從好看到能用：MIT用可微物理優(yōu)化，讓生成式3D設(shè)計(jì)真正可制造

編輯丨&

新年剛過(guò)，相信各位讀者已經(jīng)在現(xiàn)實(shí)生活或者網(wǎng)絡(luò)上感受到了現(xiàn)如今 AI 在想象力支持之下，帶來(lái)了多少有意思的創(chuàng)意。生成式 3D 模型已經(jīng)可以根據(jù)一句話生成「鱷梨椅」「蒸汽波鑰匙架」「長(zhǎng)頸鹿桌子」。

問(wèn)題是——它們真的能坐人嗎？

當(dāng)前 3D 生成模型在視覺(jué)上已接近成熟，但在物理層面仍然脆弱。常見(jiàn)問(wèn)題包括：過(guò)薄結(jié)構(gòu)、不連續(xù)幾何、不穩(wěn)定支撐、無(wú)法承重……也就是說(shuō)，AI 能生成形狀，卻無(wú)法保證結(jié)構(gòu)。

來(lái)自 MIT 的一支團(tuán)隊(duì)提出了一種新框架——PhysiOpt，首次實(shí)現(xiàn)：

在不破壞生成模型原生表示的前提下，直接在潛空間中進(jìn)行可微分物理優(yōu)化。

這意味著，生成式設(shè)計(jì)第一次真正進(jìn)入「可制造」階段。

相關(guān)的研究?jī)?nèi)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(dāng)前主流 3D 生成模型使用的是隱式場(chǎng)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(wǎng)格。這兩者長(zhǎng)期處于斷層狀態(tài)。

傳統(tǒng)做法通常是從隱式場(chǎng)提取網(wǎng)格（如 Marching Cubes），再在網(wǎng)格上做有限元優(yōu)化，最后嘗試回映射。但問(wèn)題是頻繁重網(wǎng)格化計(jì)算成本極高，而優(yōu)化后幾何往往偏離原始設(shè)計(jì)語(yǔ)義，無(wú)法再回到生成模型的潛空間繼續(xù)編輯。也就是說(shuō)，一旦進(jìn)入物理優(yōu)化流程，就脫離了生成模型生態(tài)。

PhysiOpt 的突破在于一個(gè)非常優(yōu)雅的物理建模轉(zhuǎn)化：

將隱式場(chǎng)解釋為連續(xù)材料密度分布。

圖 1：可微形狀優(yōu)化流程概述。

該系統(tǒng)通過(guò)物理模擬增強(qiáng)這些工具，使個(gè)人物品如杯子、鑰匙架和書(shū)擋的藍(lán)圖在 3D 打印時(shí)能夠正常工作。它能快速測(cè)試 3D 模型結(jié)構(gòu)是否可行，溫和地修改較小的形狀，同時(shí)確保設(shè)計(jì)的整體外觀和功能得以保留。

用戶只需在 PhysiOpt 中輸入想創(chuàng)建的內(nèi)容及其用途，或者上傳圖像到系統(tǒng)用戶界面，大約半分鐘內(nèi)，就能獲得一個(gè)逼真的3D物體。例如，CSAIL 的研究人員促使它生成了一個(gè)「火烈鳥(niǎo)形狀的飲用杯」，他們將其 3D 打印成一個(gè)帶有杯柄和底座類(lèi)似熱帶鳥(niǎo)腿的飲用杯。在設(shè)計(jì)生成過(guò)程中，PhysiOpt 做了細(xì)微調(diào)整，以確保結(jié)構(gòu)安全。

圖 2：研究者對(duì)各種形狀的先驗(yàn)考慮。

設(shè)計(jì)優(yōu)勢(shì)

相比傳統(tǒng) mesh-based 優(yōu)化方法，PhysiOpt 具有三個(gè)明顯優(yōu)勢(shì)。

1. 語(yǔ)義保持

由于優(yōu)化變量是潛向量，而不是網(wǎng)格頂點(diǎn)，優(yōu)化過(guò)程天然受限于生成模型的先驗(yàn)。

這避免了：局部網(wǎng)格擾動(dòng)導(dǎo)致形態(tài)扭曲、破壞原始功能結(jié)構(gòu)。優(yōu)化后的對(duì)象仍然「像原來(lái)那個(gè)東西」。

圖 3：多步驟設(shè)計(jì)示例。

1. 計(jì)算效率

PhysiOpt 無(wú)需復(fù)雜的非線性求解器、無(wú)需頻繁重建網(wǎng)格，因此可以支持交互式優(yōu)化流程。用戶可以：

• 設(shè)置材料屬性
• 指定載荷
• 設(shè)定邊界條件
• 實(shí)時(shí)查看變形熱力圖

圖 4：用戶可指定部位的使用材料，并調(diào)整負(fù)荷。

1. 泛化性

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

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

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

無(wú)需訓(xùn)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(jiàn)證了這種多樣性，他們制作了一個(gè)蒸汽朋克風(fēng)格（融合維多利亞時(shí)代與未來(lái)主義美學(xué)的風(fēng)格）鑰匙架，配有復(fù)雜、機(jī)械般的鉤子，以及一個(gè)可以放置物品的「長(zhǎng)頸鹿桌」，背面平坦。

這一切都并非是訓(xùn)練后的結(jié)果——至少不是來(lái)自研究人員的。相反，PhysiOpt使用一個(gè)已經(jīng)見(jiàn)過(guò)成千上萬(wàn)形狀和物體的預(yù)訓(xùn)練模型。通過(guò)使用預(yù)訓(xùn)練模型，PhysiOpt 可以利用「形狀先驗(yàn)」，即基于早期訓(xùn)練對(duì)形狀應(yīng)有的了解，生成用戶希望看到的形狀。這有點(diǎn)像藝術(shù)家重現(xiàn)著名畫(huà)家的風(fēng)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(shí)在生成模型的潛在空間內(nèi)優(yōu)化，保持其全部能力，支持迭代設(shè)計(jì)。研究團(tuán)隊(duì)計(jì)劃探索更多利用常識(shí)的自動(dòng)化替代方案，包括視覺(jué)語(yǔ)言模型（VLM），這為他們未來(lái)的工作帶來(lái)了令人振奮的方向。

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