当前位置：

社区首页

文化娱乐

在线教育

IT互联网

文章详情

鸿蒙看中了极顶数创什么？—— 一家 3D 大模型公司的产品逻辑

编注：我们每天会接触大量的软件、硬件，但是多数时间下，都只是以固有的「使用者」视觉去体验和评判，快节奏的模式让我们没时间体会太多背后的理念。「幕后」栏目因此而生，我们会不定期邀请一些制作者，讲述他们在产品开发、制作过程中的点滴。

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。

前不久，我们造访了华为的开发者大会 HDC 2026。会上，V2Fun 作为鸿蒙系统首个 3D 大模型 AI 原生应用亮相，上架华为应用市场后很快登上编辑精选，闯进下载榜 Top30 和当月最佳应用，成为鸿蒙生态里空间智能方向最受关注的原生应用之一。这款产品背后的极顶数创（Vertex Lab），是一支在论文和竞赛方面收获颇丰，却又执意要把「最难的 3D」做成大众产品的团队。

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。

（极顶数创创始人、CEO 嵇盼博士在发布会上）

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。

V2Fun 的功能用一句话说，就是把过去只有专业人士才能完成的 3D 建模，变成普通人也能上手的事。拍一张照片或者输入一段文字，它就能生成一个高还原度的 3D 模型。我们支持了多端，移动端是鸿蒙原生 app，面向大众和轻量创作者；网页端是个工业级的 3D 内容生产全管线，面向专业创作者、设计师、3D 内容团队和游戏、泛娱乐的生产方。两端账户互通，你可以在手机上随手起草，再到网页端精修、落地。

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？

我们对移动端的核心定位是「让 3D 创作像拍照一样简单」。你只要负责上传图片，剩下的 AI 识别主体、生成 3D 模型，都会自动完成，然后就可以 360° 预览，满意后直接保存、导出、分享。传统 3D 建模要经历建模、贴图、材质、拓扑、UV、格式转换一大串步骤，而我们把它变成了普通人也能完成的一次移动端创作。

此外，我们还支持一键把现实照片转成更适合建模的风格参考图，包括写实参考图优化、潮玩盲盒、积木艺术、立体折纸几种风格。这既降低了门槛，也让它在潮玩、手办、个性化礼物、社交分享这些场景里更好玩。生成之后，更可以导出 GLB、3MF 这些行业标准格式，对接 3D 打印机，把数字创意直接变成实体的手办或摆件。

（使用 V2Fun 制作的 3D 打印手办）

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。

先说技术。我们能成为鸿蒙系统首个 3D 大模型 AI 原生应用亮相 HDC 2026，前提是 V2Fun 的能力和 HarmonyOS 的空间智能方向本来就高度契合。我们没有简单移植一个网页版，而是发现 V2Fun 的技术能力和 HarmonyOS 的空间智能方向非常契合，然后抓住这些结合点深耕。例如，依托系统级框架 ArkGraphics 3D 这些，模型生成后可以在手机上自然地预览、旋转、查看和交互；生成的 GLB、3MF 资产可以保存到系统图库，让用户像管理照片一样管理 3D 文件。

再说生态。这其实是华为和我们的一次双向选择：华为需要一个能展示空间智能系统能力的标杆应用，而我们需要一个能承接 3D 资产、放大 3D AI 体验的系统级生态。加上鸿蒙正处在高速成长期，我们也顺利获得了编辑精选、下载榜 Top30 和当月最佳应用等成绩。这是自己单打独斗很难换来的。

（V2Fun 在 HDC 2026 获现场展示）

（V2Fun 在鸿蒙应用商店所获曝光）

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。

让我们意外的是一位手办收藏爱好者的用法。他把自己收藏了几十个的绝版手办逐一拍照建模，做成了一个可以在手机里 360 度翻看、甚至能「排列组合」的虚拟展柜。他跟我们反馈说，很多手办年代久远、易碎，平时都锁在柜子里舍不得拿出来把玩，但现在可以在手机上随时「盘」一遍。这种把收藏和展示重新连接起来的用法，让我们意识到 3D 模型的价值，不只是「造出来」，更是「留下来」和「看下去」。

（V2Fun 用户用手机还原出的手办模型）

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？

网页版的 V2Fun 工作台（v2fun.art）面向专业创作者、设计师、3D 内容团队和游戏、泛娱乐的生产方，提供更完整的能力：AI 图像负责更稳定可控的视觉输入，AI 建模能从文字或图片生成高精度模型、原生附带 8K PBR 材质贴图，AI 动画则支持一键骨骼绑定、海量动作库和 AI 视频动作捕捉，让静态模型动起来。

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。

接⼊ V2Fun 后，他从原画、参考图和空间草图出发，就快速⽣成了建筑、街⻆、道具等 3D 资产，再进⼊ 3D 空间中进⾏组合、验证和⼆次调整。通过这种⽅式，他已经制作了超过 100 个资产，梦想非常接近成型。

（喵不灵使用 V2Fun 创作的过程和成果）

移动端和网页端在我们的规划中有明确分工的：移动端负责验证大众需求和爆款玩法，网页版负责沉淀专业创作能力和高质量生产管线。换句话说，移动端帮人们发现需求，网页版负责把价值真正兑现。再加上两端账户和资产是互通的，一个用户完全可以在手机上随手起草，再到网页版精修落地。我们相信这样既能让专业的人更快，又能让没有基础的人参与创造。

V2Fun 一直强调「行业领先的精度和还原度」，你觉得你们的优势主要体现在什么方面？

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。

（使用 V2Fun 制作的高清模型）

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。

（极顶数创的世界模型效果）

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？

除了上面说的技术优势，也就是自研底层大模型加系统级工程适配能力，我们的差异化还在于长远目标。

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？

我们团队成员来自浙大、上交、同济、澳国立、山大这些海内外顶尖院校，核心成员多是 3D 视觉、深度学习、图形学、AIGC 方向的博士和资深研发。技术积累上，累计拿过十余次最佳论文和国际竞赛奖项，包括 CVPR 最佳论文、ICCV 马尔奖荣誉提名、ICPR 最佳论文、ICIP 最佳学生论文、WACV 最佳应用论文，还有 ICRA HILTI Visual SLAM 比赛冠军、CVPR DDAD 深度估计比赛亚军，谷歌学术总引用接近 5 万，申请发明专利一百多项。

但我更想强调的是「复合」这两个字。我们的优势不在于是一支纯算法团队，也不是传统的 3D 工具团队，而是同时具备 3D 视觉、深度学习、图形学、XR 交互、工程系统和产品化能力的复合型团队。众所周知，算法再漂亮，跑不到用户手机上也没用。正是因为不仅有模型技术，也有工程适配能力，我们才能把前沿研究真正变成一个普通人几十秒就能出片的产品。