2025–2026年生成式空間AI的演進

在過去的十三個月裏，用於空間內容的生成式AI已從令人印象深刻但有限的資產創建工具，發展到能夠生成面向生產的三維網格、可控多視圖圖像、交互式可導航世界，甚至從圖像或文本生成參數化CAD的系統。這一歷程始於更好的網格和短視頻片段，現已演變為鏈式創作者工作流、本地優先工具以及早期可編程世界模型。

本文通過2025年5月至2026年6月期間在X平台上分享的關鍵公告和演示，追溯了這一發展軌跡。這些來自研究人員、構建者和策展人的帖子，提供了技術進步、採用模式和剩餘侷限性的實時地圖。

2025年5月至6月：建立高質量3D資產和視頻基礎 這一階段始於專注於生產可用3D幾何體和紋理的發佈，同時視頻生成領域取得了可與3D管線結合的強大進展。Meta的AssetGen 2.0引入了專門從文本或圖像生成網格和紋理的模型，並討論了與遊戲引擎（Blender/Unreal管線）的兼容性，這標誌着從早期研究原型向可直接導入和使用的資產邁出了重要一步。騰訊的PrimitiveAnything通過Hugging Face上的Gradio展示了將複雜對象自迴歸分解為可編輯幾何基元的能力，在某些設計和遊戲工作流中提供了比純網格或隱式表示更好的可編輯性。視頻生成方面，Google Veo 2在Google AI Studio中免費開放使用，提供強大的物理模擬和電影級短片段質量。早期實驗將FLUX與Hunyuan 3D模型結合，創建偽3D渲染，既展示了混合2D到3D管線的潛力，也暴露了真實網格一致性和拓撲方面的差距。到6月，Hunyuan-3D-2.1通過Hugging Face上的開放權重顯著提升了紋理質量。FreeTimeGS等研究推進了4D高斯潑濺技術，用於具有複雜運動的動態場景，指向未來動態世界重建能力。這些發佈表明，高質量的3D資產生成和支持性視頻工具正在成為可訪問的構建模塊，而非純粹的研究成果。

2025年8月：質的飛躍——交互式世界模型 2025年8月，Google DeepMind的Genie 3標誌着一個根本性轉變。社區帖子描述其為超越視頻或靜態3D生成，進入文本到交互式3D世界的領域。用户可以生成可探索的環境，在其中實時導航、與物體交互、通過提示觸發事件，並受益於湧現的世界記憶和一致的物理規則（包括飛行、游泳和時間一致性）。這代表了從媒體生成向生成式模擬的轉變，其對遊戲、機器人訓練、教育和沉浸式敍事的影響顯而易見。儘管當時仍處於可信測試者或早期訪問階段，但其技術方向——可提示、交互式、具有記憶的環境——已經明確。

2025年下半年：生產就緒網格、視頻到世界生成以及早期無代碼空間工具 2025年下半年，重點在於使輸出在實際管線中更可用，並擴展輸入/輸出模態。Hunyuan取得了顯著進展：Hunyuan 3D 3.0生成了更乾淨、遊戲就緒的網格，具有改進的拓撲（包括優化的低多邊形和高分辨率密集變體），並集成到Scenario等平台，支持單圖像、多視圖或草圖到3D的工作流，並具備資產管理功能。Hunyuan World 1.1（WorldMirror）實現了快速的“視頻到3D世界”，支持廣泛模態（圖像/視頻/3D先驗→3D高斯潑濺、深度、相機、法線、點雲），併發布了訓練代碼以允許自定義。Gemini 3的能力使非編碼者能夠通過文本提示生成功能性的交互式3D網絡體驗——例如基於three.js的場景，包含粒子系統、手部/鼠標交互和參數控制，展示了早期無代碼空間界面生成。創作者工作流演變為完整管線：草圖或手繪→風格遷移→3D角色生成（Hunyuan3D）→動畫（Kling或Mixamo）。本地可及性通過Hunyuan3D的便攜式Windows運行器和WorldGen等開放庫得到改善，WorldGen用於文本/圖像到3D場景生成。

2026年初至年中：相機控制、大規模氛圍編碼、本地工具、可玩世界和AI原生CAD 2026年上半年通過更好的可控性、本地執行、實用創作者工作流以及完全可玩生成內容和參數化設計的初步步驟，進一步推動了民主化。相機控制和多視圖一致性通過自定義Gradio組件用於相機控制LoRA以及允許用户上傳圖像並軌道移動虛擬相機以生成一致新角度的可訪問工具而得到提升，這些在動畫和鏡頭多樣性方面立即顯示出實用性。“氛圍編碼”工作流變得更加複雜並廣泛展示。構建者展示了遊戲資產和UI的完整管線：使用Nano Banana或Midjourney進行圖像/角色設計→通過Hunyuan3D進行3D轉換→通過Gemini Pro進行UI邏輯和交互。詳細帖子涵蓋了骨骼綁定（Mixamo）、材質處理、迭代策略和現實時間估計（通常幾小時即可獲得令人印象深刻的功能性結果）。這些例子説明了如何將專用模型鏈接起來，供沒有傳統3D或編碼專業知識的個人快速原型製作。世界模型的公共訪問隨着Genie 3向Google AI Ultra訂閲者的推出而擴大，引發了關於交互式環境生成的廣泛討論。一個顯著的發展是Moonlake（由Reverie引擎驅動），它演示了文本提示生成完全可玩的3D遊戲/世界，包含NPC、物理、多人支持以及持久狀態。與預渲染視頻不同，這些是交互式系統，其中變化（破壞、天氣、在保留機制的同時重新設計整個美學）是持久的。該項目展示了強大的支持，並定位為實時內容的可編程世界模型。本地和開源工具獲得了關注：Modly提供了完全在用户GPU上運行的本地桌面圖像到3D網格生成。Microsoft發佈了TRELLIS.2，一個4B參數的開源模型，能夠在大約3秒內將單張圖像轉換為帶有PBR材質（粗糙度、金屬感、不透明度）的完全紋理化3D資產。它處理複雜幾何體的能力優於許多前輩，並輸出GLB文件，可直接用於常見引擎。討論還指出了VRAM要求，並認為這代表了快速可用推理方面的持續進展。端到端資產創建管線被廣泛討論，一些聲稱大幅縮短了遊戲就緒資產的時間線，同時也引發了關於拓撲質量、清理需求、作者身份以及真正生產就緒性的現實質疑。最後，AI原生CAD開始出現。工具展示了將圖像或生成的構思轉換為可編輯參數化CAD模型（STEP格式）的能力，示例包括像手錶這樣的詳細機械物體。ForgeCAD和MIT的GenCAD等項目指向了未來的工作流：設計意圖可以通過自然語言或圖像表達，並直接生成可編輯的工程模型。

技術見解與剩餘挑戰 這一時期出現了幾個明確的技術趨勢：可控性通過LoRA、自定義相機界面和可提示系統得到改進，超越了單次生成。拓撲和生產就緒性有所提升（Hunyuan 3D 3.0中的優化網格，TRELLIS.2對複雜幾何體的更好處理），但在高端使用中，清理、UV和骨骼綁定通常是必需的。本地和開源推理對個人變得可行（Modly、TRELLIS.2），降低了成本和隱私壁壘。從資產到系統：該領域從靜態網格演進到具有狀態（Genie 3、Moonlake/Reverie）和參數化輸出（ForgeCAD、GenCAD）的交互式世界。鏈式工作流（“氛圍編碼”）被證明對快速原型製作有效，但仍受益於人工迭代和藝術指導。持續的挑戰包括生成世界中的長期一致性、大規模高級骨骼綁定/動畫、無縫引擎集成、材質/物理創作，以及令人印象深刻的演示與穩健生產資產之間的差距。社區回覆中的懷疑態度往往正確地指出了這些現實。

結論：各項組件到來的速度遠超預期 從2025年5月到2026年年中的X帖子記錄了生成式空間計算在公共領域的構建過程。我們現在擁有可訪問的高質量資產生成、相機可控圖像、本地快速3D工具、早期文本到可玩交互系統以及初步的AI原生CAD能力。差距依然存在，但速度和方向是明確無誤的。開放研究、實踐性創作者實驗以及主要實驗室發佈（谷歌、微軟、騰訊、Meta等）的結合，將曾經需要數年的進展壓縮到了數月。“全息甲板”並非作為一個單一產品到來，而是通過這些漸進但複合的進步，一塊一塊地組裝起來——而在X等平台上公開分享模型、演示和工作流，一直是追蹤和加速這一進展的最有效方式之一。對於2026年年中的構建者而言，問題已不再是這些能力是否存在，而是我們能夠以多快的速度將它們整合到真實產品、遊戲、工具和創作流程中——以及它們將開啓哪些新的空間表達形式。