群核科技联手英伟达、英特尔、浙大，三篇 ECCV 论文给物理 AI 造基础设施

去哪训练、拿什么学、怎么考？这是物理AI从实验室走向现实世界的三个核心问题，现在有了系统性答案。 作者丨 张 璐 编辑丨 幸丽娟 物理人工智能（Physical AI）与具身智能正在经历一场深刻的范式转移。 从早期局限于单一任务的特定控制算法，到如今依托多模态大模型实现对三维物理世界的感知、推理与决策，AI Agent 正在逐步突破数字世界的边界。 然而， 当智能试图走出虚拟空间、迈入现实世界时，底层基础设施的匮乏成为了最大掣肘。 要支撑物理 AI 的持续进化，行业必须回答三个核心问题： 去哪里高效训练？高质量数据从何而来？如何科学评估空间智能？ 群核科技集结了英伟达、英特尔、Adobe等产业巨头，携手浙江大学、帝国理工学院、苏黎世联邦理工学院等全球顶尖学术机构，共同交出了一份系统性答卷。 三个问题，分别对应三篇入选 ECCV 2026的论文。下面，我们分别看这三篇论文，给出了怎样的参考答案。 01 SPEAR：打破仿真 “画质-速度-可编程”不可能三角 智能体要进行大规模感知与动作训练，离不开高保真仿真器的支撑。然而，传统仿真器往往面临“画质”与“速度”无法兼得的尴尬局面。 针对这一行业瓶颈，群核科技携手 NVIDIA、Adobe Research 等顶级团队，推出了高保真具身仿真器SPEAR，尝试从底层同时兼顾“高保真”、“可编程”与“极速运行”。 论文链接：https://arxiv .org/pd f/2607.06701 作为一个轻量且模块化的 Python 库，SPEAR 重新设计了 Python 与游戏引擎之间的通信机制。 SPEAR 直接对接了 Unreal Engine (UE) 的 C++ 运行时反射系统 。它不需要人为编写海量的封装代码，而是在运行时以字符串为键，动态查找类、调用函数并修改变量。 这种设计让 SPEAR 一举向 Python 开放了 14485 个 UE 原生函数 与 53537 个属性 ，可编程能力比传统仿真器提升了一个数量级，而自身代码量却精简至约 2.7 万行。开发者甚至只需在 C++ 中加一行标记，就能立刻在 Python 端调用全新的自定义逻辑。 各种UE仿真 器可编 程功能的比较 针对数据传输这一最大痛点，SPEAR 引入了进程间共享内存机制。渲染出的图像无需经过任何多余的复制流程，即可直接从 GPU 传输至 Python 端的 NumPy 数组中，实现了真正的 Zero-Copy 传输。 同时，SPEAR 提出了以“事务”为核心的异步编程模型。 研究人员通过 和 上下文定义每一帧的 UE 工作图。凭借异步调用机制，SPEAR 在独立的服务器线程中排队处理任务， 完全不阻塞 UE 的游戏主线程 ，让仿真程序得以按原生帧率高效运转。 SPEAR 编程模型 在性