让AI把看不见的城市建成3D

最近看到一个很有意思的实验：有人把卡尔维诺《看不见的城市》里那55座纯文字描述的城市，丢给两个大模型生成3D可视化版本，结果差距大得有点出乎意料。同样的提示词，一个模型生成出来的城市几乎千篇一律，另一个却能把原文里「像吸满牛奶的海绵一样涨起来」的粉红光线还原出来。

我特意去看了对比图。前者的「艾琳」就是一堆灰扑扑的方块堆叠，完全看不出万家灯火的意境，55座城市长得都差不多；后者的版本从高地俯瞰下去，浅红的光线、疏落的窗火、朦胧的雾气层次都在，甚至还原了广场墙脚静坐的老人。这种差别不只是审美问题，更像是模型对文学意象的理解深度不同。这让我想到一个实际问题：现在做跨境内容、独立站或者游戏场景的团队，越来越多在用大模型直接生成3D场景。three.js 这类方案确实方便，浏览器里就能缩放旋转，但体积大、加载慢的老毛病一直没解决。如果模型生成的场景细节越丰富，这个问题只会更突出，光有好看的模型不够，工程侧还得做减面和按需加载。我的判断是，3D生成能力正在成为模型选型的一个新维度。以前大家比的是文本、代码、多模态理解，现在要开始比「能不能把一段抽象描述变成可信的空间」。对做内容出海的人来说，这意味着以后给海外用户做沉浸式展示的成本会明显下降，但前提是选对模型，并且提前想清楚性能预算。当然，也别被demo迷惑。文学描述转3D本来就是开放题，好看不等于可用，真正落地到产品里还要考虑交互、加载和移动端兼容。我会继续关注这类项目，但短期内更愿意把它当成创意验证工具，而不是直接上生产。