2025–2026年生成式空间AI的演进

在过去的十三个月里，用于空间内容的生成式AI已从令人印象深刻但有限的资产创建工具，发展到能够生成面向生产的三维网格、可控多视图图像、交互式可导航世界，甚至从图像或文本生成参数化CAD的系统。这一历程始于更好的网格和短视频片段，现已演变为链式创作者工作流、本地优先工具以及早期可编程世界模型。

本文通过2025年5月至2026年6月期间在X平台上分享的关键公告和演示，追溯了这一发展轨迹。这些来自研究人员、构建者和策展人的帖子，提供了技术进步、采用模式和剩余局限性的实时地图。

2025年5月至6月：建立高质量3D资产和视频基础 这一阶段始于专注于生产可用3D几何体和纹理的发布，同时视频生成领域取得了可与3D管线结合的强大进展。Meta的AssetGen 2.0引入了专门从文本或图像生成网格和纹理的模型，并讨论了与游戏引擎（Blender/Unreal管线）的兼容性，这标志着从早期研究原型向可直接导入和使用的资产迈出了重要一步。腾讯的PrimitiveAnything通过Hugging Face上的Gradio展示了将复杂对象自回归分解为可编辑几何基元的能力，在某些设计和游戏工作流中提供了比纯网格或隐式表示更好的可编辑性。视频生成方面，Google Veo 2在Google AI Studio中免费开放使用，提供强大的物理模拟和电影级短片段质量。早期实验将FLUX与Hunyuan 3D模型结合，创建伪3D渲染，既展示了混合2D到3D管线的潜力，也暴露了真实网格一致性和拓扑方面的差距。到6月，Hunyuan-3D-2.1通过Hugging Face上的开放权重显著提升了纹理质量。FreeTimeGS等研究推进了4D高斯泼溅技术，用于具有复杂运动的动态场景，指向未来动态世界重建能力。这些发布表明，高质量的3D资产生成和支持性视频工具正在成为可访问的构建模块，而非纯粹的研究成果。

2025年8月：质的飞跃——交互式世界模型 2025年8月，Google DeepMind的Genie 3标志着一个根本性转变。社区帖子描述其为超越视频或静态3D生成，进入文本到交互式3D世界的领域。用户可以生成可探索的环境，在其中实时导航、与物体交互、通过提示触发事件，并受益于涌现的世界记忆和一致的物理规则（包括飞行、游泳和时间一致性）。这代表了从媒体生成向生成式模拟的转变，其对游戏、机器人训练、教育和沉浸式叙事的影响显而易见。尽管当时仍处于可信测试者或早期访问阶段，但其技术方向——可提示、交互式、具有记忆的环境——已经明确。

2025年下半年：生产就绪网格、视频到世界生成以及早期无代码空间工具 2025年下半年，重点在于使输出在实际管线中更可用，并扩展输入/输出模态。Hunyuan取得了显著进展：Hunyuan 3D 3.0生成了更干净、游戏就绪的网格，具有改进的拓扑（包括优化的低多边形和高分辨率密集变体），并集成到Scenario等平台，支持单图像、多视图或草图到3D的工作流，并具备资产管理功能。Hunyuan World 1.1（WorldMirror）实现了快速的“视频到3D世界”，支持广泛模态（图像/视频/3D先验→3D高斯泼溅、深度、相机、法线、点云），并发布了训练代码以允许自定义。Gemini 3的能力使非编码者能够通过文本提示生成功能性的交互式3D网络体验——例如基于three.js的场景，包含粒子系统、手部/鼠标交互和参数控制，展示了早期无代码空间界面生成。创作者工作流演变为完整管线：草图或手绘→风格迁移→3D角色生成（Hunyuan3D）→动画（Kling或Mixamo）。本地可及性通过Hunyuan3D的便携式Windows运行器和WorldGen等开放库得到改善，WorldGen用于文本/图像到3D场景生成。

2026年初至年中：相机控制、大规模氛围编码、本地工具、可玩世界和AI原生CAD 2026年上半年通过更好的可控性、本地执行、实用创作者工作流以及完全可玩生成内容和参数化设计的初步步骤，进一步推动了民主化。相机控制和多视图一致性通过自定义Gradio组件用于相机控制LoRA以及允许用户上传图像并轨道移动虚拟相机以生成一致新角度的可访问工具而得到提升，这些在动画和镜头多样性方面立即显示出实用性。“氛围编码”工作流变得更加复杂并广泛展示。构建者展示了游戏资产和UI的完整管线：使用Nano Banana或Midjourney进行图像/角色设计→通过Hunyuan3D进行3D转换→通过Gemini Pro进行UI逻辑和交互。详细帖子涵盖了骨骼绑定（Mixamo）、材质处理、迭代策略和现实时间估计（通常几小时即可获得令人印象深刻的功能性结果）。这些例子说明了如何将专用模型链接起来，供没有传统3D或编码专业知识的个人快速原型制作。世界模型的公共访问随着Genie 3向Google AI Ultra订阅者的推出而扩大，引发了关于交互式环境生成的广泛讨论。一个显著的发展是Moonlake（由Reverie引擎驱动），它演示了文本提示生成完全可玩的3D游戏/世界，包含NPC、物理、多人支持以及持久状态。与预渲染视频不同，这些是交互式系统，其中变化（破坏、天气、在保留机制的同时重新设计整个美学）是持久的。该项目展示了强大的支持，并定位为实时内容的可编程世界模型。本地和开源工具获得了关注：Modly提供了完全在用户GPU上运行的本地桌面图像到3D网格生成。Microsoft发布了TRELLIS.2，一个4B参数的开源模型，能够在大约3秒内将单张图像转换为带有PBR材质（粗糙度、金属感、不透明度）的完全纹理化3D资产。它处理复杂几何体的能力优于许多前辈，并输出GLB文件，可直接用于常见引擎。讨论还指出了VRAM要求，并认为这代表了快速可用推理方面的持续进展。端到端资产创建管线被广泛讨论，一些声称大幅缩短了游戏就绪资产的时间线，同时也引发了关于拓扑质量、清理需求、作者身份以及真正生产就绪性的现实质疑。最后，AI原生CAD开始出现。工具展示了将图像或生成的构思转换为可编辑参数化CAD模型（STEP格式）的能力，示例包括像手表这样的详细机械物体。ForgeCAD和MIT的GenCAD等项目指向了未来的工作流：设计意图可以通过自然语言或图像表达，并直接生成可编辑的工程模型。

技术见解与剩余挑战 这一时期出现了几个明确的技术趋势：可控性通过LoRA、自定义相机界面和可提示系统得到改进，超越了单次生成。拓扑和生产就绪性有所提升（Hunyuan 3D 3.0中的优化网格，TRELLIS.2对复杂几何体的更好处理），但在高端使用中，清理、UV和骨骼绑定通常是必需的。本地和开源推理对个人变得可行（Modly、TRELLIS.2），降低了成本和隐私壁垒。从资产到系统：该领域从静态网格演进到具有状态（Genie 3、Moonlake/Reverie）和参数化输出（ForgeCAD、GenCAD）的交互式世界。链式工作流（“氛围编码”）被证明对快速原型制作有效，但仍受益于人工迭代和艺术指导。持续的挑战包括生成世界中的长期一致性、大规模高级骨骼绑定/动画、无缝引擎集成、材质/物理创作，以及令人印象深刻的演示与稳健生产资产之间的差距。社区回复中的怀疑态度往往正确地指出了这些现实。

结论：各项组件到来的速度远超预期 从2025年5月到2026年年中的X帖子记录了生成式空间计算在公共领域的构建过程。我们现在拥有可访问的高质量资产生成、相机可控图像、本地快速3D工具、早期文本到可玩交互系统以及初步的AI原生CAD能力。差距依然存在，但速度和方向是明确无误的。开放研究、实践性创作者实验以及主要实验室发布（谷歌、微软、腾讯、Meta等）的结合，将曾经需要数年的进展压缩到了数月。“全息甲板”并非作为一个单一产品到来，而是通过这些渐进但复合的进步，一块一块地组装起来——而在X等平台上公开分享模型、演示和工作流，一直是追踪和加速这一进展的最有效方式之一。对于2026年年中的构建者而言，问题已不再是这些能力是否存在，而是我们能够以多快的速度将它们整合到真实产品、游戏、工具和创作流程中——以及它们将开启哪些新的空间表达形式。