2016 年，后来被反复宣布了无数次元年的 VR 产业，正式迎来了第一次爆发浪潮。

这一年 3 月 28 日，Oculus Rift 首批发货，售价 599 美元的产品很快被销售一空；两天后，曾在微软 Windows 10 发布会上被重点推介的 3000 美元 HoloLens 开发者版也迎来正式发售，此前围绕 HoloLens 举办的 11 城开发者巡展，名额开放 90 分钟便全部订满。同一时间还未正式发售 PlayStation VR 的索尼，则直接宣布已经有 230 多家开发商和发行商正在为它制作内容。

资本比硬件更为激进。高盛在当年年初把 VR/AR 直接称作下一代计算平台的竞争者；2 月，连消费级产品都还没有推出的 Magic Leap，则是一轮融资就拿到 7.935 亿美元，投后估值达到 45 亿美元。

至此，硬件、资本和开发者，都已形成共识。

只有中国计算机图形最知名的学者、时任微软亚研院首席研究员——童欣，是个例外。

论技术身位，那时的他已经在微软亚洲研究院工作了 17 年，负责网络图形组也有六年。论研究方向，他应该是当时最有理由相信 VR 爆发的那群人之一。

那一年的 11 月 14 日，微软亚洲研究院在北京成立院友会。近 200 位来自产业和学术界的院友回到中关村微软大厦，下午一场题为「让世界充满 AI」的研讨会上，九位演讲嘉宾里，有刚刚离开微软加入旷视的孙剑，有浙江大学周昆、地平线余凯。主持人宣布研讨会开始后，第一个被请上台的人，正是童欣。

但他上台之后，没有讲某项最新成果。

他说，几天前接到演讲通知，他「非常焦虑和紧张」，然后，他问了一个和整个行业情绪不太合拍的问题：互联网加文字，有了网络文学、微博和维基百科；互联网加图片，有 Instagram、美图；互联网加视频，有 YouTube、爱奇艺、直播和网红。十几年过去，几乎每一种内容都在互联网里爆炸过一次。回头再看看 Graphics，却好像什么都没发生。

他拿当时流行的「风口上的猪」开玩笑：「我这么瘦的一个人，站了这么久，怎么还没飞起来？」

「这到底出了什么问题？」

最后，他把原因归成两个词：Everyone 和 Everywhere。

Everyone，是每个人都可以创造内容；Everywhere，是这种内容能够跨越设备和场景，在更多地方生产、传播和消费。

当年，即使 AR、VR 爆火，但专业建模软件仍需要艺术家学习多年，扫描仪、光穹、动捕设备价格高昂，还需要专门场地和操作人员；到了消费端，号称三维的内容，大多数仍然被塞进二维屏幕，用户继续用鼠标、键盘和 gamepad 操作。

一个不能真正走进普通人世界的技术，无论市场炒作多热闹，始终逃离不过昙花一现的宿命。

但 10 年后，这个故事在另一个地方听到了回响。

2026 年 9 月，童欣已经正式加入胡渊鸣创办的 Meshy。

至此，一家想要把一句话、一张图生成 3D 做成千万用户产品的公司，迎来了它的首席科学家。

一个做了二十五年图形学的学者，终于走到了自己十年前那个问题的下一页。

提问的人

1999 年，童欣从清华大学博士毕业，加入了此时成立不到一年的微软亚洲研究院。

这是一家后来成为中国 AI 行业黄埔军校的机构。互联网和云计算时代，常务副院长王坚 2008 年去了阿里，第二年创办阿里云；上一轮计算机视觉 AI 创业潮里，在微软工作 13 年、用 ResNet 拿下 ImageNet 多个项目第一的孙剑离开这里，加入曾经的学生印奇创办的旷视成为了首席科学家；到了这一轮大模型创业潮，2007 年加入微软亚洲研究院的姜大昕在 2023 年创办阶跃星辰并引入曾经的亚研院实习生印奇做董事长、在此长期负责 NLP 研究的周明创办澜舟科技……

但在当时，一切刚刚开始。团队最早的项目之一叫 Game Download & Play。

2001 年，中国互联网大约有 3370 万用户，其中 2133 万仍然通过拨号上网，高速网络通信仍是一个可望而不可及的昂贵存在。于是，在这个项目中，他们压缩游戏中的几何、纹理等图形数据，让玩家不必等所有资源全部下载完，先拿到一部分就可以启动游戏。

童欣后来所说的 Everywhere，从这里开始迈出了第一小步。

在这之后，他们团队又逐渐将 3D 视觉内容的研究重心从传输扩展到了生产端的 HDR 纹理压缩、GPU 虚拟化、3D 打印支撑、几何细节绘制，问题也逐渐从怎样传输 3D，转向怎样少花一些专业劳动把 3D 做出来。

2011 年前后，Kinect 把深度摄像头推进消费市场。童欣参与的 AppGen 也发表于这一时期。用户给系统一张照片，再画少量提示，算法便可以估计物体的漫反射、镜面反射、粗糙度和表面法线，把原本大量依靠人工调整的材质建模压缩成更少的操作。

当然，这些技术距离今天的生成式 AI 还相去甚远。因为它需要物体必须先存在，照片必须先拍下来，算法负责的是 capture、recover、reconstruct。但人与机器之间的分工已经开始变化：过去需要专业人士反复操作工具完成的步骤，被算法一项项接走，并在 Xbox、Windows 和 Direct3D 的产品与开发工具中落地。

此后，考虑到 3D 要真正走向 Everywhere，不能永远依赖昂贵的密集计算。三维空间的大部分区域其实都是空的，如果像处理普通像素一样，把整个空间切成密集体素，分辨率一提高，计算和内存都会迅速膨胀。

于是，2017 年，童欣团队又发表了 O-CNN，用八叉树只在存在几何结构的区域进行卷积，避免把大量计算浪费在空白空间，让高分辨率三维学习变得更实际。

大模型技术逐渐成熟之后，他的研究开始从 reconstruct 走向 generate。2022 年 CVPR Oral 论文 GRAM 开始研究 3D-aware image generation，目标是从无结构 2D 图像集合训练出具有显式相机控制和较强 3D consistency 的图像生成模型。

2023 年的 LAS-Diffusion，他又开始思考如果普通用户不会专业 3D 建模，能不能让他只画一个二维草图，就控制 diffusion model 生成三维形状？

而伴随着 everywhere、everyone 问题的初步解决，对他来说，人生的下一扇大门，也从此刻逐渐打开。

十年后，条件变了

2016 年，童欣认为 3D 没有「飞」起来，是因为 Everyone 和 Everywhere 都不存在。

于是，在微软亚研院的 25 年间，他发表论文超过 190 篇（其中 60 余篇发表于 SIGGRAPH、ACM TOG 等图形学顶级会议和期刊；学术数据库统计的总引用超过 2.1 万次），也一路从研究员做到了微软全球研究合伙人、网络图形组负责人。

但现在，时机已经足够成熟。

第一个变化是，创作入口变了。

过去做一个 3D 模型，用户首先要学会怎么建模；到了生成式 AI 时代，输入可以变成一张图片、一张草图，最后甚至只是一句话。人不再需要先掌握一套专业工具，才能把自己的意图交给计算机。

但能生成还不够。因为 2023 年，text-to-3D 已经可以生成相当漂亮的结果，问题是一次生成可能需要几十分钟甚至更久。

Meshy 最早抓住的就是这个问题。2023 年发布 Meshy-1 时，它把 Text-to-3D、Image-to-3D、Text-to-Texture 的生成时间压到大约一分钟，并从一开始就将 GLB、FBX、USDZ 等格式以及 Blender、Unity、Unreal Engine 等后续工作流纳入考量。

时间的压缩带来的是创作方式的改变：创作只有快到可以反复失败，才可能真正变得大众化。3D 第一次有了可能形成和图片生成类似的反馈循环。

第二个变化是，生成结果开始能与下游专业 Pipeline 结合了。

过去，AI 已经能产出接近可用状态的 3D 展示图，但这其实只解决了一半问题。对生成场景来说，只有 GLB、FBX、USDZ 以及合适的 polygon count，才是能进入 Blender、Unity、Unreal Engine 的资产。模型也必须开始承担过去由一整套专业工作流承担的任务。

十年前，童欣面对的是一个 3D 技术很多，但普通人依然很难参与生产的世界；十年后，Meshy 为代表，行业已经把文本、图片、模型生成、格式转换和下游工具链压进了同一个产品入口。

再往后，第三个变化出现了：技术真的有人开始用了。

根据三七互娱披露，把 Meshy 放进真实游戏生产以后，在相对简单的休闲和移动游戏资产中，原本大约 5 天的完整建模流程可以缩短到约 2.5 天；复杂的次世代和国风项目里，高模阶段的雕刻工作量可以减少约 30%—40%。

值得一提的是，除了专业用户，大量并非传统 3D 艺术家的用户，开始反复尝试借助 Meshy 生产三维资产。到 2026 年，Meshy 平台已经拥有超过 1200 万注册用户，累计生成超过 1 亿个 3D 模型。

最重要的是，技术与生产方式的进步，带来了商业模式的重塑。

做 3D 内容生成，如果生成结束后得到的仍然只是一个 .glb 文件，下载下来，放进传统软件，再由专业开发者制作成一个游戏或者动画，那么 3D 内容的生产模式变了，消费模式还没有真正变。

这也是 Meshy 现阶段最想要解决的问题。

GDC 2026，Meshy 推出 Meshy Labs，并展示首款 AI-native 游戏 demo《黑箱：无限构筑》。其中 AI 不只是在开发阶段帮助美术人员生产资产，还能直接进入 gameplay，在玩家体验过程中产生内容。

在创始人胡渊鸣看来，一款优秀的游戏，内在驱动力永远在于机制、玩法与世界观的设定，还有与用户的交互体验方式。这也是从 AI for 3D 走向 AI for Fun 的关键一步。过去 AI for 3D 只能加速游戏如何被做出来的流程，而 AI for Fun 可以从机制上改变一款游戏怎么被玩、怎么被体验。

但要实现 AI for fun，面临的难度，又更上了一层：如果未来 AI 交给人的不是一段视频、一个孤立的 3D asset，而是一个可以进入、持续变化、能够和人发生互动的世界，那么几何、材质、光照、运动、物理关系、时间连续性、实时渲染、交互，都要被放进同一个系统，生成模型必须理解的东西会迅速扩大。

而这也是未来 Meshy 与童欣在各自的课题上需要解决的 next one，于是，双方一拍即合。

why Meshy?

相当长一段时间里，Meshy 的技术路径很大程度上来自胡渊鸣的认知。

胡渊鸣本科靠着竞赛成绩进入了清华姚班，后来硕博阶段就读于 MIT。他做过计算机图形学、高性能计算、可微编程，也做过 AI；更早的时候，他还曾在微软亚洲研究院跟随 Stephen Lin 做深度学习和计算机视觉研究。

同时，他也是一名资深的游戏玩家。

但真正让他在开发者圈里建立知名度的是 Taichi。这是他在 MIT 时期发起的一套高性能并行计算语言和系统。图形学、物理仿真里有大量计算原本需要开发者亲自处理 GPU、并行化和底层性能优化，Taichi 把这些工作藏到了系统后面，让研究者可以用更接近 Python 的方式写程序，再由编译器把代码转换成高性能的 CPU 或 GPU 计算。

这虽然和今天的生成式 3D 技术上并不完全一致，但背后有一种很相似的产品观：图形计算底层非常复杂，可用户并不需要亲自承担这种复杂性。高性能计算、并行优化、硬件细节可以被系统藏在后面，让开发者用更简单的方法完成过去很难完成的事情。

这条思路后来被带进了 Meshy。

2023 年，Meshy 已经是最早一批把生成式 3D 从论文和代码变成公开 Web 产品的团队。10 月发布的 Meshy-1 可以直接在网页和 Discord 上使用，Text-to-3D、Image-to-3D 和 Text-to-Texture 都把生成时间压到了 60 秒以内。胡渊鸣当时甚至明确写道，如果一次生成仍然需要几个小时，就很难做成一个能够服务大量用户的产品。

在此之后，这家公司依然没有把模型已经生成当作工作的终点。并在 2026 年，这一点体现得越来越明显。

6 月，Meshy 推出 3D Agent。用户不再需要先理解一整排 3D 参数和按钮，可以从一句话、一张照片或者一张草图开始，在对话中完成概念探索、修改，再生成最后的 3D。它甚至会处理过去需要用户自己理解的 workflow：生成结果可以直接导向 STL、3MF 做打印，也可以输出 GLB、FBX 进入 Unity、Unreal 和 Blender。Meshy 把它描述成从 idea 一直走到 downloadable model 的完整对话流程。

7 月上线的 Smart Topology 则直接面向游戏开发、Web 3D 和实时渲染。传统生成模型可以给出视觉上不错的 mesh，但内部 topology 可能混乱，零件粘连，面数也难控制；这些问题一旦进入游戏和交互场景，就会直接变成绑定、动画和渲染成本。Smart Topology 因此不再采用「先生成一个巨大高模、然后再减面」的思路，选择直接在 10 秒内直接生成带原生分件的 mesh，并允许目标 polygon count 在 100 到 15000 之间控制。

同一个月推出的 Auto Split 则瞄准了 3D 打印。一个屏幕上看起来很好的模型，可能比打印机的成型空间更大，也可能根本无法拆件和重新装配。Auto Split 会在约 40 秒内把模型切成封闭、可打印的零件，自动安排到打印平台，再交给 slicer。与此同时，Text to Motion 把已经 rig 好的角色继续推进到动画阶段。

游戏需要 topology 和 animation，3D 打印需要 watertight geometry 和拆件，开发者又需要 API 和标准格式。一连串的动作背后，Meshy 正在从"生成一个 3D"，扩张到"3D 生成之后的整条管线"。

也正是在这个阶段，看到了更明确未来发展潜力的资本，给了 Meshy 更多的粮草：到 2026 年 7 月，Meshy 已完成近 4 亿美元 B 轮融资，投后估值达到 15 亿美元。这是截至当时专注 AI 3D 企业中规模最大的一轮融资，也是 Meshy 首次公开估值。

从吃螃蟹，到数据即智能

至此，童欣选择 Meshy 的理由其实已经不难理解。

从产业背景来看，他已经清晰地看到「计算机图形学正在进入一个新的篇章」。

而从企业选择视角出发，在这个数据与反馈即智能的时代中，作为全球 AI 3D 赛道的最早一批玩家，Meshy 的千万级用户和上亿次生成已经为它带来了相比同行截然不同的智能密度与价值密度。

有消息爆料，截至今年 7 月 MeshyARR 增长已达 12 倍。此外，据公司披露，Meshy 的客户和合作机构包括拓竹科技、创想三维、爱乐酷、闪铸科技、xTool、雨果博斯等；全球市值或估值最高的十家科技公司中，有五家的团队使用 Meshy。

当用户从游戏开发者扩展到 3D 打印、制造和设计，一套新的评价标准也随之出现。

过去，人们很容易凭一张漂亮的渲染图判断 image-to-3D 的质量。可是一个模型即使视觉上完全合理，也可能不是用户输入的那个对象：有时候是身体宽了一点，偶尔是手的位置偏了一点，一个浮雕细节直接消失。但从生产的角度看，这些本质上都是结构错误。

这也是为什么 2026 年 8 月 10 日上线 Meshy 7 时，Meshy 把 geometry alignment 推到了核心位置。它除了关心能不能生成一个看起来不错的 3D，生成出来的这个 3D，到底是不是用户要求的那个东西成为了新的阶段重点。

Meshy 甚至还为此建立了一套自动化 3D geometry alignment benchmark。它先使用没有进入训练集的参考 3D 模型，从已知相机角度渲染输入图片，再让各个生成模型重新生成 3D，最后直接把生成 geometry 和原始 reference geometry 比较。整个过程不依赖人工偏好，也不依赖视觉语言模型判断哪个更好看。

在 Meshy 公布的单张 top-quarter view 测试中，Meshy 7 的整体比例、空间分布和表面细节分别达到 81.0%、79.7% 和 59.8%，在纳入测试的模型中均排名第一。

最新出现的 Mora，则把问题从怎样生成一个更可用的 3D，继续推到怎样生成一个真正可以运行的世界。

Mora 的全称是 Multimodal Open-world Real-time Architecture，即「多模态开放世界实时架构」。它没有沿着当下世界模型最常见的路线，让一个视频模型同时承担空间记忆、物理、游戏逻辑和画面生成，选择以一种更可控的方式把一个互动世界重新拆开成几个部分，其中：Coding Agent 负责生成世界的骨架、规则和运行代码；Meshy 的 3D generation 负责把这个骨架变成稳定的三维世界，并向后续模型提供 3D 控制信号；实时视频模型则站在最后一层，把正在运行的三维世界直接转化成玩家看到的 pixel 和听到的声音。

这和纯粹依靠视频模型生成互动世界，是一条不同的技术路线。

例如一个《传送门》式的空间谜题，Mora 不需要让视频模型自己记住两个传送门之间复杂的空间关系，也不需要让它凭概率猜测箱子碰撞以后应该发生什么。空间、物理和谜题规则首先真实运行在代码和 3D 世界里，视频模型负责把结果表现出来。

目前已公布的 Demo 中，它展示的也不再只是赛车、行走这类传统互动视频 Demo，已经实现了包括空间解谜、多人平台跳跃、建造种植、物理互动以及不同视觉风格的 200ms 以内实时切换（计算网络传输后约 300ms）

从这个角度看，Meshy 从生成漂亮结果到生成可用资产的背后是一个不断加速的正向循环：产品把 AI 3D 交给更多人；更多人把它带进不同场景；新的场景暴露新的失败；失败又变成下一轮模型和产品要解决的问题。

借助这样一套正向循环机制，被 Everyone 和 Everywhere 两朵阴云横亘多年的 3D 视觉，也终于迎来了自己的互联网时刻。

而对于一个 25 年潜心做基础图形学研究的人来说，此刻加入背后，拥抱的正是一个最好的时代。

*头图来源：Meshy