出品丨AI 科技大本营（ID：rgznai100）现在这个时代，我们玩的游戏、看的电影、甚至未来的虚拟世界，都离不开精细逼真的三维（3D）模型。然而，制作这些 3D 内容，过去常常意味着耗时数周甚至数月的人工建模，成本高昂且效率低下。就像平面设计曾被 Photoshop 改变一样，人工智能正在瞄准 3D 领域，试图彻底革新数字内容的生产方式。
在这场由 AI 驱动的 3D 生成浪潮中，腾讯混元团队推出的开源项目 Hunyuan 3D 成为了全球开发者社区的焦点。它不仅在 GitHub 上迅速积累了超过 9.6k 的 Star，跻身 3D 生成开源项目的第一梯队，更凭借其出色的模型生成效果，赢得了“几乎没有变形的 Image to 3D，恐怖如斯”这样的用户评价。
AI 生成 3D 的能力发展到什么阶段了？它离真正改变游戏、影视、数字人等行业还有多远？在 4 月 18-19 日举行的 2025 全球机器学习技术大会（ML-Summit）上，腾讯混元 3D 负责人郭春超对此进行了详尽解读，并在会后接受了 CSDN 专访。
令人意外的是，尽管当前 3D AIGC 技术已取得显著进展，郭春超却抛出了一个引人深思的观点：“真正的 3D AIGC 革命，还没开始！”
为什么他会这么说？在这次干货满满的对话中，郭春超分享了多个核心洞察：
3D 生成仍处前半程： 相比成熟的文本和图像生成，3D 生成的工业应用才刚刚起步，可用度仍有较大提升空间。
从“可见”到“可用”的挑战： 当前技术在生成静态 3D 模型上已能满足部分需求，但要融入专业的工业级 CG 管线（如自动拓扑、骨骼绑定等），还有很长的路要走。
数据稀缺与利用率： 3D 数据获取难度远高于图片，未来的突破在于如何提高现有数据的利用效率和表达能力。
技术路线的演进： 自回归（AR）模型正与扩散（Diffusion）模型结合，有望提升 3D 生成的可控性和记忆能力，甚至向构建具备物理规律的“世界模型”迈进。
开源与护城河： 持续快速的模型迭代是当前最大的护城河，开源是加速技术发展和生态繁荣的关键催化剂。
对专业人士的影响： AI 不是替代 3D 设计师，而是成为强大的生产力工具，帮助他们更快地将创意变为现实。
这篇专访将带你深入了解 3D AIGC 领域的现状、挑战与未来图景，无论你是否是技术专家，都能从中窥见这场即将到来的数字内容革命的冰山一角。
腾讯混元大模型家族：从语言模型走向全模态演进
腾讯混元大模型自 2023 年 2 月启动研发以来，经历了从大语言模型向多模态模型的全面演进。早期阶段，混元聚焦于大语言模型方向，并于 2023 年 9 月正式发布，基于此前推出的万亿参数级 NLP 稀疏大模型构建生成式能力。
随着多模态生成需求的快速增长，混元持续拓展模型边界。2024 年 5 月，混元开源了业界首个中文 DIT 架构的图像生成模型，实现了中文图像生成领域的开源突破。同年 11 月，混元推出 3D 生成 1.0 模型，成为业内首个同时支持文生 3D 和图生 3D 的开源大模型。紧接着在 12 月，混元文生视频模型也加入开源行列，凭借优异的生成效果在开发者社区广受好评。
正如腾讯混元负责人郭春超所言，混元始终坚持“多模态协同”与“持续开源”的策略布局，未来还将持续推进图像、3D、视频等方向的模型开源。经过两年多的发展，腾讯混元大模型已从单一的大语言模型，成长为覆盖文本、语音、图像、3D、视频等多模态能力的全面生成式 AI 基座。
从多模态到三维：打造全链路的 3D AIGC 引擎腾讯混元负责人郭春超指出，3D 模型作为数字世界的重要资产，已广泛应用于游戏、数字人、玩具、工业设计等多个领域。它具有可交互、可全景展示、高可控性等特征，但在生产端却长期面临成本高、周期长、数据稀缺等现实难题。相较于图像可由手机轻松采集，3D 数据往往依赖专业艺术家建模或昂贵的 3D 扫描设备，这使得其创作门槛高、难以大规模生产。上述建模困难正亟需 3D AIGC 技术来打破瓶颈，从根本上提升 3D 资产制作效率、降低内容生产门槛。正如郭春超在大会上展示的对比数据为例，当前在广告、游戏等典型 3D 应用场景中，传统人工建模的成本与效率极不匹配：针对这些难点，腾讯混元构建了“3D 创动引擎”架构，围绕草图生 3D、纹理生3D、动作融合建模和低多边形优化，打造从稀疏输入到高质量可用资产的完整模型矩阵：- 草图生 3D（Sketch-to-3D）：可通过手绘草图快速生成三维模型，并支持通过 2D 图像作为桥接增强泛化能力，适用于初学者、设计师等低门槛创作场景；
- 纹理换肤生成：基于已有 3D 白膜实现任意纹理映射，使一个几何模型可支持多种形象外观，大幅提升资产复用率，适用于数字人、虚拟角色等个性化需求场景；
- 动作融合建模：支持角色的动作生成与驱动，服务于动画、虚拟数字人等动态内容需求；
- 低多边形建模与布线控制：通过自研 PolyGen 技术，生成布线规整、适配工业动画与实时渲染需求的轻量化模型，推动 3D 资产在终端设备上的落地能力。相关技术论文已于 CVPR 2025 收录。
郭春超强调，混元的目标并非一次性“接管”整个 CG 管线，而是希望通过生成式 AI 技术逐步渗透、替代关键环节，哪怕最初只解决 30%-40% 的任务，也能带来可观的提效。这种“局部重塑+逐步演进”的路径，正在让 3D 大模型真正从实验室走向产业端。
在模型能力之外，腾讯混元同步推出了 3D 创作管线工作流，为设计师提供可视化的调整界面。目前，腾讯混元的 3D 模型已获得 ComfyUI 官方支持，用户可在 ComfyUI 最新版本中直接调用混元能力，实现从草图到完整 3D 模型的一键式生成体验。从 World Model 到三维世界重构：混元 3D 的应用与未来展望从“重建一个物体”到“生成一个场景”，再到“理解一个世界”，混元 3D 的发展目标，是构建服务于智能体的三维世界模型（World Model）。例如未来某天，用户无需亲临卢浮宫，也能进入一个沉浸式、可编辑、可漫游的线上展馆。构建 World Model 的过程，意味着不仅要解决三维重建和多模态理解的问题，还需应对物理一致性建模、生成内容的空间语义连贯性等系统级挑战。正如郭春超所言，单一模态难以生成复杂的 3D 场景，团队将通过跨模态融合，先从局部实现空间合理性，再逐步扩展至更大规模、结构更完整的三维世界。目前腾讯混元的 3D 生成技术已在多个实际场景中落地，包括人物 UGC、地图车标、虚拟道具等创作。在腾讯地图上，用户可生成个性化导航车标；在游戏领域，混元也正与开发商合作，将生成能力嵌入角色、道具与场景生产流程，提升内容效率。在开源生态方面，腾讯混元已开源多个版本的 3D 模型，最小参数仅 0.6B，支持在本地运行。目前 GitHub Star 数超 1.2 万，Hugging Face 下载量超 100 万。团队还计划在年内开放更多模型与数据集，降低行业门槛，推动能力普及。郭春超表示，到 2025 年底，他们希望实现物体级生成接近人工建模水平，场景类生成具备初步雏形。他指出，3D 属于视觉生成分支，未来也将吸收大语言模型的演进经验，逐步走向原生多模态的统一架构。他认为，包括 AR 与 diffusion 结合的方向，将在视觉生成领域迎来更多突破。演讲结束后，为了更深入地了解腾讯混元在 3D 生成领域的实践与思考，CSDN对腾讯混元 3D 大模型负责人郭春超先生进行了现场专访，围绕 3D 生成的技术现状、应用前景以及行业发展趋势等话题展开了深入探讨。CSDN：感谢郭老师接受我们的采访，除了作为分享嘉宾，今天在会场有听到哪些你特别感兴趣的演讲和分享吗？郭春超：我在来之前听了阶跃段楠老师的分享。今天我对视觉类的生成，还有多模态类的生成非常感兴趣。刚才也在听，感觉收获非常大。感觉视觉生成还处于一个继续向上爬坡的阶段。应该在 25 年会有一个更大的进展。CSDN： 今天整个 B 会场都是关于多模态视觉生成的内容。我们进入第一个话题：3D 生成现在进行到什么状态？郭春超：在这一波生成式 AI 大模型的浪潮中，语言模态无疑是起步最早、发展最成熟的。大众真正开始接触这类技术，大多是从 ChatGPT 开始的，也正是以大语言模型为代表的技术最先实现了较高的可用性。相比之下，3D 生成算是一个相对年轻的方向。学术界大约在 2022 年 9 月左右，才开始出现像 DreamFusion 这样的早期工作。2023 这一年，学术界的研究热度迅速上升，而真正进入工业界的落地探索，基本是在 2024 年才开始。如果从工业界大规模投入的时间来看，到现在也只有一年出头。所以整体来看，3D 生成目前仍处在发展的早期阶段。如果我们把当前大语言模型的任务处理可用度视作 90%，那么 3D 生成这个模态可能还处于 50% 甚至更低的水平。但它的发展速度非常快，整个领域正在迅速爬坡中。CSDN： 现在 3D 生成跟早期 AI 生成一样，有一种开盲盒的感觉。像今天的GPT-4o，还有后面 Gemini 3 出来之后，它生成的内容，虽然图像生成已经进化到多模态阶段了，还是要试很多次，反复试错才能得到满意的图片。在 3D 生成方面，用户想要精准控制，但有时也想要 AI 带来意外惊喜，偶尔生成一个高质量的 3D 模型。你们是怎么平衡生成结果的可控性和随机性的？郭春超：
对于可控性而言，有很多种途径，例如把 2D 的结果和 3D 相结合。我们在做文本生成 3D 的时候，可控性相对会弱一些，因为普通用户很难描述得详细、专业。此外它也考验模型的理解能力，也就是指令跟随的能力。对于图像生成 3D，它的跟随度和可控性会更高一些。对于专业人士，他用图片生成 3D 的情况会更多。普通的小白或者只是过来体验一下，大家可能用的文本生成多一些。文本生成的多样性和惊喜会更多一些。图像生成更多的是要求跟原图的指令遵循度，也就是图像作为 Prompt 输入时，要有更高的还原度。专业人士可能图像生成 3D 更适合。除了单图生成，我们在可控性方面也做了多图生成。例如很多设计师会自己先有三视图，基于三视图再去生成三维资产，可控性会得到进一步提升。CSDN： 对于比较专业的用户，包括我看网友评论，他们在体验 3D 生成模型过程中，模型生成出来只是第一步，他们更关心 AI 如何融入现有的工作流程，比如现有管线。未来有没有可能实现更深度的融合，比如现在已有 3D 编辑功能，想要进一步深入到流程自动化，例如 AI 可以辅助拓扑或展 UV，实现这个的瓶颈在哪？郭春超：这个问题比较专业了。三维资产可以理解为两大类用途：- 静态资产，比如 3D 打印、摆放类场景。生成后可以直接用，不会考虑很强的布线、拓扑以及下游的骨骼绑定、蒙皮、驱动等动画需求。对这类静态资产，目前 3D 生成的可用度比较高。
- 动态/专业资产，对 CG 管线要求更高。围绕整个 CG 管线，我们也做了很多 AI 模型。比如主持人刚问的拓扑生成，我们就发布了一个基于自回归架构的拓扑大模型（CVPR 2025 论文）。后续的骨骼绑定、驱动等动画环节，也都有对应的 AI 技术在研发。
所以，从“可见”到“可用”，虽然还不像大语言模型那么成熟，但我们已经解决了一部分 CG 管线问题，后续的 AI 化浓度会越来越高。CSDN： 所以现在想要落地到工业级生产，还是有很长一段路。比如一说到 3D 生成，我们可能就想到游戏或电影，今年比较典型的就是《黑神话：悟空》，这种非常精细的建模，可能距离完全靠 AI 难以实现。但对于完全没有 3D 基础的用户，比如只想给自己社交媒体做个 3D 头像，或者做个简单 AR 滤镜，现在的体验是否足够傻瓜化？它最大的障碍是什么呢？郭春超：在海外，3D 用户群体是很大的，国内正处于一个普及阶段。对于普通用户而言，现在的 3D AI 能力很大程度上能满足需求。大家有时会做一个虚拟个人形象、虚拟手办或虚拟宠物等等。对于这类静态资产的生成，它的成熟度在很多场合能满足。更大的挑战在于对于专业人士，如设计师、建模师、动画师，或者用在影视级、 3A 大作里面，挑战比较大。你可以认为目前的发展阶段，对于普通用户而言，很多场合已经能满足，我们正在努力解决的是专业场景下需要解决的问题，因为那一部分背后有非常大的工业价值、商业价值。CSDN： 3D 生成可以应用的场景很多，除了游戏娱乐，还有自动驾驶、元宇宙、具身智能都可以用到。混元有没有设想过未来美术的成本结构会有什么样的改变？通过 AI 融入进来，比如像游戏，不同类型的游戏（休闲游戏或3A写实大作），AI 生成的 3D 资产可用性会有什么差异？郭春超：差异非常大。一个 3D 资产的市场价差从几百到几万不等，取决于精细程度和 CG 管线复杂度。- 轻量小游戏：AI 最先满足道具、基础角色等需求，已“踮脚可及”。
- 大制作：角色、场景地图等资产需要多轮原型迭代，AI 在原型阶段能极大提升效率、节省成本。
CSDN： 我觉得现在对独立游戏是很幸运的时代，美术素材更好做了。像混元是一个开放体验的引擎。想问一下混元在 3D AIGC 领域的商业模式打算怎么做？一直做开源吗？还是提供工具服务平台授权？或者未来会结合腾讯的生态？当年元宝的发布会，最深的感觉是它把腾讯的全生态接起来了，很厉害。混元 3D 会朝这种方向发展吗？郭春超：我们会多条腿走路这样布局。首先作为腾讯的官方大模型团队，它要服务公司内的很多需求，因为腾讯是一个业务非常广泛的互联网公司，公司内的很多需求混元要去比较好地支持。此外，我们作为一个基础大模型的研发团队，也要积极回馈社区。整个混元的各个模态，我们一直在持续开源。开源和商业价值之间并不是矛盾，而是互相促进。举个例子，我们开源了 3D 生成模型之后（目前已开源两代模型），开源完第二代之后，效果非常好。业界社区给我们反馈很多问题，甚至有人去部署发现了一些待解决的问题，以前我们自己都没发现。在社区里，这些问题反馈回来到我们这里，会成为我们的研发点。业界会搭建很多工作流、做很多配套插件，这些插件有时我们自己做研发时也会复用。开源对于商业价值是赋能的，它既促进了我们的提升，同时也帮着把生态建设得更加完善。我觉得开源和商业之间是相互促进的作用。
CSDN： 3D AIGC 是比较新的领域。您认为对比相对成熟的文本和 2D 图像生成领域，开源在早期对 3D AIGC 发展更重要，还是技术更成熟后开源更好？郭春超：开源肯定是持续性的。像现在大家接触到最成熟的模态是文本，其次是图像。但是，这些都是站在前人肩膀上一步步发展起来的。如果没人先去做社区开源以及把社区繁荣起来，后面就比较难再发展壮大。每一个基建、每一个配套都要自己从零去搭，社区就基本不太可能繁荣起来。所以可以看到，越是成熟度高的领域，开源模型反而越多。大家可以看到文本和图像的开源模型是非常多的。视频类目前也有这个趋势，前两年视频生成还不太成熟，但前两年陆陆续续学术界、工业界都有一些视频生成模型在开源。我觉得开源是这个领域能够繁荣的很重要的催化剂，不是要等到非常成熟才开源。相反，如果前面没有开源，有一家突然做出来非常成熟的，很可能会选择闭源，直接走商业化路线。CSDN： 这会遇到一个跟前几个领域殊途同归的问题：数据怎么来？开源项目通常如何解决数据来源问题？尤其是 3D 比较特殊，像以前有 LAION 做图像数据集，还有 AlexNet，都是社区驱动的数据贡献。但在 3D 领域，懂的人相对少一点，这是否可行？郭春超：3D 最开始是在爱好者和设计师群体，或是游戏、动漫等行业的从业者这里需要用到。3D 资产，它不能通过摄像头（像我们用的手机）直接拍出来，更多需要艺术家手工建模。可以理解为它是一个劳动的结晶，不像图片拍一张就唾手可得。3D 是一个复杂劳动的结晶，所以必然存在数据量相对比较稀缺、比较少的问题。目前工业界往往可用的在千万量级。3D 资产，对于图片这个领域往往可以达到百亿级别以上。大家可以看到有三个数量级的差异。但虽然数据稀缺，可以从两方面去进一步做探索。一方面是如何提高数据利用率。现在绝大多数的 3D 模型，还有 3D 的表达方式（3D的encoding方式），并没有把 3D 数据发挥到极致。哪怕只有几百万模型，只要数据用得好，也能训练出很好的模型。但目前三维数据的表达、模型对数据的利用率都还没做到很好，这是可以探索的第一条路。第二条可以探索的路是提升现在模型的复用率。举个例子，现在模型很多时候大家是把它整体拿过去，但对于3D模型而言，它就像我们演播间一样。三维的东西都是可拆卸的，例如这个桌子可以搬走。如果把这些元素都能充分用起来，例如充分拆解、组合，数据又会大好几个量级。这是可以探索的第二条路。CSDN： 开源相关的话题会延伸到当前很多公司都在讨论的一个问题：它的护城河在哪？特别是对于 3D 生成，你刚才说它比较早，有没有思考过未来护城河会在哪？郭春超：开源模型既是对社区的回馈，也是对每个技术研发团队的一种鞭策。业界有了一个开源模型，它会成为业界的一个标尺。大家站在这个标尺之上，一定会更进一步，而不是往回退。这种一代代的更新，必然会促使这个领域、也促使自己团队往前走得更快。大家可以看到硅谷的很多开源，或是他们自己模型的发布，例如谷歌发了一个，OpenAI 就会继续加快研发节奏，很快也会再发一个版本。再后面可能Meta也会再发新版本。整个AI大模型领域都是你追我赶的状态。有开源放出来，就是在加速技术的发展，让这种你追我赶的状态速度更快一些。至于护城河，我觉得在现阶段对各模态而言，只有持续迭代模型，让模型进化速度更快，这才是真正的护城河。CSDN： 现阶段可能是共识。您觉得开源模型会成为 3D AIGC 的主流吗？（因为开源方面，感觉腾讯更新比较勤，只了解腾讯）。还是会像文本模型一样，与高质量的闭源模型长期并存？郭春超：很可能是并存的方式，这在各模态目前都是这样。今年肯定会是 3D AIGC 发展很快的一年，很可能接近可用性的临界点。目前我们内部已经在用了。只不过，大家可能看到对于专业人士而言，从专业人士的评价来看，它的可用度还不够。但它其实是一个农村包围城市的路线，逐步渗透。在很多需要用 3D 的领域，实际上已经用起了我们的 API 或开源模型。我们也在像爬山一样，往更高的半山腰甚至山顶去爬。在这个过程中，一定是一个技术和业务双向匹配、双向驱动的阶段。开源模型或闭源模型，只要能让3D领域继续往山顶爬，我觉得对整个行业都是有利的。CSDN： 刚刚在讲的过程中提到腾讯最新拓扑大模型用的是自回归架构。我觉得今年特别惊喜的一件事，特别是在多模态领域，大家发现自回归模型居然也能做图像，甚至可能做 3D。以前有个刻板印象：语言是离散的，token 是离散的，适合用自回归；图像是连续的，适合用扩散模型生成。在生成式 AI 发展早期，很多研究者觉得这是刻板印象。最近 GPT-4o 出来，它在图像生成上的进步，比如对文字渲染能力（英文基本达到完美，中文也在跟上）的提升很显著。未来您怎么看扩散 VS 自回归？这个技术路线在 3D 生成上的根本差异和未来潜力是什么？是否存在一个最优架构，还是会像现在这样并存？郭春超：实际上各模态之间技术可以借鉴。自回归模型在语言模型上用得最早。语言模型也是所有模态里在生成式 AI 中起步最早的，它踩了最多的坑，也取得了现在最高的成熟可用度。对于视觉类生成，后面自回归（Autoregressive, AR模型）在里面扮演的比重会越来越大。对于视觉，目前一个比较大的趋势会把 AR 和 Diffusion 做结合使用，会有更高的可控性、更好的记忆能力。因为大语言模型这种架构天然具备较好的记忆窗口。通往 AGI 的路上，像人类一样，记忆是做推理的基础，是能够具备智能的基础。所以，视觉模型如果想变得更智能，离不开非常强的记忆能力。否则如果只是硬去拟合数据分布，对数据的需求量是无穷的，且对数据的利用率比较低。因此我个人非常看好自回归（AR模型）和 Diffusion 相结合，甚至 AR 起到大脑的作用。
CSDN： 现在形容文本模型有个很典型的用户体验：如果 AI 生成结果不是我想要的，我就会像甲方一样一直提需求，一直问，直到得到想要的结果。这是推理模型出来后特有的用户体验。如果多模态模型（图像和3D模型）引入自回归模型后，就会有多模态推理。这方面怎么发展？未来是不是也可以像甲方一直提需求？就像今年《哪吒2》电影花絮里，一群特效师在那抠特别久的细节快疯掉了。未来是不是疯掉的变成 AI？我们一直提需求，让它一直改 3D 模型，实现精细化？郭春超：这种产品和技术肯定会出现。因为您刚才提到的实际上就是大语言模型的多轮对话，这也是为什么大家这么强调其记忆能力的原因，只有在多轮磨合中才能一步步达到人真正想要的结果。在大语言模型里实际已经走通这条路，对于其他模态而言，走这样的路线也是必经之路。只有这样才能解决您最开始问的问题：怎么样提升抽卡成功率？怎么样让结果更符合我的需求？实际上就是要在一轮轮描述中，把我想要的保留，把不想要的部分修改掉。这类技术一定会成为各个厂商努力研发的点。CSDN： 这也很让人好奇一点，它对现有技术栈的影响会怎么样？未来如果真的走向 AR 主导（自回归主导），对我们目前大部分公司基于 Diffusion 积累的技术、工具链还有经验意味着什么？是需要彻底革新，还是可以在现有技术上平滑过渡？郭春超：实际上对于算法模型团队而言，我觉得相对还好。更多是借鉴 LM 踩过的坑，然后把这两类技术做结合。但是对于一些硬件厂商而言，可能影响会大一些，因为它配套的生态、配套的库，就需要做很大的改变，因为上层模型其实转身比较快。越往基层、越往 Infra 层级走，转身会越慢一些。我觉得这类技术一直在快速变革，对于最上层的模型团队而言，相对成本反而没那么高。可能对于 Infra 这一层，挑战会更大一些。CSDN： 主要是对基础设施的挑战。具体来说，通常认为 Diffusion 采样比较慢，AR 训练比较难（长期练一代）。在 3D 生成这个复杂任务上，这两种路线在训练和推理的成本效率各自表现如何？未来哪种路线可能会在效率上取得突破？郭春超：目前看，在推理速度上肯定是 Diffusion 更快，因为它相当于一次就生成了。而自回归路线是要一个一个 token 去生成。面片数多的话，时耗肯定会比较长。这类也是需要业界继续突破的点。至少如果对速度要求比较高，目前还会是 Diffusion 占据最主要的应用范式。王启隆： 未来我们想做，比如 3D 生成有很多应用场景，甚至包括具身智能、世界模型。您看到 AR 在哪方面潜力，它与大语言模型、世界模型的结合更有前景？要实现这一转变需要哪些关键技术突破？郭春超：实际上现在多模态模型，最开始是基于文本和语音，统一这样一维信号。目前已经能把图像结合得非常好，就像这次 GPT-4o 出来，把生图从原来的“可以看”提升到“高可控地使用”。这是一个非常大的里程碑，相当于把二维信号也统一进来了。再往后，视频可以理解为像 2.5 维。3D 可能是三维。我们真实世界，就像您提到的世界模型，到真实世界可能是 4D，因为它既有空间又有时间。所以，多模态模型其实也像爬山一样，爬到半山腰的状态。接下来一定是各模态分别在各领域有贡献，最终形成多模态各模态的融合合力，才能达到我们预期的世界模型的智能。因为世界模型目前还没有非常严格的统一定义。但它最终很可能是需要各模态都达到非常高的可用度，才能做成完全符合世界规律并具备智能的世界模型。现在虽然各家都在提世界模型，但其实都处于比较早期阶段，可能能在局部做到符合规律，但要做到完全智能，可能还有比较长的路要走。CSDN： 要生成符合物理规律、时空连续的 3D 场景交互，AI 就需要具备对物理世界的理解。目前 AI 在这方面的能力如何？这也是具身智能前沿领域的一个思考：AI 要怎么实现对物理世界的理解？是通过学习大量数据模拟出来，还是通过底层研究？比如杨立昆喜欢提，通过大模型那条路行不通，要通过 JPA。郭春超：关于这个，其实业界还没有特别强的共识。现在业界也有挺多世界模型的 paper，或有一些创业公司在研究世界模型。目前在我看来，更多现阶段世界模型的概念是：先能在局部、部分场合做到符合世界物理规律，就已是一个比较大的进步。它就像生成式 AI 最开始发展时，大家会认为它比较傻瓜，有时甚至会答错简单的算术题，或者容易被误导。它非常不成熟。但是可以看到经过各方面努力、整个产业协同投入，它的成熟度获得了非常大的提升。类比于大语言模型的发展，其实世界模型也是类似的。很可能自动驾驶会做一个，纯视频模型也会做一个，再后来可能语言模型推理也会有一个。慢慢地各模态都是百花齐放的状态，最后大家站在前人肩膀上，把各模态统一，也许在某一个垂类场合，它就突然可用了，这类场合可用再复制到其他。例如现在很多提的自动驾驶领域，他们做的世界模型，很多时候也是基于文本推理、视频生成，再结合 3D 物体的生成与摆放等。我觉得世界模型的发展，一定也是农村包围城市、逐步渗透的过程。它会先做局部可用，先做部分行业垂域可用的状态。CSDN： 能不能做一个总结：您认为制约 3D 生成效果和成熟度的关键因素，除了数据量不足，还有哪些技术难点等待突破？郭春超：数据量是一个点，但可能并非最主要理由。因为即使只有几百万数据，前面说到，只要提升信息密度也能训出比较好的模型。我觉得现在一个很大的问题是：对于 3D 模型、3D 资产，如何提升利用率、提升密度？这一点做得还不够好。也就是说，能不能有更 Compact 的 3D 表达？能不能让模型训练更有效率？能不能基于大语言模型或图像生成的范式，真正无损地迁移到 3D 生成上？我觉得这些点，相比较数据而言，都更有可能在短期被解决。CSDN： 请您建议一下未来开发者关注的内容。另外我很好奇一点：做 3D 生成、3D AIGC 算法工程师，是不是本身要对 3D 建模有了解，或有过 3D 业界工作经验？郭春超：实际上原来的 3D 属于传统图形学领域，的确对 3D 类有比较多的技术栈要求。但随着生成式 AI 大模型兴起，反而对传统图形学要求在降低，对生成式 AI 模型的要求在提升，可以认为是东升西降的状态。所以，倒不一定要求有非常多的 3D 建模经验，但要求对生成式 AI 非常熟悉。可以把它理解为计算机图形学和计算机视觉的交叉学科。CSDN： 最后请您建议：对于开发者来说，您有哪些建议？以及现在需要具备哪些核心知识储备和核心能力？
郭春超：如果是一些像咱们 CSDN 很多用户，是前端、后台这种开发的程序猿，对于这类开发者而言，我觉得例如他是一个独立的游戏开发者，熟练使用这些 API 能用就可以了，更多还是专注于自身业务。但如果他是做这方面 research 的，例如在读的博士生等，他需要多去 follow 业界前沿的 paper。因为这个领域在学术界目前非常火。他们如果想进一步发表更优质的 paper，做出业界更有影响力的工作，一定需要持续 follow 业界的 SOTA 进展。因此对于研究者，还是对于产业从业者，需要关注的点是不一样的。CSDN： 从文生图到文生视频再到 3D 生成，AIGC 在不断降低内容创作门槛。渐渐会有一种哲学上的思考，也是对我们CSDN“人人都是开发者”的一个叩问：未来普通人进行 3D 内容创作可能会像今天用美图秀秀 P 图一样简单。那这对专业 3D 设计师意味着什么？第二，真的需要每个人都是开发者，人人都是 3D 生成的开发者吗？郭春超：实际上，刚才主持人问对 3D 从业者什么影响？大家可以类比 2D 生图。即使现在无论是 Midjourney、混元生图还是一些其他的（如刚才提到的GPT-4o）生图接口，业界可用的已经非常多了。但是，平面设计师也没有被替代掉，仍然很多。更多是大家把它作为一个生产力工具。对于 3D 而言也是这样，它能帮助大家更快把创意落地呈现。有了 AI 工具，别的设计师用了，你没有用，生产效率可能就会差十倍。所以大家可能更多地把它理解为：3D 设计师或 2D 平面设计师，更多是转型为最擅长用 AI，并能结合自身业务、自身 idea 的复合型人才。我觉得这可能是对设计师的影响。就像开车一样，以前都是开火车，到后来有汽车，再到后来有自动挡，再到后来有智能电动汽车，其实大家也都是在不断学习。那对于设计师而言，我觉得用好 AI，绝对对他们有助力的。CSDN： 非常感谢腾讯混元3D大模型负责人郭春超老师的精彩对话。2025 全球机器学习技术大会上海站已圆满结束，本次大会围绕 AI 最前沿的发展趋势与落地实践，聚焦大语言模型技术演进、AI 智能体、具身智能、DeepSeek 技术解析与行业实践等 12 大专题，邀请了超 60 位来自全球顶尖科技企业与学术机构的重磅嘉宾齐聚一堂，全面呈现 AI 领域的技术风向与应用前沿。 扫码下方二维码免费领取「2025 全球机器学习技术大会上海站」大会 PPT。
