让AI把看不见的城市变成3D

这周读到个很有意思的实验：有人把卡尔维诺《看不见的城市》里那55座城市的文字描述，分别喂给两个大模型做3D可视化。结果差距大到有点意外——一个模型生成的城市几乎千篇一律，另一个却能把原文里那种「万家灯火像吸满牛奶的海绵」的朦胧感还原出来。

我特意去看了艾琳和伊希多拉这两个例子。前者考验的是氛围和光线，后者考验的是叙事细节：螺旋楼梯、望远镜、小提琴、广场边静坐的老人。前者那个版本基本只做出了「一堆建筑」的通用感，后者那个版本连坐在墙脚的人群都补上了。这说明3D生成这件事，难点早就不在几何体本身，而在「读懂文字里的情绪」。对我们做出海产品的人来说，这个信号挺值得琢磨。现在浏览器端的3D场景基本靠three.js，交互没问题，但资源体积大、首屏加载慢，一直是落地页和展示型产品的老毛病。如果模型能直接产出结构合理、贴图精简的场景代码，那中小团队做产品演示、虚拟展厅、甚至游戏原型的门槛会低一大截。不过我也泼点冷水：这类项目目前更像「技术演示」，离生产可用还有距离。生成结果的稳定性、可编辑性、以及不同描述之间的风格一致性，都还没到能直接交付的程度。真要用，大概率还是得人工二次调整，把它当成一个高质量的起点，而不是终点。我的判断是，未来一两年「文字到3D场景」会先从营销素材和概念验证切入，而不是直接替代建模师。对跨境团队来说，值得先关注的是它能不能压缩素材制作周期，而不是指望它一步到位。