編輯丨&

新年剛過，相信各位讀者已經在現實生活或者網絡上感受到了現如今 AI 在想象力支持之下，帶來了多少有意思的創意。生成式 3D 模型已經可以根據一句話生成「鱷梨椅」「蒸汽波鑰匙架」「長頸鹿桌子」。

問題是——它們真的能坐人嗎？

當前 3D 生成模型在視覺上已接近成熟，但在物理層面仍然脆弱。常見問題包括：過薄結構、不連續幾何、不穩定支撐、無法承重……也就是說，AI 能生成形狀，卻無法保證結構。

來自 MIT 的一支團隊提出了一種新框架——PhysiOpt，首次實現：

在不破壞生成模型原生表示的前提下，直接在潛空間中進行可微分物理優化。

這意味著，生成式設計第一次真正進入「可制造」階段。

相關的研究內容以「PhysiOpt: Physics-Driven Shape Optimization for 3D Generative Models」為題，被 SIGGRAPH Asia 2025 接收。

論文鏈接：https://dl.acm.org/doi/10.1145/3757377.3763884

生成表示與物理斷層

當前主流 3D 生成模型使用的是隱式場表示（implicit field），例如 SDF 或 occupancy field。而工程物理仿真依賴的是有限元方法（FEM），需要顯式網格。這兩者長期處于斷層狀態。

傳統做法通常是從隱式場提取網格（如 Marching Cubes），再在網格上做有限元優化，最后嘗試回映射。但問題是頻繁重網格化計算成本極高，而優化后幾何往往偏離原始設計語義，無法再回到生成模型的潛空間繼續編輯。也就是說，一旦進入物理優化流程，就脫離了生成模型生態。

PhysiOpt 的突破在于一個非常優雅的物理建模轉化：

將隱式場解釋為連續材料密度分布。

圖 1：可微形狀優化流程概述。

該系統通過物理模擬增強這些工具，使個人物品如杯子、鑰匙架和書擋的藍圖在 3D 打印時能夠正常工作。它能快速測試 3D 模型結構是否可行，溫和地修改較小的形狀，同時確保設計的整體外觀和功能得以保留。

用戶只需在 PhysiOpt 中輸入想創建的內容及其用途，或者上傳圖像到系統用戶界面，大約半分鐘內，就能獲得一個逼真的3D物體。例如，CSAIL 的研究人員促使它生成了一個「火烈鳥形狀的飲用杯」，他們將其 3D 打印成一個帶有杯柄和底座類似熱帶鳥腿的飲用杯。在設計生成過程中，PhysiOpt 做了細微調整，以確保結構安全。

圖 2：研究者對各種形狀的先驗考慮。

設計優勢

相比傳統 mesh-based 優化方法，PhysiOpt 具有三個明顯優勢。

1. 語義保持

由于優化變量是潛向量，而不是網格頂點，優化過程天然受限于生成模型的先驗。

這避免了：局部網格擾動導致形態扭曲、破壞原始功能結構。優化后的對象仍然「像原來那個東西」。

圖 3：多步驟設計示例。

1. 計算效率

PhysiOpt 無需復雜的非線性求解器、無需頻繁重建網格，因此可以支持交互式優化流程。用戶可以：

• 設置材料屬性
• 指定載荷
• 設定邊界條件
• 實時查看變形熱力圖

圖 4：用戶可指定部位的使用材料，并調整負荷。

1. 泛化性

PhysiOpt 并不依賴單一生成模型。論文中展示了對多種 shape prior 的兼容性：

• 全局潛向量模型（如 DeepSDF）
• 部件級潛表示
• 稀疏體素級大規模 3D 生成模型（如 TRELLIS）

只要存在「潛空間 → 隱式場」的可微映射，框架即可適配。這使其成為一個通用物理優化層。

無需訓練的生成模型

PhysiOpt 可以制作更為大膽的作品。研究人員親眼見證了這種多樣性，他們制作了一個蒸汽朋克風格（融合維多利亞時代與未來主義美學的風格）鑰匙架，配有復雜、機械般的鉤子，以及一個可以放置物品的「長頸鹿桌」，背面平坦。

這一切都并非是訓練后的結果——至少不是來自研究人員的。相反，PhysiOpt使用一個已經見過成千上萬形狀和物體的預訓練模型。通過使用預訓練模型，PhysiOpt 可以利用「形狀先驗」，即基于早期訓練對形狀應有的了解，生成用戶希望看到的形狀。這有點像藝術家重現著名畫家的風格。

該模型在 AI 生成的道路上邁出了新的一步。這種方法能能夠控制材料、載荷和邊界條件，同時在生成模型的潛在空間內優化，保持其全部能力，支持迭代設計。研究團隊計劃探索更多利用常識的自動化替代方案，包括視覺語言模型（VLM），這為他們未來的工作帶來了令人振奮的方向。

https://techxplore.com/news/2026-02-generative-ai-physics-personal-items.html