3D 生成行業(yè)很大，但剛剛到GPT-2 的水平，國內(nèi)團隊要領(lǐng)先海外團隊，大廠與創(chuàng)業(yè)公司在同一起跑線。

撰文|藍(lán)洞商業(yè) 趙衛(wèi)衛(wèi)

消費級的生成式AI屢見不鮮，工業(yè)級的生成式AI亟待新突破，繼騰訊混元入局3D生成模型之后，字節(jié)跳動最近也發(fā)布了3D生成大模型Seed3D 1.0。

工業(yè)級的3D生成意味著更高的精度和質(zhì)量，而且適用的行業(yè)也主要集中在B端行業(yè)。騰訊混元3D生成模型已經(jīng)進(jìn)化到了3.0版本，主要用于游戲開發(fā)，而字節(jié)跳動展示的3D生成大模型使用場景，主要瞄準(zhǔn)仿真環(huán)境中的具身智能大模型訓(xùn)練。

衡量一個3D生成模型的能力，目前沒有絕對標(biāo)準(zhǔn)，只有相對質(zhì)量的對比。

在字節(jié)跳動Seed3D 1.0的測試圖中，還原度、透視與結(jié)構(gòu)、幾何質(zhì)量等多個維度都優(yōu)于同行對手，而它選取的國內(nèi)對手中，表現(xiàn)較好的分別是影眸科技的Rodin Gen-1.5、騰訊Hunyuan 3D-2.1和VAST的Tripo 2.5。

影眸科技團隊，后排左一為CEO吳迪，前排左一為CTO張啟煊

尤其是影眸科技，這家專注于3D大模型技術(shù)的創(chuàng)業(yè)公司由吳迪、張啟煊等人于2020年創(chuàng)立，去年A輪融資時，影眸科技的主要產(chǎn)品Rodin用45天就拿到了100萬美元ARR，字節(jié)跳動和美團龍珠領(lǐng)投，在今年的A+輪中，字節(jié)跳動繼續(xù)追加投資。

值得注意的是，過去一年間，字節(jié)在自身AI業(yè)務(wù)上飛速發(fā)展，但戰(zhàn)略投資很少出手AI項目，影眸科技是為數(shù)不多的一家。

如今，字節(jié)跳動親自下場布局3D生成模型，不難看出對這一賽道的重視，這也意味著3D生成市場會迎來更快發(fā)展。

9月，影眸科技上新了Rodin Gen-2.0版本的模型，相比上一代模型，生成的3D模型有了更加銳利和平直的邊緣，這一代模型在交互上增加了分件功能，讓用戶通過指定顆粒度來控制和重新拆分零件，增加了用戶可用性的同時領(lǐng)先于同類產(chǎn)品。

與此同時，網(wǎng)易游戲的《蛋仔派對》、3D打印行業(yè)的拓竹等公司和產(chǎn)品，都已經(jīng)用上了影眸科技的Rodin，他們通過Rodin的3D生成開發(fā)產(chǎn)品，這大大提升了3D內(nèi)容生產(chǎn)的規(guī)模和效率。

但3D生成的ChatGPT時刻尚未到來，影眸科技CTO張啟煊認(rèn)為，當(dāng)下行業(yè)差不多剛剛發(fā)展到GPT-2的水平，而未來進(jìn)化的方向，是要滿足不同行業(yè)的具體使用場景，更需要互聯(lián)網(wǎng)大廠和創(chuàng)業(yè)公司們齊頭并進(jìn)。

在騰訊、字節(jié)紛紛下場布局3D生成模型的當(dāng)下，影眸科技作為創(chuàng)業(yè)公司如何思考未來的發(fā)展？「藍(lán)洞商業(yè)」對話了影眸科技CTO張啟煊，以下為內(nèi)容精編：

藍(lán)洞：你看到大廠相繼入局3D生成的產(chǎn)品之后，第一反應(yīng)是什么？

張啟煊：這更像是一個信號，表示愿意投入3D生成這件事。

騰訊混元3D大模型真正的飛躍，是今年三四月份，混元3D把模型參數(shù)量上到了百億級規(guī)模，這種嘗試需要一次性投入巨大的算力成本，對初創(chuàng)公司來說風(fēng)險很大，但幸運的是混元成功了，后面的公司再去Scaling（規(guī)?；┚捅容^有信心了。

藍(lán)洞：大廠在3D生成的場景上各有側(cè)重，比如騰訊主要是游戲，字節(jié)主要是具身智能和電商，你們呢？

張啟煊：具身智能的幾家頭部公司也都在用我們的產(chǎn)品，包括上海交大的穆堯老師有一個Robo Twin項目，通過結(jié)合現(xiàn)實世界的遙操作數(shù)據(jù)與數(shù)字孿生的合成數(shù)據(jù)，為雙臂機器人的研究提供強有力的支持，他們就選擇我們Rodin去生成具身智能的3D資產(chǎn)，因為生成的模型橫平豎直規(guī)整度很高。

具身智能領(lǐng)域的數(shù)據(jù)來源有兩個，一個是真實數(shù)據(jù)，另一個是虛擬數(shù)據(jù)。

如果你要在仿真環(huán)境中做虛擬數(shù)據(jù)的話，肯定需要3D資產(chǎn)在仿真環(huán)境中使用，那這個3D資產(chǎn)不可能靠掃描，也不太能夠雇人去建，靠現(xiàn)有的數(shù)據(jù)集的話又太少了，這時候3D生成就是很好的方向。

消費級的文字、音頻、圖片或是視頻內(nèi)容生成，都是往社交媒體走的，但3D生成不是這種模態(tài)，它不是直接跟大眾接觸，從網(wǎng)易游戲到3D打印行業(yè)的拓竹，都是我們的客戶，但不同行業(yè)對3D的要求是不一樣的，差異非常巨大。

比如3D打印行業(yè)更關(guān)注模型的水密性，而游戲行業(yè)是一個很長的工業(yè)管線，我們在逐步攻破布線、UV和綁定動畫等問題，因為表面的平整度和曲面規(guī)范性非常重要。

藍(lán)洞：對于一個普通用戶來說，現(xiàn)在接觸你們的3D生成最普遍的形式是什么？

張啟煊：一個是3D打印，另外一個就是網(wǎng)易的游戲《蛋仔派對》。《蛋仔派對》上的「AI模型生成」功能，讓玩家輸出文字或上傳圖片就可以生成高質(zhì)量模型，然后在樂園工坊中直接使用，這意味著3D?成技術(shù)已經(jīng)進(jìn)?了?規(guī)模商業(yè)應(yīng)?階段。

能夠跟大廠合作，是因為我們團隊在國內(nèi)的圖形學(xué)中是領(lǐng)先的，在國際圖形學(xué)頂級會議上斬獲過「最佳論文獎」和「TOP10技術(shù)論文速覽」雙料榮譽。

對于很多游戲公司來說，選擇第三方模型是現(xiàn)階段最穩(wěn)妥的方案，因為各家模型有各自的特點，語言模型上GPT-5更好還是Claude更好？視頻生成上Sora-2跟VEO-3.1哪個更好？大家都很難說絕對領(lǐng)先，我們只能說第一梯隊是誰。

藍(lán)洞：現(xiàn)階段國內(nèi)3D生成的第一梯隊是誰？

張啟煊：我認(rèn)為是我們Rodin-2跟騰訊混元3D。我們不擔(dān)心競爭，最擔(dān)心的是大廠沒有加入這個游戲。

目前海外市場，基本占了我們收入的百分之七八十。海外主要在布局這一塊的是Roblox，它是一個在線游戲創(chuàng)建平臺，讓用戶通過免費工具來創(chuàng)作內(nèi)容，Roblox最早做了3D Control Net，能夠產(chǎn)生高質(zhì)量的輸出。

一年前發(fā)布1.0版本的時候，我們的一個賣點就是可控性很高，用3D的Control Net把設(shè)計產(chǎn)品的長寬高比例等固定下來，而不是讓AI胡亂生成， 這對游戲和工業(yè)設(shè)計是非常重要的剛需。上個月，混元3D也發(fā)布了原生3D組件生成模型的可控功能。

藍(lán)洞：上個月發(fā)布的新版本，相比去年的1.5版本，行業(yè)有哪些新變化？外界有哪些新的反饋？

張啟煊：現(xiàn)在跟去年相比，總的來說3D生成整個行業(yè)最大的變化就是參數(shù)量上去了。

比如去年年底，我們發(fā)布Rodin Gen-1.5版本的時候，參數(shù)量是超過40億，而現(xiàn)在整個3D生成行業(yè)第一梯隊中的模型，標(biāo)配已經(jīng)是百億參數(shù)了，百億參數(shù)也就意味著你背后的數(shù)據(jù)量，已經(jīng)到百萬級別了。

所以行業(yè)飛速發(fā)展，一方面創(chuàng)業(yè)公司有了資本和資源去收集大量3D數(shù)據(jù)，渠道已經(jīng)打通，也不再擔(dān)心3D數(shù)據(jù)從哪里來，而另外一方面，第一波做3D生成的公司已經(jīng)賺錢了，所以互聯(lián)網(wǎng)大廠也注意到了這個方向，開始跟游戲業(yè)務(wù)做協(xié)同，后面包括初創(chuàng)公司和大廠的競爭會更激烈。

我們影眸的特點是模型側(cè)各種功能性上的改進(jìn)，比如將模型快速拆解為多個獨立部件，這些功能性和底層框架上比較領(lǐng)先。

上個月發(fā)布的新版本，我們已經(jīng)提前把基座模型給到一些用戶體驗，主打的功能就是分件，用戶體驗感覺很不錯。

但意想不到的反饋是，很多人覺得我們貼圖質(zhì)量變差了，其實我們做過AB test，換回原來的貼圖模型會更差，背后原因是模型質(zhì)量提升了之后，大家對貼圖的要求更高了，顯得貼圖質(zhì)量變差了。

我們每個版本的迭代都是朝著用戶需求展開，比如國內(nèi)一家知名智能硬件科技企業(yè)，他們設(shè)計師都在用我們的產(chǎn)品，給我們的反饋是需要3D生成邊緣銳利，我們回去就在1.5版本中把這個特性做出來了。如今到2.0版本，我們分件功能也是來自設(shè)計行業(yè)的需求，讓設(shè)計變得更可控，使用面更廣了。

對于3D打印行業(yè)來說，現(xiàn)在小紅書上很多案例，都是用我們的產(chǎn)品生成3D設(shè)計之后拼裝的案例?，F(xiàn)在還需要下載之后在三維軟件中進(jìn)一步操作，但后面我們會把這一套流程集成在我們網(wǎng)站中，不再需要用戶二次操作。

藍(lán)洞：從你們的產(chǎn)品UI設(shè)計上，能感覺你們的審美超過很多大廠，這是怎么來的？

張啟煊：我們團隊很多藝術(shù)家，幾個創(chuàng)始成員都喜歡拍電影，都會自己用三維動畫軟件Blender做3D渲染，所以很多產(chǎn)品宣傳片讓外界以為是專業(yè)團隊做的，其實都是我們自己設(shè)計的。在交互上的設(shè)計也是，與其說滿足自己的審美偏好，不如說幫用戶做到足夠方便，否則效果不會好。

藍(lán)洞：就目前3D生成來說，大廠比創(chuàng)業(yè)公司的優(yōu)勢大很多嗎？

張啟煊：大模型最重要的還是數(shù)據(jù)。至少目前，大廠跟創(chuàng)業(yè)公司在3D生成上是站在同一起跑線的。比如說，我們現(xiàn)在的數(shù)據(jù)量級已經(jīng)超出騰訊這樣級別的大廠在做的游戲數(shù)據(jù)量。

舉個例子，一般中小型游戲有幾百到上千個模型，中大型游戲則是幾千到上萬個。假設(shè)頂級游戲公司有100個游戲，每個游戲有1萬個模型，那么它最多有100萬個模型，而我們現(xiàn)在有的數(shù)量級已經(jīng)遠(yuǎn)遠(yuǎn)超過這個數(shù)量了。

大廠可以大力出奇跡，一次兩次可以，但第三次可能就難了。大家能看出GPT-5和GPT-4o的巨大差別嗎？所以要的是在體驗和場景使用上的新突破。

3D是個很大的行業(yè)，但3D生成現(xiàn)在其實差不多剛剛到GPT-2的水平，而且國內(nèi)的團隊要領(lǐng)先海外團隊，我們私下開玩笑說，最聰明的那批人全都沒在做3D生成，海外的聰明人都去做AI視頻生成，都去做AGI了。

藍(lán)洞：制約3D生成下一步發(fā)展的條件，除了巨大的算力消耗還有什么？如何找到新的突破方向？

張啟煊：之前是有了模型之后去定制產(chǎn)品，比如從GPT-3.5到GPT- 4，而其實一個新的方向是為了一個產(chǎn)品去定制一個模型，比如最新的Sora 2。

它是為了社交媒體玩法，設(shè)計了可以植入人物多人合拍的功能，這些功能都是需要在網(wǎng)絡(luò)側(cè)引入的。再比如Google的AI圖像生成和編輯工具Nano Banana，也是從產(chǎn)品角度出發(fā)設(shè)計了一個新的網(wǎng)絡(luò)結(jié)構(gòu)。

那對應(yīng)到3D生成領(lǐng)域，我們很早就意識到為了用戶需求要在功能上進(jìn)行設(shè)計，比如之前的3D Control Net和現(xiàn)在的分件，都是因為要滿足不同行業(yè)的具體使用場景，而不是加大數(shù)據(jù)和參數(shù)讓絕對質(zhì)量變高。

3D生成行業(yè)剛剛起步，因為3D行業(yè)不同行業(yè)對3D模型需求差異遠(yuǎn)要比圖像跟視頻高很多。比如工業(yè)設(shè)計都要CAD模型，需要的是曲面模型而不是網(wǎng)格化的，那就要求我們把模型變成曲面參數(shù)表達(dá)，每完成一個新的里程碑，就會在新的領(lǐng)域里發(fā)現(xiàn)新的客戶去使用你的東西，這就是后面大家整個AI生成行業(yè)去迭代的方向。

藍(lán)洞：最近美國李飛飛團隊也發(fā)布了全新實時生成式世界模型RTFM，一張H100就可以運行，他們主導(dǎo)的3D生成方向本質(zhì)是學(xué)會了渲染的AI，而你之前也提到未來看好的方向是用生成式的方式去做渲染，這其中有什么不同？

張啟煊：我們其實不是一個賽道。李飛飛老師功成名就，她要考慮的是人類未來10年或20年后的東西，所以很前衛(wèi)，他們的產(chǎn)品有點像視頻生成，是顛覆現(xiàn)在圖形渲染管線的事，其實不是為了這一代游戲和這一代的CG去做的，所以周期肯定更長。

而我們作為一家小初創(chuàng)公司，要先解決現(xiàn)階段的生存問題。3D生成是基于Mesh表達(dá)， 所謂Mesh表達(dá)就是由大量三角形面拼接而成的3D模型表達(dá)形式，它跟現(xiàn)在的CG還有游戲的工業(yè)是接軌的。

我看好未來生成式的方式去做渲染，我們也確實在布局，但跟我們現(xiàn)在的Rodin產(chǎn)品不太相關(guān)。之前大家想要呈現(xiàn)一個精致的視頻畫面，背后有3D模型、光照和材質(zhì)等等要求，然后通過渲染引擎去得到最后的圖像。而生成式AI改變了這個規(guī)則，圖像可以直接降噪生成視頻，但做不到非常精準(zhǔn)，我們就希望把視頻生成變成一個渲染器，去完成妥當(dāng)?shù)匿秩尽?/p>