AM易道分享

測試AI模型其實很容易發(fā)現一個問題。

AI生成的3D模型，看起來越酷，打印出來越容易出問題。

不是3D打印機的問題。

是很多AI壓根不知道現實世界有重力。

它學過幾百萬個椅子的樣子，但沒人告訴它椅子腿要承重。

它知道火烈鳥有細長的腿，但不知道細到一定程度就撐不住一杯水。

生成模型的訓練目標是看起來對，不是放到桌上不倒。

麻省理工CSAIL實驗室做的這個PhysiOpt，在這里打了一個補丁。

相當優(yōu)雅。

本文含AM易道基于原始研究的獨立解讀和讀后分享，文中技術描述經過通俗化解釋，也包含大量AM易道的主觀分析與判斷，不代表原作者觀點，如需了解完整技術細節(jié)，請參閱原始論文。

以前怎么解決這個問題

有人會說，打印出來不對就改嘛，改完再打。

問題在于改這件事本身。

傳統(tǒng)流程是：

AI生成→導出網格文件→拿去做結構分析→發(fā)現哪里太弱→手動修→重新導出。

每一步都在跨工具，每一次導出都是單程票。

改完的文件回不去AI，沒法再用AI繼續(xù)迭代，設計語言也容易在反復修改中跑偏。

改到最后，那個椅子可能還是四條腿，但已經和你一開始想要的東西沒什么關系了。

還有一類方案是直接訓練一個能生成物理學合理形狀的新模型。

但這需要大量帶物理標注的數據，而且每換一個場景、一種材料，可能就得重新訓練。

PhysiOpt選了另一條路。

它做的事，其實只有一件
在AI的內部空間里做物理優(yōu)化。
需要解釋一下AI怎么生成3D形狀。
需要先把這個形狀的意思壓縮進一個數學向量，再從向量解碼出具體的幾何。這個向量所在的空間，叫潛在空間。
你輸入"一把椅子"，AI在潛在空間里找到椅子的位置，解碼出來。
輸入"一把扶手椅"，找到另一個位置，解碼出另一個形狀。
這個空間有一個重要特性：相鄰的點，解碼出來的形狀也相鄰。它是連續(xù)的，有語義結構的。PhysiOpt做的是：
對生成出來的形狀跑一次有限元分析，就是工程師用來測橋梁和飛機零件的那套東西，把物體切成小塊，逐塊算力學響應，看哪里撐不住。
然后把結構上有問題的信號反傳回潛在空間，推著那個向量往更穩(wěn)固的方向走，再解碼出新形狀，再測，再推。

整個過程，AI始終在線。

優(yōu)化是在AI理解的語言里進行的，并不是在幾何表面上貼補丁。

這就是為什么優(yōu)化結果看起來還是設計過的：

桌腿往外伸展，而沒有在腿上長出一個奇怪的凸起；

薄弱的連接處自然加厚，而不是被一塊幾何噪點填滿。

論文圖里說的事
上面論文開頭那張圖把整個價值講完了：
左邊是AI生成的原始模型，中間用戶指定受力點和材料，右邊是優(yōu)化后的結果。
紅色代表變形大的地方，藍色代表穩(wěn)定。
優(yōu)化前一片紅，優(yōu)化后大片藍。最右邊是打印出來的實物。

這個流程大概半分鐘到兩分鐘跑完，取決于形狀復雜度。

系統(tǒng)架構圖（圖2）展示了技術鏈路：

潛在參數→解碼成隱式場（描述三維形狀的連續(xù)數學函數）→轉成體素網格→有限元分析→算出物理損耗→反傳梯度→更新潛在參數。一個完整的閉環(huán)，全程可微分，意味著梯度能順著鏈路一路傳回去。

圖3說明PhysiOpt支持三種不同的AI底座：

全局向量模型（DeepSDF，整個形狀一個向量）、分部件模型（PartGen，每個零件各有向量）、稀疏體素特征模型（TRELLIS，大規(guī)模3D生成模型）。

只要底層AI能輸出可微的隱式場，就能接進來。

圖4是技術核心：

AI輸出的是一個連續(xù)的數學場，PhysiOpt把它轉成體素網格，每個體素根據密度值決定是不是實心的，再賦予對應的材料剛度。

不提取網格，直接在規(guī)則格子上算物理。這是速度快的根本原因，也是梯度穩(wěn)定的原因。

圖5展示用戶可以在三維空間里自由指定受力位置：

臺燈的懸線、書擋的受壓腿、掛鉤的四條臂，每個場景施力方式不同。

圖6是三種AI模型的優(yōu)化結果，配了變形熱力圖和局部放大。

可以看到系統(tǒng)讓桌腿自動外擴、薄弱處自然加厚、懸空部件自動連接。

關鍵是這些修改保持了原始設計的語言，章魚椅還是章魚椅，沒有突兀的出現一個被工程改造過的奇怪物件。

圖7展示了一個關鍵能力是迭代不斷鏈。

用TRELLIS舉例，從圖片生成一棟小屋→優(yōu)化前廊結構→用AI inpainting加一個側平臺→再次優(yōu)化整體。

兩輪優(yōu)化之間的AI編輯，系統(tǒng)完全理解，不用導出重導入，不會丟失設計語境。

圖8還展示了多材料分配！

同一把椅子，腿部賦予金屬材料，框架用PVC，優(yōu)化策略完全不同。

金屬版變形小，系統(tǒng)改動幅度也小，而PVC版需要更大的結構調整。

材料選擇和結構優(yōu)化聯(lián)動，在生成階段就能做這個權衡。

圖9是全文最有說服力的部分。

用TPU打印了章魚椅和火烈鳥杯，然后加砝碼。

未優(yōu)化版本是章魚椅腿彎到碰地，火烈鳥杯輕輕一壓就倒。

而優(yōu)化版本一直從20克加到500克，穩(wěn)住了。是實物展示。

圖10是和傳統(tǒng)方法DiffIPC的正面對比。物理指標兩者差不多，但PhysiOpt每次迭代0.47秒，DiffIPC是30.84秒，差了將近70倍。

DiffIPC直接動網格的頂點，表面出現凹凸噪點；

PhysiOpt在潛在空間改，腿往外伸、背板加高，還是一把設計過的椅子。

真正變了什么
很多AI建模軟件是不帶物理合理檢查的，即使有，在這文章之前，物理合理性是3D生成流程的事后檢查項。
生成完了，檢查，不對，返工。

PhysiOpt讓它變成了生成過程的內在約束。

這不只是效率的變化，是設計鏈路的結構性變化。

AI不再是一個輸出待檢品的工具，它開始承擔打印出來能不能用這個問題的責任。

另一個變化是復雜功能件的設計門檻真的降下來了。

以前保證結構強度需要懂CAD、懂力學。現在這部分判斷被內化進了生成過程，這條路原來有一道專業(yè)壁壘，現在這道門開了一條縫。

還有一點值得注意這套框架是開放的。

PhysiOpt不綁定某一個AI模型，理論上可以接任何能輸出隱式場的3D生成器。

今天接的是DeepSDF、PartGen和TRELLIS，明天出了更好的模型，換個接口就行。

物理求解器也是，成更精確的求解器，優(yōu)化質量會進一步提升。這是一個可以隨底層技術一起成長的框架。

沒解決的問題
論文提到仿真分辨率是323的體素網格，比較粗。
物理預測是方向性的，還沒達到工程精度。

而TRELLIS的體素特征優(yōu)化，偶爾會出現孤立的幾何碎片，像素化的小凸起。

這是AI模型本身的表達方式帶來的副作用，還沒有干凈的解法。

最大的實用門檻是用戶目前還需要手動設定受力條件。

在哪里施多大力、哪里是固定端，這對沒有力學背景的用戶仍然是一道坎。

團隊在論文里提到想引入視覺語言模型來自動推斷這些參數，說"一個放在書架上的花瓶"，系統(tǒng)就能自己理解固定點在哪、力從哪來。

這一步如果做到，這個工具的受眾就徹底打開了。

AI生成3D打印內容這件事，從根本上講就是在往物理世界輸出信息。

但AI一直活在一個沒有重力、沒有材料強度、沒有物理規(guī)律的虛擬空間里。

這篇論文是一次正經的接地。

沒有用更多數據和算力訓練一個更懂物理的AI，而是給現有的AI接了一根物理世界的反饋管道。

實物已經打印出來了，放在MIT的桌上。

章魚椅沒有塌，火烈鳥杯沒有倒。

AI能不能設計？這個問題已經過時。

新問題是，還需要不需要人來設計？

這個問題，現在開始變得越來越認真了。

AM易道期待與您在幾周后的上海TCT現場討論AI與3D打印的一切。

屆時AM易道還將主持TCT的出海論壇以及創(chuàng)客的GeniusHub活動，并且分享部分優(yōu)秀企業(yè)的新品發(fā)布，敬請關注。

歡迎留言討論您的看法，更多內容也請訪問amyd.cn