微信｜smiletalker
在 AI 3D 领域，中国团队已经做出了一批有代表性的产品。这些产品面对的需求很具体：游戏里的角色和道具、空间设计中的家具、能用 3D 打印机做出来的玩具。生成结果除了看起来像，还得能修改、能交互，放进实际的生产流程。
现在，通用模型也开始深入这些工作。GPT-6 Astra 发布时，OpenAI 展示了它在 Blender 中搭建房屋，再将其转为 Unreal Engine 5 中可漫游场景的案例。Agent 正在把理解需求、操作软件和制作内容接到一起，3D 创作也不再局限于生成一个孤立的模型。
这让专业 AI 3D 公司面临新的问题，随着 Agent 能够理解任务、调用工具，完成生成，后续的编辑、组合和交互该由谁完成？专业模型与通用 Agent 怎么分工？此前积累的数据、产品和行业经验，还能形成怎样的优势？
AI 3D 公司的探索，已经呈现出不同的侧重，Meshy 面向游戏和 3D 打印等需求，影眸Hyper3D 正构建面向游戏、影视、电商等真实生产场景的 3D 生成能力体系，随着Agentic Mode的推出，进一步拓展至工业设计等领域。群核相对不同，它带着空间智能的优势，先推出空间生成模型 SpatialGen，再探索 3D 生成模型 Aholo Lux3D。它更长期的方向是探索“空间 AGI”：包括生成、理解、重建等多任务的统一；Mesh、3DGS、 PBR 等多表征融合等。
当 Agent 成为新的用户，专业模型不再只是面向人的创作工具，也需要成为通用工作流中可调用、可验证、可持续编辑的基础设施。
在 ACC 2026 AI 创造者嘉年华期间，群核科技 AI 业务线负责人龙天泽、Meshy 生成式 AI 3D 产品与战略负责人李壮（Johnny Li）、影眸Hyper3D CMO 王琼慧，与硅星人围绕这些问题展开对话。从中国 AI 3D 公司的成长土壤，到视频模型与 3D 的关系，再到 Agent 带来的变化，三位嘉宾分享了各自的观察与判断。
以下为对话实录，经过不违背原意的编辑处理：
从生成一个资产，到创造一个世界
硅星人：三家公司有一个共同的趋势，都在从生成单个 3D 资产，逐渐转向场景，甚至可交互的世界。在你们看来，这背后是技术突破带来的，还是其他原因？
龙天泽： 我们最近在讲一个概念，叫空间 AGI。大语言模型在往统一、通用的大范式走，在往 AGI 的终局走，那通用空间 AGI 是什么？我们认为有三个趋势。
第一个是多任务的大一统。生成、理解、重建等等，统一在一个模型里面。不管是单物体的尺度，还是走向空间的尺度，包括交互，其实都只是其中的一种任务。
第二个是多表征的一统。3D 和其他模态还有一些区别，它有很多不同的表征，从 3D 高斯（3DGS）、神经场，到 Mesh（网格）、PBR 等等。过去在不同的管线下，是不同的垂直模型去做生成，未来我们认为会走向一个大一统的模型。
最后一个，是从单物体的单向生成，走向思维链和推理能力的内化。基于一些模糊的自然语言指令，去生成一个更复杂的游戏，或者影视短剧的场景，过去很难实现，或者要靠 Agent 实现。未来我们认为，这些要逐步变成模型内化的能力。我相信两位的公司也在做这个方向。
硅星人：群核之前一直在做空间智能、空间模型，最近又发布了 Aholo Lux3D。为什么现在做 3D 生成模型？
龙天泽： 我们大概在 2025 年初就有一系列布局，当时 Lux3D 只是其中一个。我们认为最终会走向大一统，但起点可能是各个单点，所以布局了三到四个方向，从单物体的 Mesh、PBR 生成，到空间生成，再到空间理解、空间推理，我们都在做。
Aholo Lux3D 是其中第一个正式推出来、面向公众使用的模型产品。目前我们看到，这部分市场需求和产品与市场的匹配已经得到验证，并且在走向爆发。所以这是群核过去两年布局中的一个阶段性成果。
硅星人：行业需求的增长，对你们把 Lux3D 推向公众起到了什么作用？这和群核此前的内部应用是什么关系？
龙天泽：Aholo Lux3D 大概去年就训出来了，只是那个阶段更多是服务内部。
以我们内部的空间设计工具酷家乐为例，Lux3D的每日调用量一直在持续上涨。一开始的目标，是在建筑和空间设计领域服务好内部用户。现在我们觉得，可以走向全行业、全模态，做更泛化的推广。
硅星人：从单个资产走向场景，Meshy 这边的推动力是什么？
李壮： 我觉得主要有两个方面。一个是用户本身的需求。为什么我们从单点的模型生成，去探索世界模型？因为网格很多时候是一个静态的单元体，能承载的内容和娱乐比较有限。有点像一个个单独的文字，你把它们连成句子，才会变成一部有内容、有上下文的作品。
从网格的造型、材质、语义，再到装配组合，模型会带来更多的娱乐性和内容性。这时候，用户就不只是想创作一个静态资产放在那里看，还会希望跟它交互。比较明显的一个业态是 3D 打印。一些伸缩件、带关节的玩具，已经超越了纯静态的物体。
所以，资产生成之上很重要的一件事，是后续的链路，以及如何把多个资产组合起来，赋予它一些内容和新的体验。
用户本来就有这个诉求，AI 能力的进步又把门槛进一步打低了。原来我们以为是小众的专业诉求，反而开始变得大众，用户乐于去创建这些东西。用户需求和模型能力进步这两条线，在现在交汇到了一个可以落地的点。这是我们认为技术为什么会在 2026 年往这个方向突破的一个重要前提。
硅星人：你们也在拓展 3D 打印等场景。从用户和收入增长来看，增量更多来自原来专业的创作者用得更频繁，还是更多不会建模的人开始使用这些工具？
李壮： 两边都有。专业创作者也想要一个更好用、更省力的工具。就像我会开车，不意味着每时每刻都必须握着方向盘，辅助驾驶可能更能帮到我。专业用户发现，这个工具能把创作一个核心作品的时间压缩，让他有更多时间去做高质量的作品，就会更愿意使用。
对于小白用户，很多人觉得自己没有需求，核心原因是门槛还有点高。比如一个手机壳，质量跟你在淘宝买到的一样，但它是你自己定制的，属于你自己的东西，为什么一定要选择别人的？至少它会开始进入你的购买考量。
3D 这个媒介相对文字和 2D 更复杂，但交互式内容带来的体验，跟纸面上的信息是不一样的，这是信息本身的升维。门槛降低以后，小白用户也会更愿意接触新的媒介。我们本身的用户和收入增长，其实也挺出乎自己意料，没有想到这个需求能演化到这么大众的状态。
硅星人：所以可以理解为，非专业创作者贡献了不少增长？
李壮： 相比之下，我们觉得是后者更多。原来不在 3D 专业用户池子里的人，远远多于已经在这个池子里的人。专业用户的深度使用也可能是十倍量级的增长，但后来者可能是指数级的爆发，把更多人吸引进来了。
硅星人：过去一年，影眸Hyper3D 看到的行业变化是什么？
王琼慧： 过去一年，这个行业有几个很明显的阶段。去年这个时候，全行业共同面对的问题，还是怎么把一个单一资产生成好。它不仅要看上去好看，还要能实际使用、进入生产管线。大家在解决精度和可用性的问题。
到今年上半年、年中的时候，一方面“世界模型”的概念很热，另一方面从用户需求和产品反馈来看，大家共同面对的问题，开始进入场景生成、更大世界生成的范围。
最近，像 Astra 这样的基模出来之后，对空间的理解、对 3D 工具的调用能力更强了，我们又开始面对一个问题，怎么找到下一代用户？产品标准可能要从生成一个可用的单一 3D 资产，变成提供一个便于 Agent 调用的 AI 3D 工具。
从我们公司的产品理念来说，就是从 Production Ready 进一步走向 Agent Ready。基础能力要让不同的通用模型稳定调用，让生成结果能够被检查、验证和迭代，并接入通用 Agent 的既有工作流。3D AI 正在走向更广泛的智能系统。
硅星人：影眸Hyper3D 之前在游戏、电商等领域服务了不少客户。今年客户的需求有什么变化？
王琼慧： 确实有两方面，一个是专业用户的使用深度在增加，另一个是新用户大量进来。
专业用户这边，之前大家希望交付一个好的单一资产，现在越来越多的客户不只关注它到底是 AI 做的、人做的，还是混合起来做的。他更在意具体的交付能力，你有没有一个解决方案，能不能解决他的问题。3D 生成的价值正在从单点的生成能力，走向完整的解决方案。
另外，通用基模提升之后，我们一方面感受到新的挑战，另一方面也有一种行业被打开的感觉。之前 AI Coding 和 3D 建模是交集相对有限的两个领域，现在融合得非常快。做 AI Coding 的人，会很自然地在自己的内容里引入 3D 资产，就像引入图片、要求视觉美感一样。他开始希望自己的工具、可交互的网页里也有 3D 资产。
所以我们说，3D 行业的第一个百万用户是人类，第二个百万级用户，可能就是 Agent。当开发过程本身越来越由 Agent 完成，3D 生成便可能从独立软件，转变为其他智能系统随时调用的基础能力。所以我们看到，新市场并不一定是另一群学会使用建模工具的人，而可能是一批以前根本没有能力消费 3D 内容的应用和智能系统。
数据、产业生态与人才的积累
硅星人：AI 3D 还有一个很有意思的现象，不少做得好的公司都来自中国。你们怎么看？
龙天泽： 我跟硅谷的朋友也交流过这个问题，我得到的一个回答可能有点出乎意料，硅谷好赛道太多了，黄金赛道遍地都是。现在有一种很典型的风气，创业公司做到 A 轮，卖给大厂，就退出了。
相比之下，AI 3D 显得有点苦哈哈，需要很多领域知识，需要脚踏实地去做。在他们的选择里，这不是最优先的方向。
第二个，国内有不少前期积累。AI 3D 最大的痛点之一是数据，相比图像和视频，高质量 3D 数据更稀缺。过去十年的移动互联网和工业互联网阶段，国内有不少云端 SaaS 软件，酷家乐就是一个例子。
第三个是生产管线。刚才影眸的老师说得很好，交付已经从单物体，变成整个管线最后的结果。国内在工业、制造，以及影视娱乐、打印等领域，有非常丰富的生态，商业模式能比较快地起量。这也是模型出来以后，收入能快速增长的一个因素。
这三方面加在一起，是我认为目前国内 AI 3D 能走在前面的主要原因。
李壮： 我跟天泽老师的看法比较接近。硅谷有很多方向可选，国内则有一个很好的落地生态，从电商，到具体应用，再到短视频平台带来的个人开发者、个人创作者群体，能给 AI 3D 提供很快的反馈。
之前跟硅谷的同事聊，我们发现一个有意思的现象。硅谷上一代创作者很多，他们在 YouTube 上做各种软件和硬件。国内这一代创作者特别多，从影视飓风、何同学开始，越来越多高中生、大学生，可能大一就开始用 AI 做很丰富的创作。
他们很积极，会到论坛问你，该怎么更好地应用？对于一个还在走向成熟、没有完全好用的模型，这批愿意使用的人很重要。他们带来用量，也把要解决的问题交给你，让团队拿着这些反馈，朝正确的方向跑。这是国内很大的一个优势。
王琼慧： 除了两位提到的产业和落地场景，我补充一个人才的角度。以图形学顶级会议 SIGGRAPH 为例，我们团队有一篇论文拿到了最佳论文奖，三篇论文获得最佳论文提名。这样的高密度去拿到顶会奖项，跟同样拿奖的同行交流会发现，在海外，这样的人才很多会去英伟达、OpenAI 或者 Anthropic 等最顶尖的公司。
而在中国，除了大厂之外，也有一批具备很强研究能力的人才进入创业公司，愿意投入 3D AI 这样一个技术门槛很高、但在早期并没有受到最多关注的方向。
我觉得这里存在一种阶段性的人才与机会的错配，反而给了中国创业团队很好的机会。
两年前，3D 还不在大家最关注、竞争最激烈的 AI 主流方向上。一批非常优秀的团队已经在 3D 领域积累了技术和产品能力。
今年 3D 在 AI 的大赛道里被更集中地关注，之前还是一个比较小的圈子。这些早期积累也就逐渐显现出价值。
全球 AI 产业中的人才、资本和创业机会配置方式不同，会让中国团队在某些高技术门槛、但商业预期尚未充分兑现的领域获得机会。
硅星人：回到群核。Lux3D 是今年正式发布的，你们在技术和产品路线上有什么规划？刚才也提到了数据方面的优势。
龙天泽： 两位刚才都提到了一个变化，AI Coding 和 AI 3D 开始破圈。过去我们会认为，空间模型不具备推理、理解和调度能力，就是单向生成。现阶段，至少未来一个季度或者半年，可能会出现 AI Coding Agent 加 AI 3D 生成模型融合的趋势。
但从算法底层架构来说，理解、生成和调度能力，应该也可以统一训练进 3D 模型里面。这件事上半年已经在我们的规划里，通用模型的新进展，让我们更加确定应该往这个方向走。
就当下这个时间点而言，各家模型公司的底层技术路线，没有特别大的区别。在我看来，Meshy 在单物体生成的网格精度上可能是最好的一家，Hyper3D 可能在可控性上做得最好，我们目前在材质上的表现相对突出一些。但各家的差距还没有大到，让用户非常明确地一定选谁、不选谁。
未来可能会产生分野。至少我们的目标，不会拘泥于单物体生成，而是走向空间 AGI。通用模型现在具备的空间理解和调度能力，未来 Lux3D 也应该内化进去。我们把它叫作外置思维链变成内置思维链的过程，而且可能还需要自我循环、自我反思、自我迭代的能力。
数据又是另外一个问题。高质量 3D 数据本来就稀缺，如果要做推理模型，数据会更难。各家公司可能都在尝试，目前还没有一个明确的范式。
硅星人：你刚才提到材质，这是你们有意选择的方向吗？
龙天泽： 的确是有意选择的。稍微讲一点技术概念，3D 的材质和渲染器是高度绑定的。视频生成出来，用不同的播放器，通常不影响你看到的内容。但在 3D 里，游戏领域的 Unreal 引擎有一套材质，建筑领域的 V-Ray 渲染器又有另一套。
群核的特别之处是自研渲染器，过去积累的数据也是围绕自己的渲染器适配的。所以渲染器、材质和 3D 模型之间，有很强的绑定和适配关系。
第一阶段，我们要服务现有的行业客户。他们已经在用我们的渲染器，我们就针对这部分需求做特训，做材质优化。
现在的 3D 生成模型，可能通常有三到四个基础材质通道。群核的材质最高到了九通道，我们会把半透明、金属、漫反射、菲涅尔等更细腻的材质信息训进去。前提是，生成以后，我们自己的渲染器也能把它渲出来。
所以逻辑是，先有业务需求，再把这些东西训练到模型里，是应用和模型两方面一起推动的。
视频模型越来越强，还需要 3D 吗？
硅星人：视频模型也在探索可交互的世界。如果视频模型足够强，还需要单独的 3D 模型来做场景，甚至规则吗？
王琼慧： 我觉得，实时生成一个可以探索的环境，和生成一个可以精确编辑、替换物品、进行交互的环境，目前还是两类不同的任务。
现在视频模型很强，很多世界模型能实时预测一个大环境，让大家在里面探索。但你会发现，在里面还不能很准确地跟某个具体物品交互。
如果再往前走，要进入工程管线，或者用于具身训练，就需要提供视觉之外的信息，包括物理信息、相对位置、空间关系和几何结构等。这些任务需要的信息，和视频生成不一样。
比如装修一个屋子。你想让它看起来漂亮，可能视频生成就够了。但如果你要摆家具，要求床是两米、桌子是一米，就开始需要参数化的数值设置。要移动它们，还需要空间结构。
眼睛看上去都是一个过得去的场景，背后需要的信息却不同。未来路线有没有可能融合？我觉得有机会，但也要看，这些任务最终会不会统一成一个任务，还是依然存在于不同场景里。
李壮： 这跟我们内部探索的 Mora 项目比较像。大家可以把它理解成一种 AI 渲染器，画面里可能只有一些简单的几何体，但 AI 可以实时把它渲染成不同风格，逻辑则留在这些简单的几何体上。
为什么选这个路线？视频模型预测很长时间的内容，很难保证一致性。你扭头以后，场景还在不在？跑出很远再回来，这片草跟之前是不是一样？怎么跟它发生交互？
游戏里可以通过触发器、碰撞检测来做。但在视频模型里，仅靠像素的位置，很难知道物体在空间里到底离你多远。
这两种东西可以结合。用 3D 固定空间位置，再通过视频模型实时渲染画面。这样可能会重新改写现在这套基于三角形的图形学系统，让环境光、大气、材质有不同的呈现。这是比较前沿的探索。
3D 这个媒介为什么重要，还有一个原因是 3D 打印。对我们来说，游戏和 3D 打印是两条比较大的业务主线。要在物理世界得到一个实物，你需要相应的 3D 文件，整个工业、生产和消费链路都在适配这个形式。
它可能以某种形式被颠覆，但那需要整条链路一起改变，不只是工具厂商或上游厂商改变。目前，3D 文件依然是通向物理世界必不可少的一环。无论是椅子还是小手办，都需要一个 3D 的东西，才能制造出来，在现实中承载功能。
我们团队本身也有图形学的背景，一直在探索新时代的图形学应该是什么样。同时也尊重传统图形学。衡量指标还是，这个技术能不能解决用户的需求，不能只是因为技术新，就去做它。
龙天泽： 我也补充两句。我们跟做视频流世界模型的团队有交流。从纯算法角度看，这两件事最后有可能殊途同归。
现在 3D 生成有一个重要环节，是从单视角图像预测多视角，去补出空间信息。视频和 3D 可以看作这条技术管线的不同分支。
未来有可能是这样：自由探索的部分，用视频流输出；某个部分需要固定下来，方便后面进入管线编辑时，再通过模型把它解码成高斯、点云，或者 Mesh 和 PBR 材质，形成显式的 3D 表征。
这样就把两者结合起来了。据我所知，国内已经有几个团队在探索这件事。
Agent 接手之后，创作者还要做什么？
硅星人：大家也都在做 Agent。未来，3D 公司是自己做完整的创作流程，还是把专业能力提供给外部 Agent 调用？
龙天泽： 我同时负责模型和 Agent。我们反而是 Agent 先行，有一个影视 Agent 叫 LuxReal，也是我负责的，目前已经有一些收入。
我们大概在 2025 年 10 月就提出，用 3D 控制视频的一致性。在模型还没训好之前，先把 Agent 做出来，两件事同时做。
我们认为 Agent 有两个作用。一个是帮助模型完成后续链路的数据生产和迭代，让我们知道下一步该怎么优化，甚至积累数据上的优势。另一个是扩大模型本身的调用量。
从这两个角度看，模型和 Agent 都要做。如果第三方愿意调用我们的 Agent，那当然也更好。
李壮： 我一直觉得，模型和产品应该是同一拨人做。你知道模型的能力，才能结合产品形态做优化和调试。
为什么我们推出 3D Agent？现在我们有一半以上的用户可能是 Agent，不是人类用户。他们怎么跟人类用户共用一套产品能力？人在 Agent 编辑的基础上能继续编辑，Agent 也能在人编辑的基础上完成后续工作。我们认为，人跟 Agent 会共创。
在创作领域，让它完全替代你去做决策很难，因为它无法精准把握你的意图。反而是辅助驾驶更重要，能帮我省力地完成事情，更适合现在的工作流。
我们推出 Agent，也希望没有专业能力的用户能用好这些功能。最开始只有图片生成 3D，现在有编辑、修改等各种子能力，很难在一个界面里把所有能力都告诉用户。即便摆了一堆按钮，他要完成一个复杂任务，也不一定知道该怎么用。
一个办法是给用户一个对话框，像 Claude、GPT 那样。对于 3D 来说，这件事更有意义，因为它本身更复杂，很多概念大众用户很难理解。
我们做产品也要看模型所处的阶段。有些能力现在还不适合直接给用户，但不妨碍提前做预研和探索。等模型能承载这部分业务，就能把产品推出来，接住用户的预期。
所以在我看来，模型和 Agent 本来就是共存的，它们往后的发展也一定会交织在一起。
王琼慧： 3D 本身是一个比较复杂的中间状态。同一个资产，放到不同的下游场景，对格式、状态的要求都不一样。
哪怕只是生成一个网格模型，也不是单个模型在完成任务。以 Hyper3D 的 Rodin 为例，输入一张图，生成 3D 模型，后续还可能涉及贴图、拆件、骨骼绑定、动画等环节。对用户来说，这实际是一套创作流程，并不是用一个功能单一的产品可以解决的。
我们还会根据不同的任务调配算力。在最新的 Hyper3D Rodin Gen-2.5 这一代基模里，几何生成会提供五档配置，投入不同算力，生成适应不同需求的资产。贴图生成也有五档模式，对应不同的算力需求。
哪怕是专业用户，要在不同场景下完成这些调配，都已经有一定工作量。对小白用户来说，每一步都要自己决定什么效果最好、怎样消耗最经济，反而变成一个复杂的决策过程。Agent 就可以帮他更快地做这些选择。
还有场景生成。可探索的大环境，我们用高斯来完成；里面需要调整、编辑的资产，则用网格。哪些东西变成网格，哪些留作大环境的一部分？以前要一个个选、一个个编辑，现在这些流程可以简化。
这样，大家就能把重点放在自己的任务是什么，而不用花那么多精力处理中间的环节。
硅星人：AI 3D 早期有一个问题，也是很多生成式 AI 都有的问题，就是「抽卡」。现在解决到什么程度了？
龙天泽： 如果还是 DiT 架构，输入又局限于模糊文字或者单张图片，架构不变的话，我觉得这个问题大概率只能优化，没办法根治。
我们的一种思路，是把生成和重建做成一体。两者一个很大的区别，是输入信息的密度。生成可能只给单张图片、一个视角，重建则会给很多高质量照片。
我们现在这是两个模型，目标是把它们变成一个模型，可以接收不同数量的图片。你输入的图片越多、角度越多，信息越充分，结果需要遵守的约束越明确，「抽卡」的概率自然就越低。
这是一个解法。但如果还是只有一句模糊的文字指令，这个问题可能长期都会存在。
李壮： 这里面很重要的指标是一致性。但从实际生产来看，生成不同结果，也可能是创作过程的一部分。我希望先看到一些不一样的东西，再根据它们调整细节。
早期两个结果差得特别大，对用户就是干扰，会觉得模型不聪明。但现在，如果能比较准确地描述空间关系，结果不一定差那么多。想调整的一些小细节，本身就是方案逐渐迭代的过程，反而需要 AI 有一定的不唯一性。
图片到 3D 是升维，输入本来就不是一个完整的网格，不可能把所有信息都给出来，还会有被遮挡的部分。我们希望尽可能还原，同时给出合理的产品使用方式。
所以我们不追求把这种不确定性完全抹掉。如果能优化掉九成，其实就已经很大程度解决了这个问题。
王琼慧： 我们从第一天做这件事，就意识到了幻觉的问题。在 AI 3D 生成之前，我们做传统 3D 建模，用穹顶光场、不同灯光和摄像机拍摄，把人物头部扫描成很精细的模型。
转向 AI 3D 之后，我们一开始就强调 Production Ready，也就是满足实际生产需求为目标，所以会特别强调可控性。
比如在生成之前，就对外形进行约束。从长宽高这样的体积约束，到用体素做更精细的约束。听起来可能有些“离奇”，你可以在哆啦 A 梦的身体外形里生成一个孙悟空，也可以在桌子的外形里生成一把宝剑。核心是，生成前就能限制它的外形。
包括后面的修改、编辑，也是为了让用户更准确地得到想要的东西。我们从一开始就没有选择，用户给一张图，直接丢给他一个完整的 3D 模型。我们会一步步来，先确认几何，再确认贴图，最后选择输出格式。
即便这样，也不能保证每次结果都完全符合预期，输入信息和个体偏好等因素都会影响结果。这里其实有两个问题，一个是生成结果是否可控，另一个是模型的判断是否符合用户的主观偏好。
比如给模型一张石头的照片，上面坑坑洼洼、有一些纹理，你希望保留多少细节？你想要的是一个几何上比较光滑、靠贴图呈现细节的模型，还是在几何上就有很多细节的石头？这是完全不同的需求。
我们现在一次最多可以生成十个选择，让用户选最喜欢的。这些结果可能只有细微差别，有时已经不只是模型能力的问题，也与审美偏好的差异有关。模型认为更好的，不一定是每个人想要的，这也是幻觉之外的另一个问题。
模型之外，独立公司的竞争力在哪里？
硅星人：最后回到行业，大厂和世界模型公司也在做相关探索，独立 AI 3D 公司未来的竞争力会体现在哪里？
龙天泽： 从长远看，文本、图像、视频，都有成熟的内容生产管线，也有对应的消费平台，已经到了全民应用的程度。我父母可能都在刷红果短剧，但 3D 还是一个小圈子里才会接触和消费的东西。游戏可能是最接近大众消费的场景。
我从学生时代就在做 3D 相关的算法研究，一直相信，总有一天 3D 会变成全民消费的模态。如果那一天真的到了，我们现在做 AI 3D 的这些公司，相当于拿到了这个时代的船票之一。
我们先从生成做起，但对应的消费和更大的生产管线，也在后面等着。所以坦白说，认识到这件事，本身就是竞争力的一部分。
我曾经觉得模型和算法是竞争力，但现在不是这个观点了。模型迭代越来越快，各家公司都在加速，算法本身已经不是什么壁垒了。过去觉得数据是壁垒，现在觉得数据也不是壁垒，因为数据可以买，也是钱的问题，人也可以挖。
到后面，我觉得是基于认知形成的一系列组织文化和能力，以及对未来坚定的追求。谁最坚定地选择这个方向，谁可能是最后的胜者。
这里面有对未来 AI 3D 的认知和想象边界。但这个想象不是科幻，要基于扎实的算法和市场需求，像沙盘推演一样，推导出五到十年以后，3D 会怎么跟现实生产结合，再倒推现在该做什么。
谁能想清楚，围绕它去构建算法、产品、组织文化和运营策略，谁就有可能实现它。
我自己的观察是，这几家 AI 3D 创业公司在认知上是领先于大厂的。旁边两位的公司，在认知更新上可能比我们还快。我们虽然做 3D 很多年，小公司有时看得更快、迭代得更快，我们也在努力追赶。
李壮： 相比已有成熟 3D 业务的公司，像我们这样的后来者，可能没有那么多既有业务的约束，探索的自由度更大，承担的风险也更高。而且从模型到用户之间，还有一段距离。技术强，不代表用户一定喜欢这个产品，也不代表一定有那么多人愿意付费。
我也相信 3D 会成为大众消费的媒介。它现在还没有做到，是因为媒介形态和能力还在迭代，不意味着没有这个可能。
对于 AI 3D 赛道的玩家，物理世界是一个很重要的方向，3D 打印就是其中一个例子。它有点像大疆的无人机，你原本可能觉得自己不需要，但看了一眼上帝视角以后，会觉得，这也可以成为自己的需求。
现在入局的玩家有一个很大的优势，就是能碰到这些坑。很难再有这样一个阶段，这么多 AI 方向一起爆发，又有这么多人愿意陪你试、陪你探索。
一旦错过这个阶段，用户未必还愿意陪你试。前面积累的经验、认知，以及解决问题的思考方式，都会成为很宝贵的东西，带着你往下一个阶段走。
王琼慧： 我觉得有时影响行业竞争最重要的变量，反而在行业之外。
我们生活在一个真实的 3D 世界里，但普通人日常消费内容的媒介，主要还是平面的。手机是我们很重要的媒介，如果终端不发生变化，3D 不管怎么破圈，可能在很长时间里还是处在比较有限的范围内。需求不是仅由供给成本决定的。
现在也有一些变化。比如我们的模型开始面向仿真、机器人训练。具身智能在发展，大家也在讨论超级智能。无论文字、图片、视频怎么进步，一旦要回到真实世界，就需要 3D 场景，需要能跟真实环境交互、产生反应的东西。 3D 不只是在内容创作市场，而是可以扩展到智能系统与物理世界交互的更大市场。
在这个时候，3D 资产和整体的 3D 能力，可能会被重新定义和重新定价。
行业里已经有一些不同的侧重，不管是商业化、技术研发，还是重点突破的领域，大家有细微差别。但整体来说，我们都在为一个更大的未来做准备。
回到独立公司自身的竞争力，长期积累的行业经验会起到很重要的作用。它不仅包括成功经验，也包括失败经验。你跟市场、客户打交道，接收需求反馈，甚至在实践中不断试错，都会积累一些直觉。
这些东西已经帮过我们一次。我们是比较晚转向 AI 3D 生成的公司。进入这个方向的时候，行业主流采用的是另一条技术路线，“2D 升 3D”。但我们一开始就没有选这条已有的、容易许多的路线。
这就来自更早的创业经验和技术直觉。我们选择的另一条路有一个所有人都知道的明显问题，就是数据问题，但我们认为只有面对和解决这个问题，AI 3D 才能真正具有可用性。事后也证明我们的选择是对的。
当行业技术范式仍然高速变化时，今天领先的模型性能可能很快被追平。真正难以快速复制的，是一家公司在长期实践中形成的技术判断、市场认知，以及持续作出关键选择的能力。现在积累的这些东西，在下一次需要做关键选择时，还可能帮你做一个不符合主流观点的决定。而这个决定，反而有可能才是对的。
