本文来自微信公众号： 少数派 ，作者：thusplay，原文标题：《鸿蒙看中了极顶数创什么？—— 一家 3D 大模型公司的产品逻辑》
过去，做一个3D模型是件门槛极高的事——建模、拓扑、UV、贴图、材质，一整套专业软件里的复杂操作，把绝大多数普通人挡在门外。而随着AI时代的到来，3D创作第一次有机会像拍照一样简单。
带着关于「为什么是3D」「为什么是鸿蒙」以及「一支研究型团队如何做产品」的诸多疑问，少数派专访了极顶数创创始人、CEO嵇盼博士。
▍请介绍一下自己和你的产品。
少数派的读者们大家好，我是嵇盼，极顶数创（Vertex Lab）的创始人和CEO。我毕业于浙江大学，之后到海外攻读博士，师从3D视觉领域的知名科学家Hongdong Li教授，博士后师从澳大利亚工程院和科学院双院院士Ian Reid，一直主攻三维视觉、空间计算、感知交互和3D内容生成等方向。在硅谷的核心AI圈待了差不多五年后，我回国加入大厂工作，曾经担任腾讯XR感知交互中心的负责人。2025年，我创立了极顶数创，目前的主要产品就是V2Fun。
▍如今流行的AI方向主要是文本、图片和视频生成，为什么选择更小众可能也更难的3D生成方向？
我的判断是，3D大模型是AI从「二维内容生成」走向「三维世界生成」的关键基础设施。真正的空间智能、未来的世界模型，底层入口一定是三维的。3D生成确实更难，它要同时解决结构、纹理、视角和资产可用性的问题；但也正因为难，才会离未来更近。
这个种子其实在十几年前就种下了。2009年，我还是大三学生，在浙大紫金港校区附近的一家影院里看了《阿凡达》。还记得银幕上呈现出一个纵深、有光影的立体世界，潘多拉星球的丛林与生物以一种前所未见的方式「活」了过来。我被这种「另一个世界真实存在」的错觉击中了。
散场后，我除了感叹特效震撼，也开始琢磨一个更实际的问题：这些三维的角色和场景，究竟是怎么生成出来的？带着这个问题，我一头扎进了校内的3D数字电视实验室，从此和「三维」这两个字较上了劲。
十几年后，我在硅谷做完自动驾驶的3D视觉，又转战AR、VR赛道，最后回国加入腾讯游戏的XR感知交互中心。但那个当年在电影院里冒出来的念头始终没有消失：如果三维世界的构建门槛能够被彻底打破，普通人也能像写一句话那样「造」出一个三维角色，那会怎样？
2025年，这个念头终于落地成了一次创业。我后来常说，3D模型是真实世界的一种物理表达。这句话听起来像是产品理念，但对我而言，其实是从16年前那个电影院的座位上，一路走到今天的答案。
▍先来说说V2Fun的移动端吧。一个完全没有建模基础的普通人，打开它能做什么？
▍为什么选择在鸿蒙平台首发V2Fun app？主要是出于技术上还是生态上的考虑？
两方面考虑都有。
▍根据你们目前掌握的情况，移动端的大众用户最常生成的是哪些类型的3D模型？和你们最初的设想一致吗？
说实话，和我们最初的设想有重合，但也有不少意外。
从后台数据来看，目前用户生成最多的还是人和宠物两大类：自拍、证件照、和朋友的合影，占了相当大一部分；紧随其后的是宠物，猫猫狗狗几乎是每天生成量最高的品类之一。这两类符合我们最初的判断，人们最想留住的，永远是和自己有情感联系的东西。
▍与移动端相比，V2Fun网页版服务群体有何不同？为什么选择同时服务两个需求差异极大的群体？
例如，我们有一位叫做喵不灵的专业用户，他是⼀名拥有8年经验的资深游戏原画师，曾参与过《⽆限暖暖》等⼤型项⽬，但⼀直想独⽴完成⼀个属于⾃⼰的童话⼩镇《唯诗利亚》（Wishlia）。过去，他曾先后尝试过7次，但每⼀次都在进⼊建筑细节、空间搭建和模型资产制作阶段时，因为⼯作量过⼤⽽被迫放弃。
首先说技术上的优势，我觉得主要有两个层面，一是底层的3D基础大模型，二是几何与纹理的联合优化。
我们基础模型有过几次重要迭代。最早是「二维升三维」，相当于给模型看几张照片、让它去猜物体的立体结构。这种方式速度快、好上手，但应对复杂造型的能力不足，不同角度还常常对不上。后来我们换成VAE+Diffusion，其中的VAE（变分自编码器）先把庞杂的三维数据压成一份紧凑的「压缩包」，Diffusion（扩散模型，和大家熟悉的AI画图是同一类技术）再在这份压缩包上生成3D。这样一来，细节和复杂纹理的效果就提高很多。
现在，我们进一步发展到VAE+DiT，DiT是指Diffusion Transformer（扩散Transformer），通俗说就是把模型的骨架换成和大语言模型同源的Transformer。这样不仅能应对数据更多、结构更复杂的情况，还能把形状、质感、每个角度乃至语义放进同一个模型里一起处理，结果更稳定、更可控。
几何与纹理的优化也很重要。一个3D图形的质量，很大程度上取决于它的形状是怎么保存的。传统的方法存在精度均一的问题，数据量太大，给模型学习造成很大负担。而我们只保留刚好够重建形状的关键信息，只在形状复杂的位置用更密集的数据记录，实现了精度和效率的良好平衡。
（几何算法原理图）
而在纹理贴图方面，主流做法是先用AI生成几张不同角度的图、再「贴」回模型上，但这样无法补全没拍到的细节，不同角度之间还容易「打架」。我们则区分「全局」和「局部」，全局上定好整体结构，局部用高清小图块补充表面细节，所有视⻆和图块通过同⼀套三维表⾯表达交换外观信息。这套方案很轻，还和角度数量、分辨率彻底解耦，推理时能一路放大到8K甚至12K的纹理效果。
▍3D生成的赛道里也有大厂和其他野心勃勃的创业公司，你们认为V2Fun的差异化在哪？
具体来说，我们赌的是从「3D原生资产」进化到「3D世界模型」这条路：先让用户生成一个带有精准几何、材质和骨骼的高精度实体，解决资产结构的确定性；下一步让模型拥有动作和骨骼；未来再通过动作控制与动态记忆机制，让主体和环境发生真正的物理交互与因果推演，最终收敛成一个全功能的世界模型。
所以在我们看来，3D资产生成只是入口，不是终点。
▍「3D原生资产」进化到「3D世界模型」听起来很有吸引力，但具体要如何实现呢？
我们把世界模型的核心能力拆成三类：负责画面质感的渲染器、负责空间物理规律的仿真器、负责行动决策的规划器。行业现在的局限是，纯2D视频路线缺三维结构，高频交互下画面容易变形、崩塌；纯三维路线能生成精美场景，却丢了时间维度，只是一具静态标本。
而我们的核心判断是：下一代世界模型必须是渲染、仿真、规划的深度融合。所以我们选择以带实体模型、动画、骨骼的「真3D」为世界主体，再借助面向交互的「动作控制视频生成技术」为环境引入时间与因果。
这具体分为两个阶段。第一阶段，也就是现在已经做到的，是构建主体和确定性资产：让用户生成带精准几何、材质和骨骼的高精度模型，把结构底座打牢。第二阶段则是引入动作和时间维度。例如，我们正在研究「隐空间高斯记忆体」（Latent Gaussian Memory），把实时的动作和视角切换转成3D记忆颗粒，让AI无论走多远都能精准召回空间记忆、以低延迟渲染出符合物理规律的画面；还在研究「动态偏差归档机制」（Dynamic Deviation Archive），在交互推理时自动修正长程误差。这样，无论视角在虚拟世界里绕多大一圈，场景、颜色、结构都能始终如一。
（隐空间高斯记忆体原理图）
▍你们经常说自己是一支「研究型团队」，为什么这么定义？怎么做好「前沿研究」和「适应市场」之间的平衡？
▍V2Fun对于商业模式的计划是怎样的？最终会以什么形式向谁收费？
▍最后一个轻松的问题：用V2Fun生成过的所有东西里，哪一个是你自己最喜欢、也最意想不到的？
说出来可能挺普通，不是什么炫酷的角色，是我给自己一岁半的小孩做的一个3D模型。
那天他刚睡醒，头发翘得到处都是，坐在爬爬垫上啃一个积木，表情特别专注。我随手用手机拍了张照片，扔进我们自己的模型里试效果，其实就是想看看AI处理小朋友这种五官比例特殊的对象效果怎么样。结果没一会儿，一个圆滚滚的小人就生成出来了，连他啃积木时那种嘟起来的小嘴、翘起来的那撮头发都还原得清清楚楚。
把模型给我爱人看，她当时就愣住了，说「这也太像了吧，连他那个专注的小表情都在」。我当时心里也咯噔了一下。我们做这套系统，本意是服务专业的动画师、游戏公司，天天讨论的都是精度、拓扑、渲染效率，结果真正戳中我的，是以普通爸爸身份随手一拍的照片，就能变成一个可以从任何角度看、可以留存下来的立体存在。
