近日，长城汽车与香港科技大学、清华大学智能产业研究院合作完成的论文 “TideGS: Scalable Training of Over One Billion 3D Gaussian Splatting Primitives via Out-of-Core Optimization” 被国际机器学习领域顶级会议 ICML 2026 接收，并入选 Spotlight，位列全部投稿前2.2%。ICML是机器学习领域公认的最顶级、最具权威性的学术会议之一，与 NeurIPS、ICLR 并称为“机器学习三巨头”。既是学术界的“硬通货”，也是产业界前沿技术的“风向标”。
从“看见世界”到“重建世界”，智能汽车需要更真实的三维底座
对于智能汽车而言，理解真实世界不只是“看见”车辆、行人和道路，更要在数字空间中还原复杂场景。高质量三维重建可以把城市道路、停车场、园区乃至更复杂的开放环境，转化为可计算、可训练、可验证的数字场景，为辅助驾驶仿真、算法训练和安全验证提供基础。
3D Gaussian Splatting（3DGS，通常也称为三位高斯）近年来已成为三维重建与新视角合成领域的重要表示方法。但当重建对象从一个房间、一段道路扩展到城市级场景时，问题随之出现：场景越大，需要存储和训练的数据越多，普通单卡 GPU 很快就会被显存限制。过去，这类任务往往依赖更大显存的 GPU 或多卡集群，成本和部署复杂度都较高。
图1 TideGS 探索城市级三维重建的单卡扩展新路径
TideGS 的核心思路可以用一个生活化的比喻来理解：训练大规模三维场景，并不需要把“整座城市”一次性塞进显存，而是像驾驶过程中不断切换视野一样，只把当前视角真正需要的局部场景调入 GPU。完整数据存放在 SSD 和 CPU 内存中，GPU 只负责处理当前最关键的“工作区域”。随着相机视角移动，系统再像潮汐一样动态更新数据，让需要的数据流入，不再需要的数据流出。
图2 像潮汐（Tide）一样流动的数据调度
基于这一机制，TideGS 将原本受限于显存容量的大规模三维重建，转变为 SSD、CPU 与 GPU 协同工作的系统问题。实验结果显示，TideGS 能够在单张 24GB GPU 上训练约 11 亿个三维高斯基元，让单卡三维重建能力推进到十亿级规模。这不仅意味着更低的硬件门槛，也意味着大规模、高保真数字场景的生产有望变得更加高效。
从“真实道路”到“数字道路”，是长城汽车智能化能力的延伸
长城汽车长期深耕真实道路、越野场景与复杂工况，对车辆安全、稳定、可靠运行积累了深厚经验。当汽车产业进入智能化阶段，这些经验进一步延伸至数据、仿真和AI基础设施。真实世界中的道路、地形、光照和交通参与者，只有被高质量地数字化，才能成为智能算法持续学习和迭代的“训练场”，TideGS 正是基于这一方向的一次前沿探索。
从“造好车”到“造好世界”，变的是技术载体，不变的是长城汽车对复杂场景和用户体验的持续追求。未来，长城汽车将继续深化与全球顶尖高校及科研机构的合作，围绕三维重建、仿真数据、世界模型与辅助驾驶验证等方向开展探索，让数字世界构建的每一步，都能融入真实世界的每一程。
推荐阅读：
