鸿蒙看中了极顶数创什么？—— 一家 3D 大模型公司的产品逻辑

编注：我们每天会接触大量的软件、硬件，但是多数时间下，都只是以固有的「使用者」视觉去体验和评判，快节奏的模式让我们没时间体会太多背后的理念。「幕后」栏目因此而生，我们会不定期邀请一些制作者，讲述他们在产品开发、制作过程中的点滴。

过去，做一个 3D 模型是件门槛极高的事 —— 建模、拓扑、UV、贴图、材质，一整套专业软件里的复杂操作，把绝大多数普通人挡在门外。而随着 AI 时代的到来，3D 创作第一次有机会像拍照一样简单。

前不久，我们造访了华为的开发者大会 HDC 2026。会上，V2Fun 作为鸿蒙系统首个 3D 大模型 AI 原生应用亮相，上架华为应用市场后很快登上编辑精选，闯进下载榜 Top30 和当月最佳应用，成为鸿蒙生态里空间智能方向最受关注的原生应用之一。这款产品背后的极顶数创（Vertex Lab），是一支在论文和竞赛方面收获颇丰，却又执意要把「最难的 3D」做成大众产品的团队。

带着关于「为什么是 3D」「为什么是鸿蒙」以及「一支研究型团队如何做产品」的诸多疑问，少数派专访了极顶数创创始人、CEO 嵇盼博士。

（极顶数创创始人、CEO 嵇盼博士在发布会上）

▍请介绍一下自己和你的产品。

少数派的读者们大家好，我是嵇盼，极顶数创（Vertex Lab）的创始人和 CEO。我毕业于浙江大学，之后到海外攻读博士，师从 3D 视觉领域的知名科学家 Hongdong Li 教授，博士后师从澳大利亚工程院和科学院双院院士 Ian Reid，一直主攻三维视觉、空间计算、感知交互和 3D 内容生成等方向。在硅谷的核心 AI 圈待了差不多五年后，我回国加入大厂工作，曾经担任腾讯 XR 感知交互中心的负责人。2025 年，我创立了极顶数创，目前的主要产品就是 V2Fun。

V2Fun 的功能用一句话说，就是把过去只有专业人士才能完成的 3D 建模，变成普通人也能上手的事。拍一张照片或者输入一段文字，它就能生成一个高还原度的 3D 模型。我们支持了多端，移动端是鸿蒙原生 app，面向大众和轻量创作者；网页端是个工业级的 3D 内容生产全管线，面向专业创作者、设计师、3D 内容团队和游戏、泛娱乐的生产方。两端账户互通，你可以在手机上随手起草，再到网页端精修、落地。

▍如今流行的 AI 方向主要是文本、图片和视频生成，为什么选择更小众可能也更难的 3D 生成方向？

我的判断是，3D 大模型是 AI 从「二维内容生成」走向「三维世界生成」的关键基础设施。真正的空间智能、未来的世界模型，底层入口一定是三维的。3D 生成确实更难，它要同时解决结构、纹理、视角和资产可用性的问题；但也正因为难，才会离未来更近。

这个种子其实在十几年前就种下了。2009 年，我还是大三学生，在浙大紫金港校区附近的一家影院里看了《阿凡达》。还记得银幕上呈现出一个纵深、有光影的立体世界，潘多拉星球的丛林与生物以一种前所未见的方式「活」了过来。我被这种「另一个世界真实存在」的错觉击中了。

散场后，我除了感叹特效震撼，也开始琢磨一个更实际的问题：这些三维的角色和场景，究竟是怎么生成出来的？带着这个问题，我一头扎进了校内的 3D 数字电视实验室，从此和「三维」这两个字较上了劲。

十几年后，我在硅谷做完自动驾驶的 3D 视觉，又转战 AR、VR 赛道，最后回国加入腾讯游戏的 XR 感知交互中心。但那个当年在电影院里冒出来的念头始终没有消失：如果三维世界的构建门槛能够被彻底打破，普通人也能像写一句话那样「造」出一个三维角色，那会怎样？

2025 年，这个念头终于落地成了一次创业。我后来常说，3D 模型是真实世界的一种物理表达。这句话听起来像是产品理念，但对我而言，其实是从 16 年前那个电影院的座位上，一路走到今天的答案。

▍先来说说 V2Fun 的移动端吧。一个完全没有建模基础的普通人，打开它能做什么？

我们对移动端的核心定位是「让 3D 创作像拍照一样简单」。你只要负责上传图片，剩下的 AI 识别主体、生成 3D 模型，都会自动完成，然后就可以 360° 预览，满意后直接保存、导出、分享。传统 3D 建模要经历建模、贴图、材质、拓扑、UV、格式转换一大串步骤，而我们把它变成了普通人也能完成的一次移动端创作。

此外，我们还支持一键把现实照片转成更适合建模的风格参考图，包括写实参考图优化、潮玩盲盒、积木艺术、立体折纸几种风格。这既降低了门槛，也让它在潮玩、手办、个性化礼物、社交分享这些场景里更好玩。生成之后，更可以导出 GLB、3MF 这些行业标准格式，对接 3D 打印机，把数字创意直接变成实体的手办或摆件。

（使用 V2Fun 制作的 3D 打印手办）

▍为什么选择在鸿蒙平台首发 V2Fun app？主要是出于技术上还是生态上的考虑？

两方面考虑都有。

先说技术。我们能成为鸿蒙系统首个 3D 大模型 AI 原生应用亮相 HDC 2026，前提是 V2Fun 的能力和 HarmonyOS 的空间智能方向本来就高度契合。我们没有简单移植一个网页版，而是发现 V2Fun 的技术能力和 HarmonyOS 的空间智能方向非常契合，然后抓住这些结合点深耕。例如，依托系统级框架 ArkGraphics 3D 这些，模型生成后可以在手机上自然地预览、旋转、查看和交互；生成的 GLB、3MF 资产可以保存到系统图库，让用户像管理照片一样管理 3D 文件。

再说生态。这其实是华为和我们的一次双向选择：华为需要一个能展示空间智能系统能力的标杆应用，而我们需要一个能承接 3D 资产、放大 3D AI 体验的系统级生态。加上鸿蒙正处在高速成长期，我们也顺利获得了编辑精选、下载榜 Top30 和当月最佳应用等成绩。这是自己单打独斗很难换来的。

（V2Fun 在 HDC 2026 获现场展示）

（V2Fun 在鸿蒙应用商店所获曝光）

▍根据你们目前掌握的情况，移动端的大众用户最常生成的是哪些类型的 3D 模型？和你们最初的设想一致吗？

说实话，和我们最初的设想有重合，但也有不少意外。

从后台数据来看，目前用户生成最多的还是人和宠物两大类：自拍、证件照、和朋友的合影，占了相当大一部分；紧随其后的是宠物，猫猫狗狗几乎是每天生成量最高的品类之一。这两类符合我们最初的判断，人们最想留住的，永远是和自己有情感联系的东西。

让我们意外的是一位手办收藏爱好者的用法。他把自己收藏了几十个的绝版手办逐一拍照建模，做成了一个可以在手机里 360 度翻看、甚至能「排列组合」的虚拟展柜。他跟我们反馈说，很多手办年代久远、易碎，平时都锁在柜子里舍不得拿出来把玩，但现在可以在手机上随时「盘」一遍。这种把收藏和展示重新连接起来的用法，让我们意识到 3D 模型的价值，不只是「造出来」，更是「留下来」和「看下去」。

（V2Fun 用户用手机还原出的手办模型）

▍与移动端相比，V2Fun 网页版服务群体有何不同？为什么选择同时服务两个需求差异极大的群体？

网页版的 V2Fun 工作台（v2fun.art）面向专业创作者、设计师、3D 内容团队和游戏、泛娱乐的生产方，提供更完整的能力：AI 图像负责更稳定可控的视觉输入，AI 建模能从文字或图片生成高精度模型、原生附带 8K PBR 材质贴图，AI 动画则支持一键骨骼绑定、海量动作库和 AI 视频动作捕捉，让静态模型动起来。

例如，我们有一位叫做喵不灵的专业用户，他是⼀名拥有 8 年经验的资深游戏原画师，曾参与过《⽆限暖暖》等⼤型项⽬，但⼀直想独⽴完成⼀个属于⾃⼰的童话⼩镇《唯诗利亚》（Wishlia）。过去，他曾先后尝试过 7 次，但每⼀次都在进⼊建筑细节、空间搭建和模型资产制作阶段时，因为⼯作量过⼤⽽被迫放弃。

接⼊ V2Fun 后，他从原画、参考图和空间草图出发，就快速⽣成了建筑、街⻆、道具等 3D 资产，再进⼊ 3D 空间中进⾏组合、验证和⼆次调整。通过这种⽅式，他已经制作了超过 100 个资产，梦想非常接近成型。

（喵不灵使用 V2Fun 创作的过程和成果）

移动端和网页端在我们的规划中有明确分工的：移动端负责验证大众需求和爆款玩法，网页版负责沉淀专业创作能力和高质量生产管线。换句话说，移动端帮人们发现需求，网页版负责把价值真正兑现。再加上两端账户和资产是互通的，一个用户完全可以在手机上随手起草，再到网页版精修落地。我们相信这样既能让专业的人更快，又能让没有基础的人参与创造。

▍V2Fun 一直强调「行业领先的精度和还原度」，你觉得你们的优势主要体现在什么方面？

首先说技术上的优势，我觉得主要有两个层面，一是底层的 3D 基础大模型，二是几何与纹理的联合优化。

我们基础模型有过几次重要迭代。最早是「二维升三维」，相当于给模型看几张照片、让它去猜物体的立体结构。这种方式速度快、好上手，但应对复杂造型的能力不足，不同角度还常常对不上。后来我们换成 VAE+Diffusion，其中的 VAE（变分自编码器）先把庞杂的三维数据压成一份紧凑的「压缩包」，Diffusion（扩散模型，和大家熟悉的 AI 画图是同一类技术）再在这份压缩包上生成 3D。这样一来，细节和复杂纹理的效果就提高很多。

现在，我们进一步发展到 VAE+DiT，DiT 是指 Diffusion Transformer（扩散 Transformer），通俗说就是把模型的骨架换成和大语言模型同源的 Transformer。这样不仅能应对数据更多、结构更复杂的情况，还能把形状、质感、每个角度乃至语义放进同一个模型里一起处理，结果更稳定、更可控。

（使用 V2Fun 制作的高清模型）

几何与纹理的优化也很重要。一个 3D 图形的质量，很大程度上取决于它的形状是怎么保存的。传统的方法存在精度均一的问题，数据量太大，给模型学习造成很大负担。而我们只保留刚好够重建形状的关键信息，只在形状复杂的位置用更密集的数据记录，实现了精度和效率的良好平衡。

（几何算法原理图）

而在纹理贴图方面，主流做法是先用 AI 生成几张不同角度的图、再「贴」回模型上，但这样无法补全没拍到的细节，不同角度之间还容易「打架」。我们则区分「全局」和「局部」，全局上定好整体结构，局部用高清小图块补充表面细节，所有视⻆和图块通过同⼀套三维表⾯表达交换外观信息。这套方案很轻，还和角度数量、分辨率彻底解耦，推理时能一路放大到 8K 甚至 12K 的纹理效果。

（极顶数创的世界模型效果）

▍3D 生成的赛道里也有大厂和其他野心勃勃的创业公司，你们认为 V2Fun 的差异化在哪？

除了上面说的技术优势，也就是自研底层大模型加系统级工程适配能力，我们的差异化还在于长远目标。

具体来说，我们赌的是从「3D 原生资产」进化到「3D 世界模型」这条路：先让用户生成一个带有精准几何、材质和骨骼的高精度实体，解决资产结构的确定性；下一步让模型拥有动作和骨骼；未来再通过动作控制与动态记忆机制，让主体和环境发生真正的物理交互与因果推演，最终收敛成一个全功能的世界模型。

所以在我们看来，3D 资产生成只是入口，不是终点。

▍「3D 原生资产」进化到「3D 世界模型」听起来很有吸引力，但具体要如何实现呢？

我们把世界模型的核心能力拆成三类：负责画面质感的渲染器、负责空间物理规律的仿真器、负责行动决策的规划器。行业现在的局限是，纯 2D 视频路线缺三维结构，高频交互下画面容易变形、崩塌；纯三维路线能生成精美场景，却丢了时间维度，只是一具静态标本。

而我们的核心判断是：下一代世界模型必须是渲染、仿真、规划的深度融合。所以我们选择以带实体模型、动画、骨骼的「真 3D」为世界主体，再借助面向交互的「动作控制视频生成技术」为环境引入时间与因果。

这具体分为两个阶段。第一阶段，也就是现在已经做到的，是构建主体和确定性资产：让用户生成带精准几何、材质和骨骼的高精度模型，把结构底座打牢。第二阶段则是引入动作和时间维度。例如，我们正在研究「隐空间高斯记忆体」（Latent Gaussian Memory），把实时的动作和视角切换转成 3D 记忆颗粒，让 AI 无论走多远都能精准召回空间记忆、以低延迟渲染出符合物理规律的画面；还在研究「动态偏差归档机制」（Dynamic Deviation Archive），在交互推理时自动修正长程误差。这样，无论视角在虚拟世界里绕多大一圈，场景、颜色、结构都能始终如一。

（隐空间高斯记忆体原理图）

▍你们经常说自己是一支「研究型团队」，为什么这么定义？怎么做好「前沿研究」和「适应市场」之间的平衡？

我们团队成员来自浙大、上交、同济、澳国立、山大这些海内外顶尖院校，核心成员多是 3D 视觉、深度学习、图形学、AIGC 方向的博士和资深研发。技术积累上，累计拿过十余次最佳论文和国际竞赛奖项，包括 CVPR 最佳论文、ICCV 马尔奖荣誉提名、ICPR 最佳论文、ICIP 最佳学生论文、WACV 最佳应用论文，还有 ICRA HILTI Visual SLAM 比赛冠军、CVPR DDAD 深度估计比赛亚军，谷歌学术总引用接近 5 万，申请发明专利一百多项。

但我更想强调的是「复合」这两个字。我们的优势不在于是一支纯算法团队，也不是传统的 3D 工具团队，而是同时具备 3D 视觉、深度学习、图形学、XR 交互、工程系统和产品化能力的复合型团队。众所周知，算法再漂亮，跑不到用户手机上也没用。正是因为不仅有模型技术，也有工程适配能力，我们才能把前沿研究真正变成一个普通人几十秒就能出片的产品。

▍V2Fun 对于商业模式的计划是怎样的？最终会以什么形式向谁收费？

我们的商业化路径将围绕「创作者生态」与「企业级能力开放」两个方向展开，一方面通过会员订阅沉淀创作者用户价值，另一方面通过 API 能力开放拓展企业级应用场景。

在 C 端，我们以 Web 产品为主要载体，面向创作者群体提供会员订阅服务。创作者订阅后，可获得更完整的产品功能、创作权益以及相应的平台积分，并通过积分使用平台内的生成、编辑、增强等能力。我们相信这样的模式能围绕高频创作场景建立持续性的用户关系，并通过分层会员体系服务不同阶段、不同需求的创作者。

在 B 端，我们专注于企业级合作，通过 API 形式开放平台核心能力。企业客户可付费获得相应积分，用于按需调用相关能力或服务。该机制兼具灵活性与可扩展性，能够支持企业在内容生产、创意工具、营销应用等场景中接入我们的技术能力。

▍最后一个轻松的问题：用 V2Fun 生成过的所有东西里，哪一个是你自己最喜欢、也最意想不到的？

说出来可能挺普通，不是什么炫酷的角色，是我给自己一岁半的小孩做的一个 3D 模型。

那天他刚睡醒，头发翘得到处都是，坐在爬爬垫上啃一个积木，表情特别专注。我随手用手机拍了张照片，扔进我们自己的模型里试效果，其实就是想看看 AI 处理小朋友这种五官比例特殊的对象效果怎么样。结果没一会儿，一个圆滚滚的小人就生成出来了，连他啃积木时那种嘟起来的小嘴、翘起来的那撮头发都还原得清清楚楚。

把模型给我爱人看，她当时就愣住了，说「这也太像了吧，连他那个专注的小表情都在」。我当时心里也咯噔了一下。我们做这套系统，本意是服务专业的动画师、游戏公司，天天讨论的都是精度、拓扑、渲染效率，结果真正戳中我的，是以普通爸爸身份随手一拍的照片，就能变成一个可以从任何角度看、可以留存下来的立体存在。

这大概就是我们一直想做的事 —— 把 3D 创作还给每一个普通人。一次完整的建模，本来要经过建模、贴图、拓扑这些专业软件里的复杂步骤，跟大多数人没什么关系。而现在，它可以像拍照一样简单：拍下来，就留住了。