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座只有文字描述的城市，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「万家灯火像吸满牛奶的海绵一样涨起来」这种意境还原出来。

我自己也试过让模型做场景建模，体感是这类任务特别考验模型对文本意象的理解力。原文里那些模糊的、带情绪的描述，比如「浅红的城市在澄澈空气里远远展开」，其实比精确的尺寸参数更难处理。能抓住这种氛围的模型，说明它不只是会堆几何体，而是真的读懂了文字背后的画面。从工程角度看，现在用three.js在浏览器里跑3D场景已经很成熟，缩放旋转都顺滑，但体积和加载时间依然是硬伤。如果每个城市都做成高精度交互场景，页面打开可能要等很久。所以这类项目真正难的不是生成，而是怎么在效果和性能之间找平衡。我的判断是，AI建模短期内还替代不了专业美术，但在概念探索和快速原型上已经很有价值。像这种文学可视化，以前需要建模师花几周理解文本再动手，现在几分钟就能出草稿，人只需要做筛选和打磨。对做内容或者做文旅展示的团队来说，这是个值得关注的工具方向。当然，模型之间的差距也提醒我们，选型不能只看跑分。同一个提示词，出来的东西可能天差地别，实际拿自己的场景去测，比看榜单靠谱得多。