当AI生成3D遇上具身智能：
一个即将爆发的交汇点

最近在研究做AI、3D和具身智能结合的新东西，看过了市面上大部分AI生成3D相关的技术路线和应用，有了一些有趣的思考。

现在AI生3D的主流路径基本是从文生图/图生图再到3D生成：
- 文生图/图生图：先用闭源应用midjourney，或利用comfyui接flux、stable diffusion等开源模型；
- 文生3d/图生3d：再利用tripo3d、meshy、腾讯混元3d(混元也有开源模型)等闭源应用，或trellis等开源模型，进行图生3d建模（比直接文生3d的控制性更好一些）；
- 其他：hyper3d(rodin)特殊些，支持直接3d生3d

但我看到一个小红书博主分享的工作流特别有意思：是针对甲方已经有一张图，要基于这张图做出3d模型的业务场景，博主先用可灵AI图生视频，再手动截取三视图，之后用三视图再生成3d模型。

他特意强调没有选择用这张图直接图生3d，而是中间加了一步三视图，这样得到的3d模型效果更好。（另外，其实如果没有初始的那张图，也可以直接文生三视图，只是这样生成的三视图往往物体一致性也不能保证，三视图的角度也不够精准。）

这位博主的思路给了我一个重要启发。为什么这个路径效果更好？核心原因可能在于视频生成在物体一致性上的优势。

这让我联想到：未来最有希望做好文生3D/图生3D的，会不会是掌握海量视频数据的快手、字节，或者google (youtube)这样的公司？

更进一步思考，随着高斯溅射（Gaussian Splatting）这样的连续3D表示方法出现，从视频直接生成3D表示变得更加可行。我认为未来的技术架构很可能是在生成高质量视频的同时，直接输出3D表示。这种联合学习的方式不仅更高效，而且能够自然地保证视频和3D表示的一致性。

再进一步，这个方向还能搭上两个顺风车：一是视频生成领域在物体一致性上的突破，二是具身智能世界模型的发展带来的物理世界约束。

我最近觉得非常激动的一个点是，我们其实很快会迎来一个多方成熟的交汇点：AI生成视频 + 具身智能 + 世界模型 + 3d打印。

之后会发生什么呢？

AI可以生成完整的3d场景，在3d场景中可以生成出新的3d模型，并且这些3d模型和场景彼此遵循真实的物理规律进行交互。更要命的是，这些生成的模型都是可以被以很低的成本3d打印出来的。

写到这里，我不禁深情地把玩起桌上的labubu和skullpanda lol

朋友们，just imagine that.

AI generated 3D is more than AI and more than 3D.