Model 3D圈变天了！谷歌刚买下独角兽，就被国内团队的“黑科技”截胡了？
导语： 1 月 23 日，Google DeepMind 宣布全资收购 3D 独角兽 CSM，意图补齐多模态拼图。然而仅过 3 天，中国团队 Hyper3D 便发布了 Rodin Gen-2 Edit，在全球率先实现了基于自然语言的 3D 局部编辑。
图源：量子位
一、 行业痛点：3D 生成的“不可能三角”与谷歌的焦虑
在 Hyper3D 发布之前，3D 生成领域长期受困于一个“不可能三角”：
- 生成速度： 快则质量差（几秒出粗模）。
- 几何质量： 质量好则不可控（NeRF 路线生成的模型拓扑混乱，无法进引擎）。
- 编辑能力： 几乎为零。一旦生成结果有瑕疵（如多了一只手），除了重画别无他法。
Google 收购 CSM，正是为了解决“可编辑性”难题。CSM 曾尝试通过“3D 到 2D 再到 3D”的循环一致性来实现编辑，但算力成本极高且效果不稳定。Hyper3D 的截胡，证明了“原生 3D 大模型”才是破局的关键。
图源：量子位
二、 技术路线之争：为什么说“2D 升维”是死路一条？
3D 生成领域存在两条截然不同的技术路线：
- 路线 A：2D 升维（Luma/CSM）
- 原理： 利用强大的 2D 生图模型（如 SD），生成多角度视图，再通过 NeRF/Gaussian Splatting 重建 3D。
- 硬伤： “懂画不懂骨”。生成的模型表面光鲜，但内部几何结构（Mesh）是一团乱麻，无法绑骨、无法做动画。
- 路线 B：原生 3D（Hyper3D CLAY）
- 原理： 直接在 3D 数据集（点云/体素）上训练 Transformer。让 AI 理解“什么是圆柱体”、“什么是关节”。
- 优势： “懂骨也懂画”。生成的模型自带合理的拓扑结构，天然支持物理模拟和局部编辑。
Hyper3D 的 CLAY 框架在 Geometry Quality（几何质量）指标上，比 OpenAI 的 Shap-E 高出 40%，且推理速度快 5 倍。
(数据来源：SIGGRAPH 2024 Hyper3D 论文)
三、 Hyper3D 的黑科技：从“生成像素”到“理解结构”
Rodin Gen-2 Edit 的核心突破在于 语义理解。
它之所以能听懂“把手臂改成大炮”，是因为它使用了 递归分件技术。
- 分件逻辑： AI 自动把一个机甲拆解为“头、胸、左臂、右臂、腿”。
- 局部重绘： 当用户框选“左臂”时，AI 知道它在修改一个独立的组件，而不是在修改整张图的像素。
这种“结构化生成”能力，是 2D 升维路线永远无法做到的。
四、 把 3D 资产成本从 $500 打到 $5
对于游戏和影视行业，这意味着资产生产管线的彻底重构。
3D 资产生产成本对比模型
| 生产方式 | 平均耗时 | 平均成本 (美元) | 修改难度 | 适用场景 |
|---|---|---|---|---|
| 人工建模 (PBR) | 3 - 5 天 | $500 - $1500 | 高 (需返工) | 主角/核心资产 |
| 传统 AI 生成 | 10 分钟 | $1 | 极高 (不可改) | 远景/装饰物 |
| Hyper3D Edit | < 1 分钟 | $5 | 低 (实时改) | NPC/道具/场景 |
Hyper3D 将 3D 资产的生产成本降低了 99%。这不仅让游戏开发变便宜了，更让UGC（用户生成内容）成为了可能。未来的 Roblox 或 Minecraft 玩家，可以用嘴造出一个世界。
图源：量子位
五、 具身智能的“眼”与元宇宙的“砖”
Hyper3D 的野心远不止于“造模型”，它的 CAST 技术 已经指向了更宏大的未来。
- 具身智能：
机器人要理解世界，需要大量的 3D 训练数据。Hyper3D 能生成带有物理属性（质量、摩擦力）的 3D 场景，成为机器人训练的**“虚拟靶场”**。 - 空间计算：
Apple Vision Pro 需要海量的 3D 内容。Hyper3D 是目前唯一能快速填充这个“内容真空”的基础设施。
图源：量子位
六、 总结
它证明了：3D 不再是少数建模师的特权，而是普惠的表达方式。 在这个维度升维的战争中，中国团队凭借“原生 3D”的底层创新，已经拿到了通往下一个数字时代的入场券。
