从好看到能用：MIT用可微物理优化，让生成式3D设计真正可制造

编辑丨&

新年刚过，相信各位读者已经在现实生活或者网络上感受到了现如今 AI 在想象力支持之下，带来了多少有意思的创意。生成式 3D 模型已经可以根据一句话生成「鳄梨椅」「蒸汽波钥匙架」「长颈鹿桌子」。

问题是——它们真的能坐人吗？

当前 3D 生成模型在视觉上已接近成熟，但在物理层面仍然脆弱。常见问题包括：过薄结构、不连续几何、不稳定支撑、无法承重……也就是说，AI 能生成形状，却无法保证结构。

来自 MIT 的一支团队提出了一种新框架——PhysiOpt，首次实现：

在不破坏生成模型原生表示的前提下，直接在潜空间中进行可微分物理优化。

这意味着，生成式设计第一次真正进入「可制造」阶段。

相关的研究内容以「PhysiOpt: Physics-Driven Shape Optimization for 3D Generative Models」为题，被 SIGGRAPH Asia 2025 接收。

论文链接：https://dl.acm.org/doi/10.1145/3757377.3763884

生成表示与物理断层

当前主流 3D 生成模型使用的是隐式场表示（implicit field），例如 SDF 或 occupancy field。而工程物理仿真依赖的是有限元方法（FEM），需要显式网格。这两者长期处于断层状态。

传统做法通常是从隐式场提取网格（如 Marching Cubes），再在网格上做有限元优化，最后尝试回映射。但问题是频繁重网格化计算成本极高，而优化后几何往往偏离原始设计语义，无法再回到生成模型的潜空间继续编辑。也就是说，一旦进入物理优化流程，就脱离了生成模型生态。

PhysiOpt 的突破在于一个非常优雅的物理建模转化：

将隐式场解释为连续材料密度分布。

图 1：可微形状优化流程概述。

该系统通过物理模拟增强这些工具，使个人物品如杯子、钥匙架和书挡的蓝图在 3D 打印时能够正常工作。它能快速测试 3D 模型结构是否可行，温和地修改较小的形状，同时确保设计的整体外观和功能得以保留。

用户只需在 PhysiOpt 中输入想创建的内容及其用途，或者上传图像到系统用户界面，大约半分钟内，就能获得一个逼真的3D物体。例如，CSAIL 的研究人员促使它生成了一个「火烈鸟形状的饮用杯」，他们将其 3D 打印成一个带有杯柄和底座类似热带鸟腿的饮用杯。在设计生成过程中，PhysiOpt 做了细微调整，以确保结构安全。

图 2：研究者对各种形状的先验考虑。

设计优势

相比传统 mesh-based 优化方法，PhysiOpt 具有三个明显优势。

1. 语义保持

由于优化变量是潜向量，而不是网格顶点，优化过程天然受限于生成模型的先验。

这避免了：局部网格扰动导致形态扭曲、破坏原始功能结构。优化后的对象仍然「像原来那个东西」。

图 3：多步骤设计示例。

1. 计算效率

PhysiOpt 无需复杂的非线性求解器、无需频繁重建网格，因此可以支持交互式优化流程。用户可以：

• 设置材料属性
• 指定载荷
• 设定边界条件
• 实时查看变形热力图

图 4：用户可指定部位的使用材料，并调整负荷。

1. 泛化性

PhysiOpt 并不依赖单一生成模型。论文中展示了对多种 shape prior 的兼容性：

• 全局潜向量模型（如 DeepSDF）
• 部件级潜表示
• 稀疏体素级大规模 3D 生成模型（如 TRELLIS）

只要存在「潜空间 → 隐式场」的可微映射，框架即可适配。这使其成为一个通用物理优化层。

无需训练的生成模型

PhysiOpt 可以制作更为大胆的作品。研究人员亲眼见证了这种多样性，他们制作了一个蒸汽朋克风格（融合维多利亚时代与未来主义美学的风格）钥匙架，配有复杂、机械般的钩子，以及一个可以放置物品的「长颈鹿桌」，背面平坦。

这一切都并非是训练后的结果——至少不是来自研究人员的。相反，PhysiOpt使用一个已经见过成千上万形状和物体的预训练模型。通过使用预训练模型，PhysiOpt 可以利用「形状先验」，即基于早期训练对形状应有的了解，生成用户希望看到的形状。这有点像艺术家重现著名画家的风格。

该模型在 AI 生成的道路上迈出了新的一步。这种方法能能够控制材料、载荷和边界条件，同时在生成模型的潜在空间内优化，保持其全部能力，支持迭代设计。研究团队计划探索更多利用常识的自动化替代方案，包括视觉语言模型（VLM），这为他们未来的工作带来了令人振奋的方向。

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