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,之前我也分享过一家国内做 3D 的 AI 公司,但 Sengine 和 VAST 完全不是一个产品路径,后面会分析。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。
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”
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




