AI 生成的模型怎么放进 3D 虚拟世界

一座寺庙，从一张图开始

这座寺庙不是建模出来的。它由 AI 生成，从一张图开始，最后变成一个可以在浏览器里走进去的场景。

中间没有打开 3D 建模软件，也没有把模型外包出去。

这件事的意义不在于"能生成一个模型"——生成模型现在很多人都在做。真正的问题是：生成出来的东西，能不能在一个实时运行的 3D 世界里用起来。模型好看，塞进场景卡到没法用，等于没用。

下面把完整流程拆成九步。每一步说清它解决什么，也说明哪些环节目前还是人工的。

为什么"能生成模型"不等于"世界能跑起来"

3D 场景在浏览器里卡顿，多数时候原因不在渲染管线，而在两件事：要让浏览器下载多少字节，以及每帧要提交多少次 draw call。

这两件事和"模型生成得好不好看"没有关系。一个面数漂亮、材质精致的模型，贴图可能有几十 MB，在移动网络上光是下载就要十几秒。这十几秒里用户看到的是空白页，渲染再快也没有意义。

所以整条流程里，真正花时间的是模型生成之后的资产处理，不是生成本身。

完整流程：九步

第一步：生成——从提示词到图片

输入是文字，输出先是图片。

这一步的门槛不高。真正决定后面能不能用的是判断标准：这张图能不能落成一个结构完整的 3D 模型。图上看着对的屋顶，做成模型可能缺一半内壁，从别的角度看就塌了。

所以看生成结果时，要看的不是"像不像"，而是从多个角度是否都成立。

第二步：图片之后是模型

图片确认之后转到 3D 模型。

这里出现第一个必须处理的问题：从图片生成的模型，多边形数量通常过量。一个能在实时场景里用的模型，和一个用来展示的模型，中间差的是面数、贴图尺寸，以及有没有不必要的内部空腔。

处理方式很朴素：压缩贴图。单个模型的贴图重新压缩后，体积可以减少 68% 到 92%，整个场景的资产集可以从 3.1GB 降到 390MB。

这一步技术含量不高，但它是后面所有优化的前提。资产总量决定下载时间，下载时间决定用户会不会等到场景出现。

第三步：导入——把模型拖进世界

打开项目，把模型拖进去。

看起来是一个拖拽动作，实际发生的是：模型文件被登记进世界的资产表，与场景数据建立引用关系。之后编辑端和访问端读取的是同一份世界数据，而不是各自的副本。

需要区分两个概念：模型进入资产库，和模型被放进场景。前者只是文件到位，后者才涉及位置、朝向、碰撞和性能预算。导入成功不代表能用。

第四步：部署——跑在自己的服务器上

模型导入之后需要部署。

创世 Genesis 这一类系统采用自部署方式：装在自己的服务器上，不依赖外部平台的账号和额度。

这里有一个架构选择值得说明：服务端不做任何渲染。它只负责发送数据和静态资源，所有画面计算都在浏览器里完成。因此服务器不需要 GPU，一台普通 VPS 就能承载，真正占用资源的是资产存储和带宽，不是算力。

这个选择直接决定了成本结构和数据归属：世界数据在自己的数据库里，资产在自己的磁盘上。

第五步：编辑端——位置、大小、朝向

部署完成后打开编辑端，刚导入的寺庙已经出现在地图上。

位置、大小、朝向都在同一个界面里调整。地形、建筑、人物、模型也在同一套界面里摆放，不需要在多个工具之间导出导入。

这一步的关键不在操作，而在保存：改动必须写回世界数据，访问端读到的就是新位置。如果改动只存在于编辑器的会话里，下次启动被重置，那这个编辑器就只是预览器。

第六步：保存，换到访问端

摆好位置，保存，退出编辑端。

然后换一个界面进入：访问端，以普通用户的身份走进去。

编辑端和访问端是两套界面、一份数据。管理员身份能修改世界，普通身份进来只能看和走。这个分离如果做得不彻底，很容易退化成两套互不同步的数据。

第七步：世界里——寺庙就在这儿

进入世界之后，刚才那座寺庙就立在场景里，周围还有别的景观。

这一步是整条流程的验收点：在编辑器里摆放的东西，真实存在于那个空间中，不是一个渲染出来的预览图。位置、比例、和周围地形的关系，都要在走进去之后依然成立。

第八步：多场景——同一个世界，不止一个地方

同一个世界里可以有多个场景。除了寺庙所在的区域，还可以有一个展厅，走进去就能看。

技术上的区别在于：多场景不等于多份世界。如果场景切换靠加载一个新世界，体验会中断，内存也会翻倍；如果共享同一份世界数据，按范围加载，加载时间和内存才是可控的。

第九步：管理端——改一次，下次还是这样

用管理员身份进入世界，点任何一个模型，可以放大、缩小，然后保存。

退出，重新进入，模型还是修改后的大小。

这一步看着小，但它是整条流程的落点：修改可以持久化，世界是活的。无法做到这一点的演示，本质上只是模型查看器。

现在能做什么

• 场景里的模型可以替换为自己的资产，例如企业展厅的展台、产品模型、样板间
• 世界里可以聊天
• 可以接入一个 AI 智能体，作为在世界中移动的讲解员
• 编辑端与管理端分离，权限不同看到的能力不同
• 多场景共存于同一个世界

还没做什么

有一件事需要明确说明：让 AI 自己搭建一整个世界，目前尚未实现，也尚未开始。

生成单个模型，现在已经可行。但把几百个模型摆成一个在空间上说得通、走进去不别扭的世界，是另一个问题。它涉及布局逻辑、动线设计、尺度一致性，以及"什么物体该出现在什么位置"的判断。这部分仍然需要人来做。

所以在这类演示里，模型是 AI 生成的，世界是人摆放的。这个边界值得在使用前弄清楚。

适合谁用

常见问题

需要 3D 建模基础吗？

模型可以来自 AI 生成，也可以来自外部采购或已有资产。流程本身不需要建模能力，但需要判断模型是否适合实时场景：面数、贴图尺寸、是否有多余内部结构。

需要什么配置的服务器？

服务端不渲染画面，不做图形计算，因此不需要 GPU。一台普通 VPS 可承载，主要成本在资产存储和带宽。

支持什么模型格式？

以 GLB 为主，这是目前浏览器端实时 3D 的通用格式。

能商用吗？

创世 Genesis 采用订阅许可，源码开放但并非开源软件。本地非商用使用免费，联网和商用需要授权。具体条款以仓库中的许可文件为准。

AI 能自己搭出一整个世界吗？

目前无法做到。AI 目前能生成单个模型，把大量模型组织成一个空间上合理的世界，仍然需要人工完成。这一部分尚未开始。

• GitHub：https://github.com/miduo100/3d-virtual-world