Day 2 · 空间生成：把想法变成 3D，还要转着检查

你想做一个「给寝室挑一盏灯」的小网页，让别人转着看你设计的灯。没有现成的灯可以拍，你也不会建模，能只写一句描述就开始吗？可以，生成工具就是干这个的。但正面好看还不够：转到侧面、背面，它也得是同一盏灯。

AI 3D · Day 2必学约 8 分钟观猹编辑部

读完你能：

判断你的作品是要还原一件真实的东西，还是创造一件新东西。
转动检查一件生成的物体：形状、材质和位置关系有没有走样。
写好第一件资产的设计要求，明天带到 Lux3D 里试做。

01先选：还原已有的，还是创造想要的

想把自己的寝室搬进网页，和想给寝室设计一盏新灯，是两件不同的事。前者有真实的房间可以拍，后者只有你脑子里的样子。

已有的东西

用照片或视频还原

你拍下寝室，希望桌椅、门窗都和现实一样。这是空间重建。检查时拿实拍照片对照，看有没有漏掉或还原错的地方。

想要的东西

用描述或参考图创造

你描述一盏新灯的造型，或者给一张喜欢的灯的图片，让模型生成三维物体。这是空间生成。检查时对照你自己写的设计要求。

用下面这张客厅图看看区别：图里有圆环吊灯、茶几和窗帘，但拍不到镜头背后那面墙。如果你要原样还原这间房，就得去补拍那面墙；如果你只是想要一个新客厅，可以让模型把没拍到的部分补出来。

客厅局部画面，圆环吊灯下有茶几，薄纱窗帘前摆着扶手椅 — 吊灯、窗户和茶几都看得见；镜头背后是什么，图里没有。

概念 · SPATIAL GENERATION

空间生成是根据文字描述或参考图，创造出三维物体、场景或材质，也包括把没拍到的部分补出来。

同理，只给一张灯的照片，灯的背面就是模型「想」出来的。做新设计时，补一个合理的背面完全没问题；但如果你要展示的是一件真实存在的灯，补出来的背面就不能当真，需要补拍或找到真实资料。

下面是这间客厅做成三维场景后的样子，可以换位置、换角度查看。

三维查看器里的客厅，沙发、茶几和圆环吊灯周围有编辑工具 — 从另一侧看，吊灯和茶几还在原来的位置。三维场景让你能检查一张照片里看不到的部分。

两条路也可以一起用：先重建自己的寝室，再把生成的新灯放进去。下面就是这样做的：先把一间毛坯办公室扫描还原，再往里面放进设计好的家具。

扫描还原的毛坯办公室，落地窗外是城市，右侧是木质书柜，地面散着施工杂物 — 还原：拍下来的毛坯房，和现实一样。

同一间办公室放进了书桌、椅子、落地灯和深色书架 — 创造：在同一个空间里放进新的书桌、灯和书架。

不过五天时间很紧，建议先只做一盏能转着看的灯，把造型做好，再决定要不要加上整个房间。

02转一圈，确认它还是同一件东西

生成结果正面很好看，你很想马上放进作品。先别急：别人一转视角，灯环会不会断开？背面会不会冒出一块本该只在正面的花纹？这些要在展示前检查掉。

先分清什么变化是正常的。对比前面客厅里的灯和下面这张抬头看的画面：吊灯跑到了画面角落，还有一部分出了画面。换了角度，物体在屏幕上的位置、大小、被挡住的部分都会变，这很正常。你要检查的是灯本身的结构有没有变。

向天花板看的画面，圆环吊灯的一部分位于右下角 — 先找到熟悉的圆环。灯跑到了画面角落，不代表它在房间里挪了位置。

概念 · SPATIAL CONSISTENCY

空间一致性是指换个角度看，同一个物体的形状、材质，以及它和周围物体的位置关系，都还对得上。

拿到一件能转着看的模型后，按这个顺序检查：

先看整体形状

从正面转到侧面、背面。灯环连不连贯？支架有没有缺一截、或者戳进灯罩里？先解决这些破坏造型的大问题，再管小装饰。

追踪一处明显细节

挑一块花纹或一条接缝，转动时盯着它，看它是不是一直待在同一块表面上。再看金属、布料像不像你要的材质。注意，转动时反光的位置会跟着变，这是正常的；不正常的是材质本身变了，比如金属转着转着变成了塑料。

放回作品用途里看

给寝室挑灯，灯罩和支架的比例合不合适？如果还生成了房间，灯和窗户、桌子的相对位置稳不稳定，家具摆放能不能正常使用？

还有两种容易和三维模型混淆的结果。一是全景图（Panorama）：你站在原地转一圈能看到四周，但往前走一步、绕到沙发背后看，图里是没有的（见下图）。二是环绕视频：镜头绕着物体转一圈，但观众只能看，不能自己转。想让网页里的观众自己转、自己走，就要确认工具交出来的是真正的三维模型，而不只是图片或视频。

客厅和餐厅的全景展开图，吊灯、茶几、沙发与餐桌分布在四周 — 这张全景图展开了同一个位置看到的四周。桌椅挡住的背面，图里依然看不到。

明天你会用 Lux3D 做第一件资产：上传一张图或写一段描述，它会生成一件能转着看的 3D 模型。现在先打开手机备忘录，写下你要做的东西：是什么、大概什么形状、什么材质、花纹在哪一面。比如：「一盏圆环吊灯，金属支架，只有外侧有条纹，背面是素色。」这就是你的设计要求，明天生成后就按它检查正面、侧面和背面。

03图像怎样从噪声里生成

如果你好奇「一句话为什么能变成一张图」，这一节用一个小实验带你看个大概。不懂这些原理，也完全不影响你用 Lux3D。

先猜一猜：滑块拖到一半时，你能从一片杂乱的画面里认出什么？拖动滑块或直接左右拖画面试试，也可以点 ▶ 自动播放。这个实验只是把一张预设的狗图和噪点按比例混合，用来演示「逐渐清晰」的感觉，并不是真实模型的生成过程。

噪点越少，狗的轮廓越清楚。真实的生成模型也是一步步把噪点「擦掉」，但每一步怎么擦，是它从大量图片里学来的。

这类模型叫扩散模型（Diffusion Model）。训练时，先给清楚的图片加上不同程度的噪点，让模型练习把噪点去掉；生成时，从一张纯噪点的图出发，按你写的文字一步步去噪，最后得到一张新图。

Stable Diffusion 流程图，文字编码器连接多步扩散模块，解码器输出海滩图像 — 顺着箭头看：文字提供条件，中间多步去噪，右侧解码成图像。

噪点里并没有藏着一张现成的照片等着被找出来，图是模型按学到的规律「画」出来的。所以换一个起点，结果就会不同。这也解释了上一节的问题：分别生成的两张图，里面的同一个物体不一定对得上，需要专门的方法保证空间一致。

04想让物体动起来，还需要什么

如果你想做的不是展示一盏灯，而是让观众按键推动物体，问题就多了：东西被推了怎么动？撞到墙会怎样？走开再回来，它还在不在原处？光看模型的外观，回答不了这些。

世界模型（World Model）想解决的就是这类问题：给它当前的场景和一个动作，预测接下来会发生什么。目前大致有三条路：

路线	怎样表达变化	与你选作品的关系
先生成三维场景，再渲染或模拟	创建三维内容；需要运动和碰撞时，再加入相应的模拟。	有了能看的模型，还要单独制作和检查交互行为。
交互式视频	根据已有画面和用户动作，继续生成后续画面。	操作感可以像游戏，但要另查是否交付你需要的三维资产。
隐式世界表征	在模型内部用紧凑的状态表示预测变化，不一定直接输出画面。	偏向预测与决策任务，不是拿到一个模型就能直接放进展示网页。

DeepMind 的 Genie 1 是交互式视频的例子：给它一张起始图（照片、手绘都行），你每按一次方向键，它就根据当前画面和你的动作生成下一帧。

Genie 从图像或手绘输入出发，按手柄动作生成连续三帧画面 — 看每一帧下面的按键标记：画面是根据你的操作现生成的，不是事先录好的视频。

画面会动，还不代表它懂物理。要检查的是：按了键是不是真的有反应、反应对不对，把东西推走再绕回来，它会不会莫名其妙回到原处。这周如果你的目标是做一个能转着看的物件展示，先把资产和网页做出来就好，不必把这些加进第一版。