AI 把看不见的城市做成 3D

卡尔维诺的《看不见的城市》里，马可波罗用文字向忽必烈描述五十五座城市，没有一张图。最近有人做了个很有意思的实验：把这些文字描述喂给大模型，让 AI 直接生成可交互的 3D 场景。这个思路本身不新鲜，但选这本书当测试集，我觉得挺妙——它考的不是建模精度，而是模型能不能读懂文学里的氛围和意境。

结果对比很鲜明。同一个「艾琳」，一个模型生成出来就是普通的城市夜景，灯火是有了，但完全没有原文那种「朦胧的光线像吸满牛奶的海绵一样涨起来」的质感；另一个模型则把粉红色的光晕、高低错落的窗户、远处的塔楼信号火都还原出来了，站在高处往下看，确实有那种雾气漫上来的感觉。更关键的是，前者生成的五十五座城市几乎长得一模一样，后者每座城都有自己的性格。我最喜欢的是「伊希多拉」那一段。原文写的是螺旋形贝壳楼梯、完美的望远镜和小提琴，还有广场墙脚静坐看年轻人走过的老头们——欲望已成记忆。好的那个版本连广场边坐着的人群都做出来了，画面漂亮是一方面，更重要的是它抓住了「梦想的城」和「抵达时已是老头」之间的落差。这种文本理解力放到 3D 生成里，比单纯堆多边形数量有价值得多。技术上这类项目大多用 three.js 在浏览器里跑，能缩放旋转移动，体验很顺，但代价是页面体积大、加载慢。我觉得这会是接下来一段时间 3D 内容的老问题：生成质量上来了，分发效率还没跟上。对做跨境工具或独立站的人来说，这意味着「AI 生成 3D 场景」短期内更适合做展示型 demo，真要上生产环境，还得在模型压缩和按需加载上花功夫。总的来说，这个实验让我对大模型的空间想象力有了新判断。以前觉得 AI 建模就是拼几何，现在看，谁能读懂文字里的情绪，谁生成的场景才有辨识度。做内容出海的朋友可以留意一下这个方向，用 AI 把文字 IP 转成可交互场景，可能是个低成本做品牌差异化的切口。