整理/文杰

導(dǎo)語

別讓人給AI擦屁股。

在游戲行業(yè)，有一類工作很少被討論，卻吞掉了大量時間和預(yù)算。

它不是玩法，不是關(guān)卡，也不是大家更常談及的美術(shù)風(fēng)格。而是美術(shù)管線中后段那些東西：重拓?fù)?、?UV、刷權(quán)重、綁定骨骼……

一個角色高模雕得再漂亮，底層布線有問題的話，一做動畫就穿幫。接下來就是漫長的回退：改拓?fù)?，重?UV、貼圖、綁定、動畫，牽一發(fā)動全身。這些活兒往往創(chuàng)意成分不高，但恰恰決定了一個 3D 資產(chǎn)能不能真正走進生產(chǎn)。

過去兩年 AI 圖片和視頻把大家的預(yù)期拉得很高，AI 3D 自然就成了下一個被期待的東西。

做的人不少，好看的 demo 也不少，但真正要在生產(chǎn)里用這些模型的人心里清楚，從可用，到真正的好用、易用還有不短的距離。很多高模看著挺唬人，放進管線過不了第一關(guān)。底層網(wǎng)格是一團沒有邏輯的碎面，編輯不了，實時渲染扛不住，動畫就更不用想了。

“長得像 3D ”跟“真正能用的 3D ”之間到底差了什么？這個鴻溝有沒有人真的在跨？

這期 405 游局播客邀請到 VAST 首席科學(xué)家曹炎培。

VAST 成立于 2023 年，核心方向是 AI 3D 大模型和世界模型，近期剛完成由阿里和恒旭資本聯(lián)合領(lǐng)投的 5000 萬美元 A 輪融資。旗下產(chǎn)品 Tripo 已經(jīng)在行業(yè)里有過不少落地應(yīng)用。

他們今年 3 月剛發(fā)布的 Tripo P1.0 主打的不是“更好看”而是“原生可用”，追求在 2 秒內(nèi)直接輸出拓?fù)涓蓛?、可以進引擎的標(biāo)準(zhǔn)低模網(wǎng)格。

能用只是第一步，資產(chǎn)還得能動、能交互。接下來要攻的是綁定和動畫的自動生成，再往后是讓資產(chǎn)本身具備行為邏輯。沿著這條線走下去，就到了世界模型：不只造東西，而是造一個東西們能在里面運轉(zhuǎn)的世界。近期他們也公布了世界模型方向的早期研究，據(jù)說首款世界模型快了。

曹炎培是這些模型背后的技術(shù)負(fù)責(zé)人，清華本科和博士出身，此前曾在騰訊領(lǐng)導(dǎo)生成式 3D 研究。

在將近一個半小時的對話里，他用一個“紙扎燈籠”的比喻把 3D 資產(chǎn)的構(gòu)成講得挺明白：網(wǎng)格、拓?fù)洹V、骨骼各自在干什么，傳統(tǒng)管線里為什么返工不斷。也沒藏著掖著現(xiàn)在的短板：拓?fù)涞膯栴}基本解決了，但綁定和動畫離 production ready 還有段距離。

不過正因為 3D 這條路確實更難走，他對路線選擇的判斷反而更值得留意：大多數(shù)研究者在押注視頻作為通向世界模型的主路徑，他覺得這是在拿降維后的投影當(dāng)原生信號。而 3D 才是物理世界本來的表征方式，長期價值被嚴(yán)重低估了。

而在路線之外，他還拋了一個更大的問題：要是一天能生成 10 萬個資產(chǎn)，你還會做跟今天一樣的游戲嗎？

或許在 3D 生成的門檻真正降到足夠低之后，互動娛樂領(lǐng)域會出現(xiàn)一些新的東西。

以下是游戲茶館經(jīng)授權(quán)整理的完整對話，內(nèi)容經(jīng)編輯。

01

從“看起來像”到“真的能用”， 3D 到底難在哪？

“圖片視頻只是一層 2D 像素的皮，而 3D 模型必須有精確的結(jié)構(gòu)、合理的拓?fù)?、骨骼，能在引擎里算物理碰撞，這中間隔著一條巨大的鴻溝?！?/strong>

筱寧：這兩年大家看了很多 AI 圖片、AI 視頻，但再往前走一步，3D 其實是一個更關(guān)鍵也更難的話題——它不只是生成一個東西，而是要真正進入游戲和內(nèi)容生產(chǎn)的流程。

今天我們想把問題問得更具體：AI 3D 到底難在哪？一條真正能進入生產(chǎn)的管線要經(jīng)過哪些步驟？行業(yè)今天走到哪了？

曹炎培：你非常精準(zhǔn)地戳到了 3D 生成領(lǐng)域的痛點。過去一兩年，不管是 Sora 還是 Seedance，還有各種圖片生成和編輯的 AI，大家已經(jīng)被震撼的視覺效果“慣壞了”，覺得 3D 生成不應(yīng)該也是順理成章的事嗎？但做游戲或 3D 互動的從業(yè)者會知道，“長得像 3D”和“真正能在引擎里用的 3D 資產(chǎn)”之間，隔著一條很大的鴻溝。圖片視頻只是一層 2D 像素的“皮”，而 3D 模型必須有精確的結(jié)構(gòu)、拓?fù)洳季€，有骨骼，能在引擎里算物理碰撞等等。

我們 Tripo 過去幾年就聚焦這一件事：怎么讓 AI 生成的不再是“中看不中用”的視覺幻象，而是真正能幫美術(shù)設(shè)計師、開發(fā)者在幾秒內(nèi)就生成可用于游戲引擎或 Maya 等 DCC 里做動畫、做交互的工業(yè)級資產(chǎn)。前段時間我們也發(fā)布了 Tripo H3.1 和 P1.0，在底層架構(gòu)上做了范式級的重構(gòu)，很高興借這個機會和大家深入探討 AI 3D 背后的技術(shù)邏輯。

筱寧：我們的聽眾里很多是游戲從業(yè)者，但哪怕是從業(yè)者，可能策劃、程序會多一點，真正特別了解 3D 管線的人未必多。我們一點點拆開來聊，從底層看，一張圖、一個視頻和一個真正能用的 3D 資產(chǎn)，最根本的區(qū)別是什么？

曹炎培：最核心的差異在于數(shù)據(jù)表征的本質(zhì)不同。生成圖片或視頻，神經(jīng)網(wǎng)絡(luò)處理的是極其規(guī)則、致密的像素矩陣——AI 只需要在固定的格子里填上每個格子的顏色就行。但 3D 在本質(zhì)上是空間里稀疏的、甚至是非歐幾里得空間的結(jié)構(gòu)。AI 不只要確立成千上萬個頂點的位置，還要構(gòu)建頂點之間的連接關(guān)系——也就是“網(wǎng)格拓?fù)洹薄?/p>

2D 模型學(xué)的是平面上光影的統(tǒng)計規(guī)律，現(xiàn)在已經(jīng)能畫出非常逼真的光影效果，但本質(zhì)上是一種“視覺欺騙”，背后沒有真正的三維實體。而一個物體要在三維空間里成立，表面需要連續(xù)準(zhǔn)確的表示，此外還需要完備的結(jié)構(gòu)和功能性。從擬合 2D 光影規(guī)律跨越到構(gòu)筑嚴(yán)謹(jǐn)?shù)奈锢砗屯負(fù)溥壿?，不只是?shù)學(xué)機理的問題，在神經(jīng)網(wǎng)絡(luò)和生成模型的設(shè)計上都需要更多考量。

筱寧：網(wǎng)格、拓?fù)?、UV、骨骼綁定，能不能用最不學(xué)術(shù)的話解釋一下為什么重要？

曹炎培：想象 3D 模型就是一個紙扎的燈籠。網(wǎng)格就是燈籠外殼的紙片拼出的形狀。拓?fù)?/strong>就是紙片怎么拼接連接，對應(yīng)到人體就像肌肉走向。拓?fù)錇槭裁措y、影響為什么大？因為拓?fù)洳缓媚Ｐ途蜎]法動，就像肌肉亂長一彎胳膊就撕裂了，做動畫時模型會像一團紙被揉碎。UV就是怎么把立體表面像剝橘子皮一樣攤到 2D 平面上——UV 太碎的話畫貼圖的藝術(shù)家就崩潰了，表面支離破碎，邊界永遠(yuǎn)對不上。骨骼綁定（Rigging）就是給燈籠里面塞一層能動的金屬骨架，規(guī)定哪幾根骨架牽扯哪幾塊紙片，讓燈籠動起來。

筱寧：還挺形象的。先把 AI 拋開，傳統(tǒng) 3D 管線中一般怎么工作？哪些環(huán)節(jié)最花時間？

曹炎培：以次世代游戲流程為例：先有原畫設(shè)定，然后雕刻建模師構(gòu)造極其精細(xì)但面數(shù)很高的“高?！?。再做重拓?fù)洌?/strong>在高模上用精簡規(guī)則的多邊形布線覆蓋形成“低?！?。有了低模就展 UV 、畫貼圖，再施加骨骼、刷權(quán)重，最后交給動畫師。

最花時間的就是重拓?fù)浜徒壎ǎ?/strong>藝術(shù)創(chuàng)意成分很少，本質(zhì)是繁雜的人工勞動。而且綁定和動畫是非常容易產(chǎn)生痛苦返工的節(jié)點，很多時候只有把資產(chǎn)交給動畫師讓角色動起來，才發(fā)現(xiàn)彎腰或打拳時拓?fù)洳季€有問題。因為整個是線性工作流，改了拓?fù)渚鸵匦?UV 、重新貼圖、再綁定、再做動畫，牽一發(fā)動全身。

02

不讓人給 AI 擦屁股，一個模型從生成到進廠的全過程

“P 1.0 背后的底層哲學(xué)是： AI 現(xiàn)階段需要適應(yīng)人類積累了幾十年的工業(yè)標(biāo)準(zhǔn)，而不是讓人類給 AI 生成的模型擦屁股。”

筱寧：前兩年講 AI 3D 的時候，會有一種感覺：所有人都在做你說的“第一步”，就是生成精美的高模。但按你剛才的解釋，好像大家還沒深入到真正核心的問題？

曹炎培：你這觀點非常對。我們首先針對的就是前兩年被很多人忽略的網(wǎng)格拓?fù)鋯栴}。外行只看模型像不像，但工業(yè)界的模型師或技術(shù)美術(shù)拿到模型第一件事，可能就是按快捷鍵切到線框模式看底層線框?qū)Σ粚?。如?AI 給到的是一團密密麻麻沒有邏輯的三角形，這是一個非常重的資產(chǎn)，編輯和實時渲染的性能挑戰(zhàn)都很大，動畫階段也很難直接用，高模不符合現(xiàn)有的工業(yè)管線。

我們的P1.0想解決的就是怎么生成管線可用的低模，我們叫它“原生可用”的資產(chǎn)。到今天我們覺得 AI 3D 確實也是時候從“只能生成概念驗證的高模”跨入“真正的生產(chǎn)力兌現(xiàn)期”了。

P1.0 背后的底層哲學(xué)是：AI 現(xiàn)階段需要適應(yīng)人類積累幾十年的工業(yè)標(biāo)準(zhǔn)，而不是讓人類給 AI 生成的模型擦屁股。模型生成出來那一刻，就是四邊形為主、布線合理、造型準(zhǔn)確的標(biāo)準(zhǔn)網(wǎng)格，出圖即用。從高模到拓?fù)洌俚?UV 和貼圖，基本可以直接丟進 UE 引擎或 Maya 里做動畫、做模擬。

筱寧：“原生可用”意味著它能在幾個關(guān)鍵環(huán)節(jié)被編輯，以及可以直接進入生產(chǎn)流？

曹炎培：是的，更多是直接進入工作流，而不需要很多人為修復(fù)。如果 AI 花 2 分鐘甚至 10 分鐘生成了一個模型，但因為拓?fù)鋪y七八糟，還需要非常有專業(yè)修養(yǎng)的美術(shù)花大半天清理頂點、重新拓?fù)?，?AI 到底是提效工具還是增加返工成本，就很難界定了。

筱寧：我聽到過兩種解決 3D 流程的思路：一種是單點逐個突破，另一種有點像一次性覆蓋所有環(huán)節(jié)。這兩者的優(yōu)勢分別在哪？

曹炎培：我的看法是：單點上肯定是突變的——某天某個技術(shù)突然就能用了；但整個管線的融入是漸進式的。比如手動重拓?fù)浜褪止ふ?UV 這類機械性工作，P1.0 已經(jīng)很逼近突破點，可能很快就會被 AI 接管。但在較長時間里，生成的模型依然需要以標(biāo)準(zhǔn)格式在標(biāo)準(zhǔn)流程之間流轉(zhuǎn)。我們不想完全改變大家使用引擎的習(xí)慣，而是替代掉每個環(huán)節(jié)產(chǎn)出資產(chǎn)的方式。技術(shù)突破是突變的，但每個突破回歸到生產(chǎn)中，我們還是希望漸進融入管線。

筱寧：那這種漸進融入會怎么發(fā)生？ AI 和人會是什么樣的協(xié)作方式？

曹炎培：我們從兩方面思考。一方面，對專業(yè)流程，希望用 AI 把拓?fù)?、綁定這種最沒有藝術(shù)創(chuàng)意、最繁復(fù)的環(huán)節(jié)盡可能徹底替代掉，讓大家的精力聚焦在真正需要創(chuàng)意的環(huán)節(jié)上。

另一方面，AI 3D 技術(shù)更廣闊的空間可能在于之前沒接觸過 3D 管線、甚至不知道什么是 3D 模型的大眾。一旦 AI 能覆蓋整個管線，終端用戶根本不需要圖形學(xué)的概念，不需要知道美術(shù)資產(chǎn)的制作流程。就像你從網(wǎng)上下一個 icon 不會關(guān)心是 AI 還是 PS 做的，下一個 SVG 動畫也不會關(guān)心怎么來的。3D AI 在端到端能力上也需要給普通用戶帶來這種極低門檻的改造，讓大家不覺得 3D 是一種神秘或小眾的表現(xiàn)形式，才有可能涌現(xiàn)出更廣泛的 UGC 生態(tài)。

筱寧：今天真正會用到 3D 資產(chǎn)的還是動畫、游戲、獨立開發(fā)者。什么樣的人接受了 AI 3D？什么樣的公司還比較保守？

曹炎培：現(xiàn)在獲得最大價值的肯定是中小型甚至獨立游戲團隊，以及做 UGC 平臺或程序化生成的團隊。大型 3A 團隊有龐大美術(shù)預(yù)算，對改變管線的態(tài)度比較謹(jǐn)慎。但中小團隊很多時候是“點子大于產(chǎn)能”。美術(shù)資源匱乏是限制他們快速發(fā)展和表達核心創(chuàng)意的巨大瓶頸。AI 3D 給了他們一個很好的杠桿，以極低成本構(gòu)建出原本需要幾十人美術(shù)團隊才能填滿的世界。

以 P1.0 來講，在環(huán)境道具（props）、中遠(yuǎn)景建筑組件、家具，甚至簡單 NPC 角色和載具上，基本已達直接可用水平。下一步也希望觸及非常復(fù)雜的動畫尤其是面部動畫，以及帶綁定動畫的游戲主角。如果能攻克這個門檻，3A studio 的接受度也會慢慢提升。迭代 3D 生成技術(shù)兩三年來，確實能感受到隨著質(zhì)量提高，越來越多上游用戶發(fā)現(xiàn)其中的價值。

筱寧：以前做游戲有個感覺：美術(shù)資產(chǎn)整體是 100 的話，最頭部的 20%：角色、CG、核心動畫，可能占了 80% 的預(yù)算，剩下 80% 的填充只消耗 20%。不攻克最核心那塊，是不是就吃不到大頭？

曹炎培：對 3A 大制作來說確實關(guān)鍵，但我們長期同等看重怎么拉低門檻。世界上此時此刻真正有能力制作游戲的人非常少，屬于金字塔尖。讓更多創(chuàng)作者進來，就需要把接觸這類技術(shù)的人群無限放大。除了不斷攻克最精細(xì)的生成，也需要在可用性、速度等方面讓大家覺得生成 3D 資產(chǎn)是一件沒有門檻、沒有成本的事。

筱寧：先把專業(yè)線聊更透一點。核心資產(chǎn)不僅僅是 3A，很多二游或相對大型游戲的核心角色、面部、動畫也屬于核心資產(chǎn)。要突破這個天花板，現(xiàn)在還缺什么？

曹炎培：P1.0 已經(jīng) cover 中前段，高模到低模到拓?fù)涞匠跏假N圖。后面最難、我們也在花很多精力解決的是動力學(xué)綁定，AI 不只要理解幾何造型，還需要理解三維物體背后的機械結(jié)構(gòu)和物理運動機理，處理的信息廣度更大，數(shù)據(jù)積累和清洗也更費時間。

關(guān)鍵是，不只看資產(chǎn)精度本身，而是所有組份都要是全的。用戶拿過去就能做操作、做動畫?，F(xiàn)在綁定和動畫方面，可能還沒完全達到 production ready 的水平，但我相信會以很快的速度迎來突破。

筱寧：這件事不止一家在做，如果真做到了會變成通用技術(shù)嗎？大家競爭的到底是什么？

曹炎培：從現(xiàn)在的行業(yè)階段看，AI 3D 正從前兩年純算法論文的百花齊放走向定義工業(yè)數(shù)據(jù)標(biāo)準(zhǔn)的階段。誰能提供最穩(wěn)定、最標(biāo)準(zhǔn)、最快速、最容易被現(xiàn)有引擎吸收的數(shù)據(jù)形式，就最有可能占據(jù)生態(tài)鏈的咽喉位置。

這里面涉及經(jīng)典的創(chuàng)新者窘境。有海量游戲業(yè)務(wù)的大廠有好的技術(shù)團隊、算力和資金，但內(nèi)部 AI 團隊背負(fù)沉重的歷史包袱，要適配已有甚至陳舊的管線，比如用十年后的 AI 服務(wù)十年前的游戲制作流程。特定管線和業(yè)務(wù)邏輯的強綁定會讓研發(fā)陷入困境。

而像 VAST 這樣獨立的平臺，優(yōu)勢在于技術(shù)中立性和敏捷性——不為某款過去的游戲打補丁，不服務(wù)某個特定制作流程，可以從第一性原理出發(fā)，直接用最前沿的算法去定義未來 3D 生成最應(yīng)該做成什么樣。

更長期來講，我們始終在攻克的核心命題是：如何瞬間直接生成一個可交互、具備底層邏輯的 3D 世界。一個完美的 3D 資產(chǎn)應(yīng)該有皮、有肉、有骨，還有腦。過去行業(yè)生成的模型大部分只做到了表皮——有基本視覺元素，再往下都缺失。P1.0 通過原生網(wǎng)格解決了“肉”——嚴(yán)絲合縫的拓?fù)浣Y(jié)構(gòu)。綁定動畫屬于“骨”——讓模型自帶運動學(xué)和物理結(jié)構(gòu)，關(guān)節(jié)在合理位置，能響應(yīng)用戶交互?！澳X”就是資產(chǎn)本身可能就是個 NPC 或 Agent，在環(huán)境里和玩家交互、Agent 之間交互。

一步步從純幾何形狀生成走向帶運動學(xué)和交互邏輯的資產(chǎn)構(gòu)造，這是我們從開始就一直想做的技術(shù)目標(biāo)。

筱寧：按你剛才的說法，整體管線邏輯都會有變化。3D 管線投入了大量人力，作為從業(yè)者自然會好奇：什么不會被替代？什么容易被替代？

曹炎培：AI 發(fā)展這么快，不只美術(shù)和游戲從業(yè)者，連大家以前覺得處在智力頂端的程序員、研究員都有很大危機感。這個話題需要長期討論。但回到 3D 管線本身，技術(shù)發(fā)展的意義和趨勢，也是我們希望打造技術(shù)的方向，就是把大家從繁雜的重復(fù)中解放出來，把精力發(fā)揮到真正需要創(chuàng)意和想法的方面。即使限定在 3D 管線或游戲行業(yè)里，未來真正能體現(xiàn)自身價值和差異化的，依然是想法、創(chuàng)意和行動力。

03

兩秒出模型之后，當(dāng)速度快到改變創(chuàng)作方式

“如果有人告訴你可以在一天內(nèi)生成 10 萬個資產(chǎn)，你會構(gòu)造什么樣的游戲？和需要半個月才能獲得一個主角資產(chǎn)相比，大家會做很不一樣的選擇。以前根本沒有前面那個選項?！?/p>

筱寧：你提了好幾次速度，你們?yōu)槭裁催@么強調(diào)速度？

曹炎培：對我們來說速度不是宣傳點，是從公司成立以來就一直追求的目標(biāo)。速度的量變在 3D 內(nèi)容創(chuàng)作中會引發(fā)質(zhì)變。現(xiàn)在最核心的意義在于把試錯成本幾乎降到零。生成一個模型需要 10 分鐘，創(chuàng)作者的思路就是被打斷的。但 P1.0 的 2 秒生成速度實現(xiàn)了實時反饋，你可以瞬間驗證 10 個不同概念，留下最好的。

這里面其實是解放了創(chuàng)作者的想象力，想到什么不再需要很大阻力。就跟現(xiàn)在大家寫程序一樣，有了想法立即扔給 Codex 或 Claude，寫出來再看對不對。3D 也一樣，只有把生成速度和由速度帶來的心理壓力無限降低，才有機會引發(fā)真正的質(zhì)變。

對 UGC 生態(tài)來說速度更至關(guān)重要。專業(yè)開發(fā)中速度帶來效率提升，但 UGC 里速度提供的是最核心的即時滿足感。普通用戶沒耐心等 10 分鐘進度條，只有 AI 能像敲回車一樣瞬間生成 3D 實體，用戶才有持續(xù)交互和創(chuàng)作的動力。

筱寧：我覺得速度這件事，看成生產(chǎn)還是消費，心理預(yù)期完全不一樣。UGC 那個邏輯我蠻認(rèn)可的。但回到生產(chǎn)端，以前做一個 3D 資產(chǎn)以天、以周為單位，降到 2 秒很極端。到底什么速度已經(jīng)帶來質(zhì)變了？需要這么極端嗎？

曹炎培：2 秒主要做到的是原生網(wǎng)格拓?fù)渖?，后面貼圖材質(zhì)、綁定動畫仍需人工參與或 AI 與人協(xié)作。并不是端到端幾秒內(nèi)生成完整資產(chǎn)，但這是我們接下來非常想追求的目標(biāo)。是不是真的需要秒級？也許未必，但生成越快，大家越會跳脫以前時間限制帶來的思維約束。

如果有人告訴你一天能生成 10 萬個資產(chǎn)，你會構(gòu)造什么游戲？和需要半個月才獲得一個主角資產(chǎn)相比，大家會做很不一樣的選擇，以前根本沒有前面那個選項。即使在專業(yè)領(lǐng)域，速度的量變依然會帶來制作范式和思路上的質(zhì)變。

筱寧：作為曾經(jīng)的游戲打工人，對有創(chuàng)意的開發(fā)者這一定是正向加持。但對打工人來講好像更卷了，以前一周做一兩個資產(chǎn)，有了工具加持可能一天要做一萬個？

曹炎培：我倒不一定覺得更卷。有了 AI 能力后制作內(nèi)容的形態(tài)也會變化。有點像以前在電視臺做視頻的人和今天在 MCN 做短視頻的從業(yè)者——核心個人價值可能一樣，但內(nèi)容形態(tài)更多樣了，除了長篇還有短劇、刷不完的短視頻，確確實實有更多才能發(fā)揮的空間。至于是不是更卷，那是復(fù)雜的社會和經(jīng)濟問題，不能完全歸因于某個單點技術(shù)。

筱寧：你們說 UGC 的時候，更在乎降低開發(fā)者門檻，還是真的一步到位到大眾人人可生成？

曹炎培：最終目標(biāo)是更純粹的 3D UGC，這是一開始做這家公司的原因。但每個降低門檻的技術(shù)一定程度上也能降本增效，你叫它“沿途下蛋”也好。3D UGC 到底長什么樣，絕大多數(shù)人也沒定義清楚，甚至能不能實現(xiàn)大家都抱著懷疑態(tài)度。所以我們永遠(yuǎn)朝很高的目標(biāo)做，但也踏實地讓每個技術(shù)在今天的行業(yè)里發(fā)揮應(yīng)有的作用。

我們一般介紹 Tripo 的時候，不太會講說“我們是幫游戲公司省時省力的 3D 工具公司”。定位在工具，它的價值就回到降本增效了嘛。我們實際在做的是解鎖下一代 UGC 或全民互動娛樂平臺的底層基礎(chǔ)設(shè)施。

筱寧：降門檻和搏上限有優(yōu)先級排序嗎？它們在技術(shù)難點上是同一方向嗎？

曹炎培：在今天的產(chǎn)業(yè)條件下它其實是一回事。降門檻的下限是依然要 pipeline-ready。追求更高質(zhì)量的同時它依然是 pipeline-ready 的資產(chǎn)——一旦 pipeline-ready，不管是游戲引擎還是 vibe coded 小游戲，對資產(chǎn)要求都一樣。有了 pipeline-ready 的資產(chǎn)生成能力，組份越來越全，門檻自然在降低。至少此時此刻，這兩個是一回事。

04

賭 3D 而不是賭視頻，一個關(guān)于未來的不同押注

“現(xiàn)實世界本身是 3D 的，視頻中的 2D 像素只是三維世界壓縮降維后的投影。堅持原生 3D 路線，其長期技術(shù)延展性被 AI 研究領(lǐng)域大大低估了?！?/p>

筱寧：你一直在講游戲引擎，但在視頻模型發(fā)展的時代，大家也在想游戲引擎本身是不是會變化？存不存在一種可能性，未來有些游戲類型脫離引擎就成立？

曹炎培：完全有可能，我們自己也花很多時間想和探索。交互式內(nèi)容放眼未來幾年，不會只有傳統(tǒng)游戲形態(tài)一種。比如現(xiàn)在確實有可交互的世界模型形態(tài)，從一張畫面開始，通過視頻模型和畫面交互，在里面探索甚至對環(huán)境產(chǎn)生影響。

另外隨著 AI Coding 和 Agent 能力增強，是不是需要一套讓 AI Agent 用起來更容易的新引擎？這大概率是未來趨勢?，F(xiàn)在 vibe coded 游戲都用 Three.js，從我的視角看就是因為 AI 沒有很好的能力操控 Unity、UE 這樣重的引擎，最直接的方式就是從頭寫 JavaScript。

筱寧：“世界模型”這個詞這半年越來越熱，討論度很高。你怎么定義世界模型？你們有什么差異？

曹炎培：我認(rèn)可學(xué)術(shù)界通用定義：給定當(dāng)前狀態(tài)和一個行動，預(yù)測環(huán)境下一個時刻的狀態(tài)。但大家在各自關(guān)心的領(lǐng)域?qū)嵺`這個思想。

我們和行業(yè)里最火熱的純視頻生成路線有所不同。純視頻生成更多是個光影模擬器，學(xué)到的是光影變化，對背后三維世界的規(guī)律很難保證。這也是大家詬病視頻世界模型常有常識性或邏輯性錯誤的原因。

我們從一開始瞄準(zhǔn)的就是讓視頻模型能在多人并發(fā)互動、機制和行為高度可控的環(huán)境下發(fā)揮作用——支持多個玩家和智能體同時對環(huán)境施加影響。更重要的是，世界里的機制和行為必須高度可預(yù)測和確定性——賽車游戲里 A 超過了 B，就是在 B 前面，不能因為某一幀跳變了位置又發(fā)生變化。純視頻模型從底層機理上很難保證這種唯一性和確定性。

當(dāng)然有人會說，視頻世界模型那種“走過的地方回頭不知道變成什么樣”也是一種新奇體驗。但我們覺得這種新奇感本質(zhì)上是建立在視頻模型記憶缺陷上的權(quán)宜之計，很難幫助真正想控制、想創(chuàng)作的創(chuàng)作者去構(gòu)造能被反復(fù)體驗的內(nèi)容。我們做世界模型的思路還是：支持多人互動，世界的機制和未來是可預(yù)測、唯一確定的。

筱寧：純視頻生成的邏輯性不是真正意義上的理解，小誤差會積累。要達成你說的目標(biāo)，好像隱含著模型推理中要有真正的邏輯性串聯(lián)？

曹炎培：完全正確。所以我們需要脫離單體視頻模型的范式，把推演和畫面呈現(xiàn)都交給同一個模型，在當(dāng)前能力下很難保證高可控性。我們會在推理階段引入更多顯式 state，比如 3D 的或代碼的。還是蠻早期的探索，但路線清楚后會很快迭代驗證。

筱寧：為什么不等別人做出來直接用？

曹炎培：因為大家對世界模型做成什么狀態(tài)、先攻克什么問題，技術(shù)選擇非常不一樣。主流應(yīng)用場景可能是機器人控制和仿真，這和我們關(guān)注的未來三五年應(yīng)用很不同，會推出不同技術(shù)路線。而且 Tripo 一直解決的是數(shù)字世界里的“狀態(tài)”——生成資產(chǎn)就是生成狀態(tài)，但資產(chǎn)怎么演化、狀態(tài)之間怎么遷移，正是世界模型要解決的。我們正好走到了這個檔口，世界模型又是一個潛力和想象力很大的技術(shù)方向。

筱寧：未來一到兩年，你們最關(guān)鍵投入在哪？

曹炎培：在 AI 領(lǐng)域兩三年規(guī)劃真的非常長——算法機理、算力、神經(jīng)網(wǎng)絡(luò)構(gòu)建、多模態(tài)研究范式可能每幾個月就發(fā)生一次大重構(gòu)。對我們來說關(guān)鍵的是保持高技術(shù)敏銳度和高敏捷決策能力，不對某種路線產(chǎn)生強路徑依賴，當(dāng)新趨勢出現(xiàn)時能非?？斓卣{(diào)整方向，從技術(shù)重構(gòu)到產(chǎn)品級模型再到產(chǎn)品能力，走非常敏捷的迭代路線。

腦子里有兩三年后的狀態(tài)大概是完成從3D 資產(chǎn)生產(chǎn)力工具向空間計算或 UGC 交互底座能力的躍遷——但實際上大家更關(guān)注的是未來兩三個月甚至幾個禮拜的快速迭代。

筱寧：AI 3D 直接高質(zhì)量進入管線需要多長時間？兩三年可以看到嗎？

曹炎培：以今天的技術(shù)動量看，兩三年甚至有點長。到明年這個時候，大家完全可以期待 AI 生成的資產(chǎn)就有很好的貼圖綁定加上拓?fù)?，可以?dāng)成完整態(tài)游戲資產(chǎn)來用。

去年這時候大家對高模生成本身的質(zhì)量都有很多詬病，隨便生成個車形狀不準(zhǔn)，手辦都達不到想打印出來的程度。但十幾個月后，高模已經(jīng)逼近人類藝術(shù)家手工雕刻的水平，拓?fù)涞湍Ｒ材茏龅煤芎谩５矫髂?，“有皮有肉有骨有腦”的資產(chǎn)應(yīng)該能被 AI 端到端生成出來。

筱寧：站在今天，AI 3D 什么被高估了？什么被低估了？

曹炎培：被高估的還是視覺擬真。大家在網(wǎng)上看到很逼真的 3D 生成結(jié)果，但那是以視頻形式呈現(xiàn)的。從渲染出的高模角度看確實精細(xì)，從業(yè)者都有這種感覺，普通大眾更看不出門道。

被低估的是 3D 信號作為物理世界原生表征的終極價值。在研究界，3D 這種模態(tài)被很大程度上看衰。很多學(xué)者引用“苦澀的教訓(xùn)”說 3D 很難 scale、不 general、有很多人工設(shè)計，認(rèn)為贏家一定是更純粹依靠海量視頻數(shù)據(jù)的路徑。我覺得這種視角有很大局限——它隱含的框架受限于傳統(tǒng)計算機視覺任務(wù)的思維。

回到第一性原理：2D 像素矩陣和具有絕對空間尺度的 3D 信號哪個更原生？答案顯然是后者。現(xiàn)實世界本身是 3D 的，2D 像素是三維世界壓縮降維后的投影。P1.0 直接在三維結(jié)構(gòu)中學(xué)習(xí)和生成，不是引入人工設(shè)計，而是讓 AI 直接擬合物理世界原本的信號。堅持原生 3D 路線，其長期技術(shù)延展性和持續(xù)性被大大低估了。

筱寧：GDC 期間 Simon（VAST 創(chuàng)始人）跟我說，很多人還沒真的體驗過 AI 3D，哪怕在 GDC 這樣開發(fā)者最盛大的大會上。這是不是也是一種被低估？

曹炎培：我個人恰恰相反，比較樂觀。一個顯然有用的東西大家還沒接觸到，意味著未來還有非常大的空間。為什么會這樣也好理解，我們一直到 P1.0 出來才能很快拿到拓?fù)湔５馁Y產(chǎn)。之前第一批接觸的人試了發(fā)現(xiàn)是高模，覺得用處不大就沒動力推廣。有了 P1.0 之后，大家發(fā)現(xiàn)出來的真是 game assets 網(wǎng)格，很多海外客戶非常主動地來接入 API，試用后自然產(chǎn)生訂閱。這確實是一個蠻大的轉(zhuǎn)折點。

筱寧：如果只用一兩句話，你希望外界怎么理解 Tripo？

曹炎培：我們希望大家把 Tripo 理解為未來全新 UGC 互動平臺和 3D 內(nèi)容生態(tài)的造物基座。不只是省時省力的 3D 創(chuàng)作工具，而是為下一代交互形式和 3D 內(nèi)容生態(tài)打造了一整套基座能力。不管是 3A 大型團隊還是沒有美術(shù)基礎(chǔ)、只有一腔熱血和滿腦子點子的普通大眾，都能以很低的門檻實時構(gòu)筑腦海中的 3D 世界。

筱寧：這是一個超大的宏圖。

曹炎培：不否認(rèn)這是很高的目標(biāo)。但我們團隊自始至終就是希望瞄著很高的目標(biāo)不斷迭代，而不是把自己限定在一個很快就能望到頭的未來。

? “發(fā)送“社群”加入游戲茶館行業(yè)交流群”