛擬數(shù)據(jù)驅(qū)動的變革已經(jīng)開始！