AI 驱动 3D 建模：参数化与生成式的双引擎实践

一、背景：当大模型走进 3D 内容生产线

过去几年，游戏与数字内容行业普遍面临三重压力：玩法验证周期长、美术资产制作成本高、工程与美术之间的协作损耗大。一个玩法的可行性判断，往往要等原型搭完才能给出结论；一段几十秒的宣传片，背后是场景、灯光、运镜反复调整的数周工时。

与此同时，大模型的能力边界正从“写代码、写文档”向外延伸：它可以直接生成并执行建模脚本、调用数字内容创作工具（DCC）的编程接口、编排渲染与合成流程。换言之，自然语言第一次有机会成为 3D 生产的“顶层驱动语言”。业界也已经出现了由大模型驱动的智能体产出可交互 3D 网页、机械零件模型、建筑场景乃至游戏宣传片的公开演示。

但要把“演示性 Demo”变成“生产级管线”，仅靠模型能力并不够，还需要一套清晰的方法论。本文聚焦其中最核心的分野：参数化建模与生成式建模。

二、两条技术路线：参数化与生成式

1. 参数化建模：以规则与约束为中心

参数化建模的核心思想是“几何由参数驱动”：模型的形状不是手工雕刻出来的，而是由一组尺寸参数、几何约束和构造规则计算得出。修改参数，几何随之重建。常用构造手段包括：

• 截面放样：用若干控制截面沿路径扫掠，适合外壳、管路、流线形体；
• 旋转成型：将二维轮廓绕轴旋转，适合轮胎、齿轮、瓶罐等回转体；
• 布尔与装配：零件逐件建模后按约束装配，保持清晰的层级与对称关系；
• 约束求解：用尺寸链、配合关系表达设计意图，保证修改后的拓扑一致性。

其优势在于尺寸精确、可编辑、可复用、易批量衍生——同一套规则可以输出一个产品系列。局限是规则编写有门槛，面对高度有机的形体（如角色、植被）表达能力有限。

2. 生成式建模：以数据与网络为中心

生成式建模由神经网络直接从文本、图像或点云等条件生成三维资产，输出形式可能是网格、纹理、材质或隐式场表示。它的强项是概念探索速度快、有机形体表现力强，适合早期概念稿、背景资产填充与风格化试验。

局限同样明显：尺寸精度与拓扑质量难以保证，缺乏工程语义（没有零件层级、配合关系），直接用于生产前通常需要重拓扑、UV 展开与人工修整。

3. 场景分工建议

对象类型	推荐路线	理由
汽车、家电、机械零件	参数化优先	尺寸、对称、装配层级可精确控制
建筑规则部分（墙体、门窗、楼层）	参数化	平立剖关系明确，规则性强
建筑细节与概念表现	生成式辅助	立面纹样、环境氛围可快速探索
角色、植被、概念艺术	生成式优先	有机形体，参数化表达成本过高
游戏原型场景	两者结合	逻辑结构参数化，氛围资产生成式

三、大模型在 3D 管线中的三重角色

1. 建模脚本的“程序员工位”。 参数化建模天然适合被代码表达。大模型可以把“一个 24 齿、模数 2.5、带 8 毫米轴孔的直齿轮”这样的自然语言需求，直接翻译成几何脚本，工程师只需复核参数与结果。

2. 工具链编排者。 主流 DCC 工具与游戏引擎普遍提供脚本接口与插件机制。大模型可以充当“编排层”：读需求、写脚本、调接口、跑批处理，把建模、导出、渲染、合成串成一条自动化流水线。

3. 多步智能体：规划—执行—自检—迭代。 更进一步的形态是智能体，它将任务拆解为多个步骤，循环执行“规划 → 生成脚本 → 沙箱执行 → 结果评估 → 修正”的闭环：

while not 达标:
    plan     = llm(需求 + 上一轮反馈)          # 任务拆解与方案规划
    script   = llm(plan, 工具接口说明)          # 生成建模/渲染脚本
    result   = sandbox.run(script)              # 隔离环境执行
    feedback = evaluator(result, 验收标准)      # 自检：尺寸/拓扑/构图

这个闭环的关键在于“评估器”：把验收标准（尺寸公差、面数预算、构图规则）写成可程序化检查的规则，智能体才有自我修正的依据。

四、典型场景实践

1. 机械与工业零件：参数化优先

以齿轮为例，几乎所有几何都由少数参数决定：

import math
def gear_profile(teeth=20, module=2.0, bore=8.0):
    """参数化直齿轮轮廓：改参数即改模型"""
    pitch_r = module * teeth / 2.0      # 分度圆半径
    outer_r = pitch_r + module          # 齿顶圆
    root_r  = pitch_r - 1.25 * module   # 齿根圆
    pts = []
    for i in range(teeth):
        base = 2 * math.pi * i / teeth
        for r, t in [(root_r, 0.00), (root_r, 0.25),
                     (outer_r, 0.35), (outer_r, 0.60)]:
            a = base + t * 2 * math.pi / teeth
            pts.append((r * math.cos(a), r * math.sin(a)))
    return pts, bore   # 送入通用几何内核完成挤出与布尔
pts, bore = gear_profile(teeth=24, module=2.5)

工程实践中需将简化齿形替换为标准渐开线，并补充倒角、公差等细节——这恰恰是参数化路线的价值：几何可以被持续精化，而不是推倒重来。

2. 建筑：规则部分写参数

楼层、柱网、幕墙分格等强规则部分适合参数化表达；立面纹样、环境绿化等氛围资产可交给生成式模型快速探索，再筛选落位，形成“骨架参数化、表皮生成式”的组合。

3. 游戏原型与宣传片：脚本化搭建 + 代码化运镜

场景结构（地形、道路、建筑体块）用脚本按规则布置，保证可重构；灯光与运镜写成参数化曲线，便于批量出片与 A/B 对比。玩法 Demo 的意义在于“尽早回答可行性”，脚本化让每次改动都能以分钟级重跑验证。

五、工程化落地建议

1. 资产即代码：把参数文件、建模脚本、验收规则纳入版本管理，与代码仓库同级评审，模型产物只是构建结果。
2. 数据与算力：资产与中间产物放对象存储，渲染与训练用 GPU 容器实例弹性伸缩，批量任务走队列调度，并配合日志服务与监控告警保障流水线可观测。以百度智能云为代表的云平台均提供上述通用能力，可按需组合。
3. 质量关卡：在流水线中内嵌尺寸校验、拓扑检查、面数预算、命名规范等自动化关卡，AI 产物先过机器审，再进人工审。
4. 人机协作边界：模型负责“从 0 到 0.7”的快速成形，工程师负责“从 0.7 到 1.0”的精化与验收，避免把验收责任外包给模型。

六、局限与注意事项

• 生成式结果的拓扑与精度仍需人工兜底，涉及配合关系的零件应慎用；
• 使用生成资产时注意版权与许可合规，建立素材溯源机制；
• 需求不明时不要过度自动化——参数化脚本的价值来自稳定、明确的设计意图。

七、结语

参数化与生成式并非竞争关系，而是 3D 内容生产管线的两级火箭：前者提供工程精度与可维护性，后者提供探索速度与表现力。大模型与智能体的加入，让这两条路线第一次可以由同一种“语言”（自然语言 + 代码）统一驱动。对团队而言，真正的竞争力不在某个单点工具，而在于把参数、规则、验收标准沉淀为可复用的数字资产管线——这正是 AI 时代 3D 生产方法论的内核。