「语言模型撞墙了，3D大模型刚开始」｜和VAST创始人宋亚宸聊3D大模型创业「狂飙」的两年

未来每个人都能用 AI 创造世界，而不仅仅是使用世界。

在文生图、文生视频的浪潮之外，下一个引爆我们想象力的 AI 技术奇点在哪里？答案可能是 AI + 3D。

本周，我们邀请 3D 大模型公司 VAST 的创始人和 CEO 宋亚宸（Simon），和我们聊聊 VAST 最新 3D 生成大模型 Tripo 3.0 背后的故事。

这位 97 年的创业者短期内连续融资三轮、每轮数千万美金，积攒了足够的子弹，在闷头苦干一年后，Simon 今年首次上播客，和我们探讨了几个关键的战略问题：

• 他认为大语言模型已经「撞墙」，进化放缓，这才给了应用和 Agent 繁荣发展的空间。而 3D 大模型则完全不同，它才刚刚起步，仍是一片蓝海。
• 在资源有限的初创阶段，为什么 VAST 「既要又要」？既要研发大模型，又要自己下场开发应用 Tripo Studio？
• 为什么科技的终极形态，是一场「解压缩」？他认为人类的媒介史（文字->图片->视频->3D）不是升维，而是因为技术所限，被迫对3D「源文件」世界进行的一次次降维和压缩。技术的进步，就是「解压缩」回世界本貌的过程。
• 以及，在一个机器人能代劳一切的未来，人的价值将如何被重新定义？

从小学时吸引同学们用辣条「充值」自己创造的纸上 RPG 世界，到 all in AI 创业打造一个坚信人人都会创造 3D 的「无限世界」梦想 ——欢迎收听 Simon 在创业路上的观察和思考，也欢迎你在评论区里说说你对 AI + 3D 的想法。

快问快答

👩🏻 Ronghui

大家好，欢迎来到这一期的「十字路口」。本期我们的嘉宾是一位年轻的创业者，3D 大模型研发公司 VAST 的创始人宋亚宸，Simon。8 月底 VAST 发布了最新的 3D 大模型 Tripo 3.0。今天我们邀请他来聊一聊 3D 大模型研发的故事，以及他创业这两年来的一些思考。我们先进入快问快答环节。

请 Simon 回答一下：年龄？

👦🏻 宋亚宸

28

👩🏻 Ronghui

毕业院校？

👦🏻 宋亚宸

约翰霍普金斯大学本科。

👩🏻 Ronghui

你的 MBTI 和星座？

👦🏻 宋亚宸

我是 ESTP，星座是双鱼座。

👩🏻 Ronghui

用一句话介绍现在的公司和产品。

👦🏻 宋亚宸

我们公司叫 VAST，是一家做 AI 3D 大模型的公司。我们有一个产品叫 Tripo，输入可以是文字、图片或多模态方式，它能输出完整的 3D 内容。

👩🏻 Ronghui

融资情况？

👦🏻 宋亚宸

之前融了三轮，每一轮大概在几千万美金左右。

👩🏻 Ronghui

团队规模？

👦🏻 宋亚宸

我们大概 110 多人。

👩🏻 Ronghui

创业之前你在做什么？

👦🏻 宋亚宸

创业之前也在创业。最早在商汤做过一段时间 AI 加动画、AI 加游戏。2021 年参与创立了 MiniMax，2023 年创立了 VAST。

👩🏻 Ronghui

我们有一个社交破冰环节，用「我是 XX」造句，介绍 10 件关于自己的事。请 Simon 也来体验一下。

👦🏻 宋亚宸

第一，我是宋亚宸，28 岁，创业者。

第二，我是 VAST 的创始人兼 CEO。

第三，我是一个 Addictive Gamer，非常沉迷游戏。上大学时，床垫都被我打游戏坐出一个坑。

第四，我是一个喜欢旅游的人，去过格鲁吉亚、百慕大、古巴、土耳其、摩洛哥等地。

第五，我算是一个跨行业者，本科偏文科，后来转向 AI，有跨学科的背景。

👦🏻 Koji

我记得你是学神学？

👦🏻 宋亚宸

我是学希伯来语、阿拉伯语的，最早想往这个方向发展。

👦🏻 Koji

那你之前的学习对现在的工作有帮助吗？

👦🏻 宋亚宸

有。我很多决定都来自于接触过的人和信息。

第六，我是一个喜欢读书的人，也喜欢听书，但目前还不是特别喜欢听播客。

👦🏻 Koji

你最近读的一本书是什么？

👦🏻 宋亚宸

最近读了一本很薄的书，《种树的人》，是绿洲资本的张津剑送我的，收获挺大。前段时间也在听王东岳讲《道德经》。

第七，我是一个在意「有趣」的人。无论招聘、交朋友还是和投资人打交道，我都看重对方是不是有热爱、是不是有眼神发光的时刻。

👦🏻 Koji

你的投资人里谁最有趣？

👦🏻 宋亚宸

这个问题可能会得罪人（笑）。不过我们的大部分投资人都很年轻，愿意投我们，本身就是一种「有趣」。

👦🏻 Koji

你这端水大师。

👦🏻 宋亚宸

第八，我是一个不擅长写字的人，包括中文和英文。虽然在美国待了八年，但一直不擅长文字表达，所以学文科时很痛苦。比如回微信消息、写公司全员信、给投资人写长邮件，我基本都不做。但我擅长聊天。以前在商汤做战略时，经常要写 PPT，那段时间非常痛苦，我努力克服，后来发现确实不是我的强项，就放弃了。

👩🏻 Ronghui

那你用 AI 工具写 prompt 怎么办？

👦🏻 宋亚宸

也很痛苦。我更喜欢交互的形态。在 3D 时空里，未来不应该需要打字，而是「言出法随」。比如像原神里漂浮的小助手，可以直接对话生成内容。这才是更自然的交互形态，而不是突然弹出键盘打字。我很期待 3D 能尽快实现。

第九，我是一个特别喜欢内容创作的人。从小学就读各种玄幻小说（唐三、我吃西红柿、苍天白鹤、天蚕土豆等），后来读漫画，看番剧，打游戏，还写过玄幻小说上传到起点。

👦🏻 Koji

能在起点搜到你吗？用什么名字？

👦🏻 宋亚宸

是一个只有 200 人看过的起点小账号。

但我确实在商汤做过动画 IP，做到过百万粉丝规模。在半次元也做过 KOL。我喜欢做 IP，也喜欢做内容。

👦🏻 Koji

你的粉丝有多少？

👦🏻 宋亚宸

当时几万粉丝。

第十，我是一个很想做游戏的人。小学时有一本很破的本子，上面设计了好几种 RPG 游戏，有等级、装备、背包、探险，还能和同学互相对战。下课后很多同学会找我玩，就像一个 RPG 一样。

万物起源：从小学时收费的 RPG，到一个无限世界的梦想

👦🏻 Koji

感觉你在学校里地位很高。

👦🏻 宋亚宸

当你拥有一个系统，等于自己创造了一个小世界，你就成了这个世界里的「神」，有最终解释权。所以大家会来充值，比如送我香菇肥牛、辣条，或者北京烤鸭那种五毛钱的豆腐干制品，让我把他们画得更强一些，很有趣。

👦🏻 Koji

当时通过创造虚拟世界获得的这些正反馈，和你现在做 VAST 有直接关系吗？

👦🏻 宋亚宸

我觉得有，我特别喜欢创造和创作，能写故事、造世界，也喜欢消费别人的故事。这是我最喜欢的事情，因为物理世界有很多限制，更大的世界来自于人的大脑和想象力，那是一个无限的世界。

👦🏻 Koji

我们和 Simon 比较熟悉，除了前面的 10 个，你可以再展示一些我们不知道的？现在请你即兴再来一个「我是…」。

👦🏻 宋亚宸

同时，我还是个哥哥。我有一个亲弟弟，这对我来说是重要的身份。我们差很多岁，所以我能更好地了解他们那一代人喜欢什么。我们做的产品，终究是面向下一代的。

对他来说，AI 是非常自然的。他遇到问题会下意识打开 GPT 或 DeepSeek，而我还是习惯 Google 或百度。他从小就在消费有 AI 参与的内容，对他来说这是再正常不过的。而我小时候接触的还是文字内容，那时互联网还不成熟，硬件和带宽不足，无法支撑高信息密度的载体。虽然 3D 是信息密度最高、最自然的形态，但早期互联网只能用更抽象、更降维的文字来承载。

所以最早我看小说，用 MP3 在被窝里打着手电筒看，一个 MP3 屏幕只能显示 10 个字符，看 500 万字的小说要按 50 万次。后来移动互联网出现了，初中时我买了 iPhone4，终于能消费图片内容，手机也有摄像头了。再后来到了大学，我们才有更多视频内容。等到我工作时，短视频才真正开始流行。

👦🏻 Koji

除了遇到问题时，你会想到用 Google，而你弟会想到用 ChatGPT。你觉得你们之间还有哪些显著区别？

👦🏻 宋亚宸

比如我很习惯看公众号，他就不习惯。他更习惯去 YouTube、B 站找答案。对他来说，视频是信息密度更高的形式，更符合他成长的环境。

👦🏻 Koji

「Born with 3D」的用户，你们已经在用户群里看到了吗？

👦🏻 宋亚宸

是的，年纪更小的用户中已经有这样的趋势。比如我弟的学弟在 B 站做 Up 主，作品是一些我很难看懂的 3D 创作，比如「马桶人」「监控人」，但能有几十万粉丝，有时视频甚至上百万播放。你都不知道是谁在消费，但确实有人喜欢。不同代际差异非常明显。信息载体从文字到图片、视频再到 3D，社会形态从工业社会到数字社会再到智能社会，不是一两年能看出来，但以十年为跨度，变化很大。

👩🏻 Ronghui

那我们具体聊聊你们的 3D 大模型。8 月 20 号发布的 Tripo 3.0，前面提到了对新一代用户的关注。你能说说这次是为谁设计的吗？和之前的产品相比，最大的迭代在哪里？

👦🏻 宋亚宸

其实 Tripo 我们已经做了挺久，2024 年初上线，到现在一年半了，也积累了很多用户。目前全球有三四百万专业创作者，超过 4 万家企业客户，其中 700 多家是大型客户。大家在用 AI 3D，但之前产品并不算真正的 pipeline-ready，只能在流程的一环里起作用，还需要专业人员修改和精修。

Tripo 3.0 的跨时代意义在于，它第一次达到了可以直接在大多数行业和场景中使用的状态。比如你买一台 3D 打印机，放在家里给孩子用，在 Tripo 上生成一个 3D 模型，放进打印机，打印效果就很好，不需要二次操作或修改。你甚至不用关心模型的结构、格式，不需要知道如何修 3D，也不用学习各种 DCC 建模软件。这些都不是用户需要关心的。

👦🏻 Koji

2.0 到 3.0 的过程中，你们背后做了哪些工作？

👦🏻 宋亚宸

工作量非常大，涵盖了更多数据、更优算法以及模块优化。这是一个系统性工程，而不是解决单点问题。整体上在可控性、成功率、精细度和性能等方面都有显著提升，尤其是在几何精细度上的进步尤为关键。

👩🏻 Ronghui

Simon 能否给听众一些更具象的分析？比如我没有技术背景，但在录制前我和 Gemini 讨论过你们的资料。以 Tripo 2.0 为例，公开信息提到你们采用了融合 DiT 和 U-Net 模型的复合架构。Gemini 指出这本身就很有挑战。我想问 3.0 是否仍在使用这一架构？如果是，它的挑战性体现在哪里？

👦🏻 宋亚宸

3.0 并不是依靠某个单点突破，而是多方面的系统优化。我们研发了一种新的表达形式——SparseFlex（SF）。今年 4 月份我们已开源 Tripo SF，效果相当出色。它显著降低了生成 3D 模型的成本，提升了生成速度，因为它跳过水密性环节，同时支持在上千空间维度下生成，精细度更高。

你可以把它理解为一种 3D 的 token 表达形式。表达形式越好，压缩率、还原率和保真度就越高。这样不仅能支撑更多数据训练，还能提升生成质量和精度。近期也有类似的表达形式，比如 Mesh、NeRF、近期很火的高斯等，SparseFlex 在 AI3D 训练中同样表现突出。

👦🏻 Koji

3.0 发布后，有没有数据能显示它给用户带来的价值？比如使用量、付费率或使用频率？

👦🏻 宋亚宸

用户用量和反馈都显著提升。我们目前发布的是 Standard 版本，后续还会推出 Ultra 版本，生成效果更好，但生成时间也会更长。

👦🏻 Koji

有没有 2.5 无法实现，而 3.0 解锁的应用场景？

👦🏻 宋亚宸

可以这样理解。我们有一款产品 Tripo Studio，它集合了大量 AI 算法，目标是通过 AI 原生的工作流替代传统复杂的 3D 制作管线。Tripo Studio 在 5 月 31 日上线后，收入增长超过两倍。

👦🏻 Koji

我记得你曾在「十字路口」线下活动 「AI 开放麦」现场分享过，有人在欧洲基于 Tripo 3D 的 API 做了「套壳」应用并赚了不少钱。Tripo Studio 是否类似这种模式？

👦🏻 宋亚宸

不完全是。我们希望将其做得更具 agent 化。后续会在系统中增加更多对话框，以及简单的语言交互和拖拽交互。可以把它理解为 3D 内容生成后的后续处理：例如，当我生成了一个「80 分」的成果，以前通常在传统管线中进行二次编辑；现在我们在 Tripo Studio 上完成二次编辑，从而大幅降低编辑的成本、门槛与时间，这正是 Tripo Studio 的意义。

Tripo Studio 带来了许多全球独有的新功能。首先是「万物自动语义分割」（segmentation）。以往生成的 3D 模型往往是一体化的「整体」，无法做二次编辑——类似纹身图或纹身视频，生成后没有源文件，不能在 Photoshop 中分层（layers）编辑。同理，早期的 3D 输出是一整块，难以分层处理；而现在，生成的 3D 模型可以自动进行语义分割：系统理解模型的语义后，将其各个部件切分为独立的块，并对每个部件自动补全与完善。

举例来说，若生成一只手拿着一瓶水，系统能自动把水与手分离，水与手各自成为完整独立的 3D 资产，并被存入资产库以便替换和复用。这体现了 Tripo Studio 的能力。换言之，Tripo Studio 上线了一整套 AI 算法，定义了 AI 时代 3D 编辑与交互的形态与范式。其中，segmentation 与 part completion 是非常经典的功能，未来也可能出现竞品实现类似功能。

👦🏻 Koji

可以把它理解为类似 Canva 推出 AI 时的重要卖点——生成的图片可以分层（layer）编辑，逐层调整；Lovart 也在强调这一点。

👦🏻 宋亚宸

这确实是一项创新——此前无人做到，我们率先实现。我们还开发了「万物骨骼绑定」功能。其含义是：生成的 3D 模型原本是静态的「雕塑」，现在可以自动进行骨骼绑定和蒙皮。除人类模型以外（人类较易处理），系统也支持猫、狗、牛、蛇、鱼、龙，甚至章鱼、蜘蛛等的自动骨骼绑定与动作生成。例如，生成一条龙后，系统可以在爪子或手指级别完成绑定，从而使其能够运动。这项能力显著节省创作时间并降低门槛。

此外，我们还做了低模生成。传统生成模型面数常达几十万乃至数百万，这在实时渲染场景（如游戏、XR、元宇宙）中对本地性能消耗巨大；而当面数降至几百或几千时，计算量显著减小，能实现实时渲染。为此，我们自研了一套基于自回归路线的低模生成方法，使输出模型天然面数较低、实用性更强。

类似功能还包括 Magic Brush 智能笔刷等一系列能力，这些共同构成了完整的工作流。

👦🏻 Koji

我理解这其实是一个战略性的选择。因为很多团队可能会选择把精力 all in 在基模上，而你们却花了大量产研时间做 Studio。为什么？

👦🏻 宋亚宸

我们判断，未来每一个有专业能力的垂直领域大群体，都会拥有一个属于自己的 AI 工作台，它要满足几个条件：

1. 端到端：能一站式完成完整的创作流程。
2. 高可控性：可编辑的颗粒度要足够细，才能真正体现创意。
3. 交互形态创新：不再局限于传统模式。

去年底我们意识到这一点，就投入半年研发，到 5 月 31 日上线了 Tripo Studio 的第一个版本。早期还是雏形，但经过几次迭代，效果已经越来越好。

模型 vs. 工作台：为什么我们既要造发动机，也要造 F1 赛车？

👦🏻 Koji

所以你觉得只做基模是不够的？因为也有人可能会选择说，我就专注做基模，把类似 Tripo Studio 这样的工作开放给生态合作伙伴去做。

👦🏻 宋亚宸

嗯，这是个很好的问题。我认为未来一定是基模和 agent （或者叫 workstation）——这两方面都会做。举个例子，比如 Cursor，它很可能会做自己的基模。

👦🏻 Koji

所以你觉得这是一个战略上用作防守的 agent？

👦🏻 宋亚宸

它不是防守，而是一种逻辑。你可以理解为：在做底层大模型的时候，你是在起「新墙」；而在做工程和产品功能的时候，你是在糊「旧墙」。因为你要解决的，恰恰是上一代模型里存在的缺陷。

比如说，上一版模型在人脸生成上的效果不够好，那如果我要基于这版模型做 agent，我就会重点解决「脸部优化」的问题。但当新一代模型发布，它顺带把人脸问题和其他一百个问题一起解决了，那你之前的努力可能就失效了。

所以，从底层角度看，AI 1.0 和 AI 2.0 的区别就在这里。AI 1.0 时代的核心是很多天才的算法科学家，通过手工调参的方式训练出一个个小模型，然后用这些小模型去解决各种长尾问题。举个例子，在计算机视觉时代，我们做智慧城市时，会有一个小模型专门识别垃圾是否被倒在外面，另一个小模型识别监狱里是否有人打架——非常具体、细节的问题。

而在 AI 2.0 时代，核心变成了数据驱动。通过海量数据训练出一个通用的大模型，希望它能泛化地解决所有常规问题。

回到刚才的问题——做底层模型的优势是一次性解决大部分常规问题。但为什么现在有人在上面做工具、agent、workstation 或者应用？核心原因就是：他们认为 AI 2.0 时代死了，所以还是在做 AI 1.0 时代的事情。

AI 2.0 时代的生存法则：语言模型撞墙了，但 3D 没有

👦🏻 Koji

你觉得 AI 2.0 已经「死了」？

👦🏻 宋亚宸

不是我觉得，而是那些在做的人面临的问题。你仔细想一想，如果 AI 2.0 还在快速发展，比如 GPT-5、GPT-6、GPT-7 一路迭代，那么 Cursor 根本没有生存空间，因为它依赖解决的那些问题都会被新模型覆盖掉。很多 agent 也是这样，原来填补的是通用模型的缺陷，但随着大模型升级，它们的价值就消失了。

👦🏻 Koji

所以你认为模型遇到了发展瓶颈？

👦🏻 宋亚宸

不是所有模型，而是语言模型撞墙了。也正因为如此，才会基于语言模型出现了很多垂类应用和 agent，因为语言模型的发展速度相对放缓。

但在 3D 领域，情况完全不同。你很少看到只做应用的人，因为如果没有自己的大模型，一旦下一代模型发布，你的应用几乎立刻失效。就像你糊了半天的旧墙，人家直接给你起了个新墙，你的努力就被覆盖了。

👦🏻 Koji

我理解在大模型还在疯狂迭代的时候，如果应用公司在上面「雕花」，很可能会被下一次升级直接淹没。但我想知道，从你们的角度看，作为一家本来做基模的公司，为什么在这个时候你们也要做应用？

👦🏻 宋亚宸

核心在于：我们比别人更清楚下一版模型会往哪里迭代。我们知道哪些地方值得糊旧墙，哪些地方不用护，因为新模型会解决。

这就是我们最大的优势：

一方面，通过做工具或 agent，我们能离用户更近，拿到一线反馈，指导大模型迭代；

另一方面，我们又有大模型的积累，清楚模型下一步的方向。两者结合，就形成了非常好的循环。

👦🏻 Koji

DeepSeek 坚决不做任何商业化，即便外界愿意送钱，他们也拒绝，因为梁文锋认为这会稀释团队在追求模型智能边界上的专注。所以他们的 ToC 产品做得很简单，爆火之后也没维护，甚至不调机器扩容。他们把所有精力都放在基模上。

而你们的选择是既做基模，又做 Tripo Studio，但你们的「粮仓」没有 DeepSeek 那么充足。在资源有限的情况下，这种战略选择的考虑是什么？

👦🏻 宋亚宸

我不觉得这是注意力稀释。相反，如果只做基模，就会变成一种学术化的「自嗨」。很多东西在论文里可能很火，但和真实用户的需求并不完全对应。

我们做 AI 不是「拿着锤子找钉子」，而是要从真实问题出发。这也是我们公司的特别之处。上次分享时我提到过，我们最早做的是一个 3D 的 TikTok。但我们遇到了一个「墙」：想做 3D UGC 的生态和社区，但发现现实里根本没有 3D 的 UGC，只有 PGC。为什么？因为缺少大众级的创作者工具。

就像如果没有输入法，就很难有文字的 UGC；如果没有手机摄像头，就很难有图片和视频的 UGC。那在 3D 里，缺的就是一个大众级的创作工具。所以我们才去做 AI 3D 大模型，目标是降低创作门槛和成本。这个初心很重要，我们做这件事是为了解决真实存在的问题，和用户、创作者在一起，看看我们的方案是否真的奏效。

换句话说，从第一天开始，我们就不是一家「拿着锤子找钉子」的公司。很多大模型公司是先有技术，再去找应用场景；而我们是一开始就看到了用户的需求和痛点，所以才决定做大模型。

👦🏻 Koji

所以一开始你们真正的「钉子」，就是要做一个 3D UGC 的社区。

👦🏻 宋亚宸

没错。我们的目标就是做一个大众级的创作者工具，让每个人都能零门槛、零成本、实时地创作 3D 内容。

👦🏻 Koji

所以现在其实 Tripo Studio 也是服务这个人群的嘛？

👦🏻 宋亚宸

现在暂时不是。你可以理解为 Tripo Studio 目前还是服务于专业用户，面向的是 PUGC 或者 PGC。我们希望下一步逐步去牺牲一部分创作的可控性和编辑的颗粒度，但换来的是大量的内容范式和模板。有了这些范式和模板，每个人都能参与到创作当中。

比如大学生用 Tripo Studio 没问题，但如果是小学生，或者让我外婆来用，难度还是比较大。我们真正希望实现的是零门槛、零成本的实时 3D 创作。一旦做到这一点，就有机会出现 UGC 群体。

👦🏻 Koji

是什么原因让你认为未来会是人人都要做 3D 呢？这是不是有点非共识？因为拍照片、拍视频很自然，但 3D 是更高维度的艺术创作，好像不是每个人都会主动想去做的事。

👦🏻 宋亚宸

其实你刚说的「自然」也就存在不到十年。拍视频、拍照片成为日常也只是近十年的事情。在短视频出来之前，我们一年能看几部电影？在小红书和 Pinterest 之前，一年能逛几次画廊？在微博、贴吧、Twitter 出现之前，一辈子能读几本书？

回到 3D，在 3D 的 UGC 内容平台出现之前，其实每个人都在打游戏了。王者荣耀 2015 年发布第一年就有 1 亿 DAU，十年后依旧保持 1 亿 DAU，这就是全民级产品。今天游戏的全球市场规模大约 2600 亿美金，已经是出版社、画廊、电影市场加起来的两到三倍。

同理，我认为未来的 3D UGC 内容平台会是 Twitter、微博、小红书、抖音、快手、TikTok、Snapchat、Instagram 所有平台总和的两到三倍。

👦🏻 Koji

你畅想的未来 3D UGC 这个平台上面消费的内容主要是什么呢？游戏？

👦🏻 宋亚宸

这是个好问题。就像短视频刚出现时，你问大家会消费什么？当时没有短视频的概念，只有电影和视频，所以当我们说要做一个 UGC 视频平台的时候，大家一般只能想到电影。

同样，现在大家提到 3D 可交互内容平台时，只能想到游戏。但其实未来的形态一定更丰富。就像现在在 B 站，电影在所有视频里只是很小的一部分，短剧的市场已经超过电影。

所以我相信，今天我们玩的所有游戏——不论是咸鱼之王、三消、原神、王者荣耀还是刺激战场——未来都会只是「3D 可交互内容」大品类下面的一个小分支，属于精英级的艺术形式。

👩🏻 Ronghui

你刚才讲到这里，我想请你帮大家科普一下：训练一个 3D 大模型和训练常规大语言模型相比，挑战主要在哪里？

👦🏻 宋亚宸

我们常用「AI 三要素」来说明问题：如果把 AI 比作养一匹马，需要三个条件。

第一，马要吃草——草料对应数据；

第二，马要有优秀的驯马师——这对应人才和算法；

第三，马要有跑马场——这对应算力。只有同时具备数据、算力和优秀的算法（或科学家），才能训练出高水平的 AI。

在 3D 领域，这三要素与语言大模型存在显著差异。首先是数据。互联网早期只能支撑低信息密度的内容，因此网络上积累了海量可供爬取的文字数据。但 3D 领域的互联网尚未成熟，缺乏公开的大规模数据集，这带来了天然的瓶颈：数据从何而来？

目前我们拥有全球最大规模的高质量 3D 原生数据集，大约 4,000 多万个样本，接近《黑神话：悟空》中「猴子」那类 3G 模型的级别，作为训练基础。这一点极为重要。相比之下，其他大厂或竞争对手的数据量级大多停留在百万级，而我们是全球唯一达到千万级乃至数千万级的团队。

👦🏻 Koji

这是为什么呢？是不是有些数据即使有钱也买不到？

👦🏻 宋亚宸

这是个好问题，这属于我们的核心机密（笑）。

第一在「草料」层面，我们确实比别人更充足，这一点非常关键。

第二是「人才」。我们团队有五六十位来自清华的博士，都是极为顶尖的科学家。要组建这样的团队并不容易。语言模型在过去几年相对是显学，聚集了大量做 NLP 的研究者，OpenAI 也长期深耕这一领域。但 3D 是一个全新的交叉学科，结合了 AI 与图形学，本身缺乏长期积累。很多研究者进入该领域不过一两年。

举例来说，两年前在图形学顶会 SIGGRAPH 上，仍能看到大量计算机视觉（CV）相关的论文；但如今在计算机视觉顶会 CVPR 上，已有 Best Paper 与 3D 强相关。说明 3D 正逐渐成为前沿方向，也导致早期人才严重不足。

因此，在人才方面尤为重要。正是凭借这几十位优秀的算法科学家，我们才能持续迭代出全球领先的算法。这是一件极为难得和宝贵的事情。能否做到这一点，取决于是否足够早地进入赛道，并且下定决心去投入。早期进入意味着能够更早发现并吸引人才，把他们凝聚为团队，从而快速推进。数据的积累也与时间早晚相关，但并非完全决定性。

第三是「跑马场」，即算力与资金。我们目前是赛道中融资规模最大的公司之一，估值也在最高的行列。拥有充足资金储备、大规模数据集以及顶尖科学家，理论上就能产出优秀的大模型。但其中依然存在运气因素。正如我之前提到的，要找到「绿洲」，并不是商队越大就越容易。

👩🏻 Ronghui

如果回顾过去两年的历程，你会如何划分关键节点或阶段？比如在什么时间点决定要做 Tripo Studio，并且要尽快做好？这个过程中是否也包含了一些关键人物或关键判断？

👦🏻 宋亚宸

这件事可以这样理解：我们过去两年只做了一件事。公司在 2023 年成立，2023 到 2024 年唯一的目标就是把技术做到全球最前沿的水平。我们确实有竞争对手，但观察下来，许多对手在早期投入大量精力在产品层面。而我认为，早期产品的本质其实是技术，而不是表层的功能。

举个例子：如果你的手机摄像头是 720P，而我的已经是 1080P，那么你在 720P 上叠加各种人像、全景、红外等功能其实没有意义。你真正该做的，是尽快提升到 1080P 甚至 4K，而不是纠结那些附加功能。增加功能不是产品的本质，技术才是。

因此，在过去两年里，我们公司很长一段时间甚至没有产品经理，大部分代码都是 CTO 亲自编写的。

👦🏻 Koji

但现在你们做 Tripo Studio，是暗含着你判断 3D 大模型做到 「1080P」 已经撞墙了？但这个时候你们稀释精力去做应用、而不是深耕基模，你会不会担心有一天竞争对手却搞了个 「4K」 的基模出来？

👦🏻 宋亚宸

这与撞墙无关。我们计划同时推进所有方向。

Tripo Studio 最初的设想是先做 UGC 版本，即零门槛、零成本、实时创作 3D 内容的产品，面向真正的UGC。

但为何先做 PGC？原因在于早期阶段 UGC 与 PGC 在生成质量（例如从 10 分到 80 分）上都有需求；当模型达到 90 分或更高时，UGC 与 PGC 的需求会出现分化：UGC 更关注速度与能否快速动起来，而 PGC 更看重精细度，例如拓扑结构与布线等。

因此早期的目标是确保至少能生成可简单调整的内容，于是我们先推出面向 PGC 的 Studio，优先服务现有用户，再逐步覆盖原生用户（即此前未进入生产管线但因 AI 得以参与生产的人群，例如无 3D 能力的 AI 原生用户也能参与生产）。我们的策略是先服务现有 PGC 用户，将整体能力提升至八九十分水平，然后再考虑如何服务 UGC 与 PUGC（半专业用户）。

为此，去年年底至今年，我们组建了约二十余人的产研团队，专门解决产品与工程问题，支持用户做调整与预设。例如支持模型风格化（可上传图片提取风格）、对称性设置、T-pose 与 A-pose 等多项功能。

我们认为首要任务是先把现有的 PGC 用户服务好，随后逐步泛化至 PUGC 与 UGC。在泛化阶段，除了工程与产品外，运营与增长同样重要。目前我们尚未大规模开展运营与增长工作，原因是现有专业用户高度关注我们的产品改进，且产品差异明显、信息较为透明；因此用户会在效果提升时自发使用。

但 PUGC 与 UGC 用户不会持续关注大模型性能的细微提升，此时需要通过增长、BD（商业拓展）或运营来传达产品价值。增长的关键情形包括：一是存在信息差，需要主动告知用户；二是产品逐渐同质化，需要通过品牌与运营建立差异化。鉴于当前我们仍具差异化优势且专业用户无信息差，运营与增长将成为下一阶段的重点工作。

👦🏻 Koji

你会不会担心，做一个 Tripo Studio 这样的复杂产品，目标只是去了解用户，这条路径其实有点太费劲了？毕竟为了实现「更了解用户」的目标，你们可以通过用户调研，还可以通过与基模上面的应用开发者们合作。

👦🏻 宋亚宸

当你在做底层大模型的时候，几乎没有直接意义上的用户。你的用户是 ToB 企业，你必须和这些 B 端客户沟通，需要依靠他们去获取用户反馈。

👦🏻 Koji

但理论上来说，你也可以直接去找到他们的用户，虽然可能不会那么直接方便，但花一些精力也并非不可能拿到联系方式。

👦🏻 宋亚宸

我还是那句话，关键在于初心的不同。我不了解 DeepSeek 的初心是什么，也不清楚 Kimi 的初心是什么。每家公司的目标可能都不一样。我们之所以做这件事，并不是为了什么 AI、3D、AGI，而是出于一个明确的初心：我们希望推动 3D 内容的 UGC 。

我们观察到创作者群体，尤其是大众创作者，缺乏一款大众级的 3D 创作工具，所以我们希望去打造这样一个平台。这是我们最核心的出发点。

正是因为这个初心，我才去做这件事。不能「因为有了饺子所以才包醋」，而是反过来，我们是因为这件事本身有价值，才出发去做。

👦🏻 Koji

确实，一个公司的愿景选择，以及在这条路上的战略定力，都非常重要。

👦🏻 Koji

听起来 Tripo Studio 上线后数据表现不错？刚才你提到它已经贡献了超过一半的收入。前面提到，你们做 Tripo Studio 的目标是拿到更多用户反馈。那么到目前为止，你有没有通过它获得一些新洞察？

👦🏻 宋亚宸

我们其实有一个叫「CEO Program」的项目，即 Chief Experience Officer Program。

👩🏻 Ronghui

你们访谈了很多用户？

👦🏻 宋亚宸

对，目前大概有一两千位用户被访谈，他们来自各种不同的领域，使用场景也非常多元。让我意外的是，很多真实的应用场景在我做产品之前完全没想到。最初我们设想的使用方向是游戏、动画和 3D 内容创作。但后来发现，很多人把它用在设计上，例如 3D 打印、工业设计。于是我们逐渐把定位扩展为 3D 内容、3D 体验、3D 设计。

除此之外，还有大量用户来自艺术领域，尤其是艺术院校的毕业生。他们用它来做毕设，涉及当代艺术、装置艺术、景观艺术、新媒体艺术等。过去他们不具备 3D 创作能力，现在通过生成式 3D 工具就能实现。

还有一些残障用户，他们借助 Tripo Studio 表达自我、进行创作。再比如 XR 应用群体，这类用户非常活跃，但过去我们关注更多集中在 XR 硬件，而较少注意到软件和应用层面。实际访谈才发现，全球有很多活跃的 XR 开发者，他们每天都在创造各种有趣的东西：3D PPT、3D AI 绘本、小游戏等等。

因此我们意识到，3D 生成不仅仅是 UGC，更可能催生新的玩法。在游戏行业里，已经很久没有新的玩法出现了，近十年可能只有《自走棋》算是一个新玩法。而 3D 生成却提供了大量新的交互和玩法可能，这是我之前没有想到的。

科技的终极形态，是一场「解压缩」

👦🏻 Koji

这些都是 Tripo Studio 上线之后你才发现的吗？

👦🏻 宋亚宸

上线后，大家开始广泛使用，有人通过 API，有人通过 SaaS。但本质上，这背后反映的是 AI3D 已经成为理所当然的能力。

过去大家觉得文生文、文生图、文生视频理所当然，如今同样觉得文生 3D 也是自然的。但仔细想想，从「空无」到「凭空生成一个东西」，这件事本身就像魔法一样。

第二点是技术迭代太快。新奇观感层出不穷，人们来不及细想，这其实是人类两三年前才刚发明的技术，如今已能在产业里规模化应用。要知道，电灯、冰箱等发明出来三年时，远没这么快进入大规模落地。而今天，AI3D 已有几百万用户、四万多家企业在使用。这在我看来非常了不起。

更重要的是，它拓展了大众的能力边界。拍照、拍视频、写文字，这些大众原本就能做到，而 3D 建模过去只有专业人才可以完成。现在每个人都能「凭空造物」，这不是小事。

举个例子：菜单的演变。

• 在打字机之前，全是手写菜单。
• 有了打字机，才有了印刷菜单。
• 有了手机摄像头，菜单上开始配图。
• 现在扫码点餐，甚至直接在 iPad 上操作。

那为什么菜单不能是 3D 的？如果餐厅能直接展示 10 个人点的 50 道菜，以 3D 模型呈现份量和摆盘，就能立刻判断够不够吃。但传统 3D 建模成本太高，不现实。今天如果只要每年付几十块，就能拥有一个 3D 点餐系统，餐厅当然愿意买单。

同样，广告牌、名片也完全可以变成 3D。过去互联网形态是文字、图片、视频，但本质上这是对世界的降维抽象，是科技不够成熟的权宜之计。当科技足够发达，交流和表达自然会回归到最接近真实的 3D 形态。

👦🏻 Koji

我觉得这描绘了一个很有想象力的未来。今天我们看短视频而不是 3D 内容，只是因为技术、带宽和设备算力的限制，本质上还是在对世界做「压缩」。

👦🏻 宋亚宸

对，「压缩世界」这个说法特别准确。

👦🏻 Koji

回到我之前的问题。你提到做 Tripo Studio 是为了获得用户认知，帮助模型更好迭代。那经过几个月运营，你们拿到了哪些以前没有、必须通过 Tripo Studio 才能得到的认知？

👦🏻 宋亚宸

其实有很多。我们内部有一个需求池，上面有上百条需求，分 P1、P2、P3 等优先级。

举几个例子：

• 有用户希望能编辑贴图，于是我们研发了智能笔刷。
• 有用户想改几何，却不知道如何下手，于是我们探索能否用自然语言直接编辑几何。
• 有人希望模型有更好的拓扑结构，于是我们开发了重拓扑功能。
• 有人追求更好的硬表面、更清晰的拐角，我们针对性优化了算法。
• 有人希望保留贴图笔触、改善 UV 完整性，我们也在做专项研发。

这些细碎的需求，推动了我们快速迭代。另一方面，大模型的更新也自然解决了很多问题，比如人脸精细度、硬表面表现、PBR 支持、贴图质量等。

所以最终还是一句话：一切都是为了服务用户和创作者，而不是服务我们自己。

👩🏻 Ronghui

这个世界其实是在压缩的过程中，而你们在做的事情是让它「升维」。听起来是一条比较挑战的路。你相信当工具越来越简单时，人们真的会选择去做升维的创作吗？

👦🏻 宋亚宸

我更愿意称它为「解压缩」。人类之所以一直在压缩，是因为受制于带宽、算力等技术条件。举个例子，早期的游戏只能做低模，因为画面更精细的高模跑不动，所以大家只能玩《传奇》那种画质很糙的游戏。但随着技术发展，我们能做出《黑神话：悟空》，面数比以前高几十倍甚至上百倍，本质上就是「解压缩」带来的返璞归真。

社交平台的演变也是这样：从推特、微博到小红书，再到抖音、TikTok，其实是信息表达逐渐解压缩的过程。人类最初就是以 3D 的方式表达自己，比如雕像、图腾，然后才有壁画，再到文字。雕像的信息密度最高，但不便于携带；文字密度低，却能更好地传播，这是科技条件决定的。互联网其实也遇到同样的问题——几个 B 的数据容易传播，几个 G 的就困难，3D 可能要几个 T，就更难了。

所以我认为科技的发展方向不是继续压缩，而是让我们逐步解压缩，直到最终能直接处理「源文件」。那源文件是什么？就是 3D。视频本质上只是从 3D 世界里取一个角度、一段时间，但 3D 才是完整的源文件。所以我相信，互联网最终会走向一个人人都能享受源文件的时代。

👦🏻 Koji

你平时最关注哪家竞争对手的新闻？

👦🏻 宋亚宸

最近混元 3D 做得挺好，我们也在关注。

👦🏻 Koji

有没有哪些竞争对手是你们比较尊敬的？

👦🏻 宋亚宸

我们当然尊敬所有竞争对手。

长远来看，彼此可能并非单纯竞争，而是竞合关系。因为初心不同：有的团队希望做到最前沿的技术，有的则希望通过技术影响行业，还有的专注于工具本身。比如某些大家熟悉的公司，他们目标与我们并不一致。以我所知，目前所有竞争对手当中，没有人真正想做我们正在做的事情。所以最终，大家还是会走向不同的道路。

👦🏻 Koji

你们想做的，就是一个面向 UGC 的 3D 创作者社区。

👦🏻 宋亚宸

是的。我们定位很明确，就是服务创作者。创作者需要社区，我们就通过社区来服务；他们需要平台，我们就通过平台来支持。换句话说，我们的目标是建立一个完整的网络，而不仅仅是提供某种单点工具。你刚才提到「解压缩解到底」，这形容得很贴切，我们正在做的正是这样一件事情。

👦🏻 Koji

难道其他友商不是也在服务创作者吗？

👦🏻 宋亚宸

不太一样。比如有些公司主要服务游戏公司，他们会根据游戏公司的需求去提供定制化的解决方案。还有的专注于工具本身。但我们希望构建的是一个社区和平台，这是完全不同的路径。这件事的难度极大，投入也需要长期坚持，不可能短期内完成。

👩🏻 Ronghui

那你怎么看待商业化？听起来，服务游戏公司似乎是更接近收入的模式。

👦🏻 宋亚宸

我并不认为服务游戏公司就更接近商业化。观察下来，全球范围内长期服务游戏公司的公司，其实过得并不算特别好。你可以试着举反例：是否有哪家公司因为专注于服务游戏公司而发展得特别成功？几乎很难找到。换句话说，toB 的路径在这个行业里并不算最理想。

👩🏻 Ronghui

那你们自己的商业化路径是什么样的？过去两年是否按计划推进，还是有一些意外？

👦🏻 宋亚宸

我认为在早期，商业化的本质并不是「商业化」本身，而是产品。就像之前谈到的，早期产品的本质不是功能，而是技术。只有当产品真正具备足够的差异化，商业化才有坚实的基础。

具体来说，增长和 BD 在两种情况下最有价值：第一，当产品高度同质化；第二，当用户之间存在巨大的信息差。如果这两点都不成立，那么最核心的任务就是把产品打磨得更好。对我们来说，现在更重要的不是多招 BD、陪客户吃饭，或者通过买广告来做增长，而是让产品本身更强。等进入下一个阶段，再讨论商业化的方式更为合适。

👦🏻 Koji

所以可以理解为，你们觉得现在的产品还不够好，不值得大规模推广？

👦🏻 宋亚宸

这不是「产品不够好，所以不能推广」，而是「让产品更好，比推广更关键」。比如英伟达，他们的产品非常强大，但并不依赖销售团队去推动商业化，也不需要天天往字节、百度去推销。对他们来说，持续把产品做得更好，比额外的推广方式更合理。我们也是一样：当客户没有明显的信息差，而产品又足够差异化时，最优解就是继续强化产品，而不是优先做 BD 或买流量。

👩🏻 Ronghui

我注意到你在几次采访中都提到，每年年底会和团队分享愿景。你说每年讲的内容其实差别不大。能不能具体谈谈，在创业两年多以来，哪些东西一直没变，哪些又发生了变化？

👦🏻 宋亚宸

我们每年大约在三月中旬会做一次全员分享。我通常只需要把去年的 PPT 截图放到新的版本里，再稍作更新，就能继续讲。这是因为愿景和核心路径几乎没有变化，只是往前推进了一年，完成了更多目标。

👦🏻 Koji

所以，你们的天使轮 BP 和现在相比，变化并不大？

👦🏻 宋亚宸

严格说，我们天使轮阶段并没有正式的 BP，但内部分享时用的 PPT 与现在相比，并没有太大差别。

👦🏻 Koji

很有意思。我最近听到一个故事：王慧文去见某位创业者，让他拿出四五年前的天使轮 BP，再对比今天，看哪些改变了，哪些没变。结果发现转型之后变化不少。

👦🏻 宋亚宸

我们这方面很简单，因为几乎没有变化。每当我想调整愿景时，团队往往会反对。所以愿景和路径一直保持稳定。团队成员对愿景和路径有强烈的认知和认同感，这也是我们凝聚力的来源。我们几乎没有人才流失，原因就在于大家对这条长期主义的道路充满信心和热爱。半年后，我会做第四次分享，我希望那时仍然在讲同样的内容。

👦🏻 Koji

那这种持续的认同感从何而来？是因为大家本身就是产品的潜在用户，期待用上这样的产品？还是因为其他原因？

👦🏻 宋亚宸

部分同事确实是潜在用户，另外一部分则是因为亲眼见证了愿景逐步实现。很多事情的发展速度甚至比我们当初设想的还要快。这种「故事逐渐成为现实」的过程本身就非常有力量。五年前我们讲的愿景，如今每年都有新的进展能印证它，这让团队深受鼓舞，也进一步坚定了大家的信心。

欢迎来到第四产业：当价值的唯一衡量标准是「体验」

👦🏻 Koji

能不能描述一下，如果你的愿景真的实现了，那会是怎样的一幅画面？

👦🏻 宋亚宸

我们通常说人类社会经历了农业时代、工业时代，再到服务业，形成了所谓的三大产业。但我认为，其实还存在「第四产业」——内容产业。它的核心在于创造内容与体验。

未来，人类在物理世界中能够创造的价值会越来越有限。因为几乎所有物理价值（physical value）都将由机器人完成。换句话说，很难再找到「人能做而机器人不能做」的事情。既然如此，人类的价值从何而来？我认为答案在于「创意」。

如何衡量创意的价值？可以用一个指标来定义：所有人在我创造的内容和体验中停留的时间总和，就是我在这个世界上创造的价值。

👦🏻 Koji

这听起来很像你小时候在学校设计的那些游戏，吸引同学们课间来找你玩。

👦🏻 宋亚宸

这里的「内容和体验」不一定是游戏，它可以是任何形式。可能是一起对战、狂欢，可能是冥想和探索。我无法预测未来人们具体会选择什么，但可以确定的是，人类天性追求「极致的体验（optimal experience）」。当人们拥有足够多的选择、甚至无限的选择时，他们就能凭借「用脚投票」的自由，找到属于自己的极致体验。

那如何实现无限的体验？答案是 UGC 与 AIGC 工具。UGC 提供源源不断的创作，而 AIGC 工具则使创作效率成倍提升。以抖音为例，短视频内容接近于无限，加上推荐算法的加持，用户体验自然更佳。这种机制本质上也非常公平——人们用「时间与注意力」投票，决定了哪些内容更有价值。

因此，未来最富有的人，很可能不是掌握最多土地或资本的人，而是最具创意的人。他们能创造出一个世界，让所有人都愿意在其中停留。甚至可能只是一个看似简单的「小偷模拟器」，却因为带来独特的体验，吸引无数人沉浸其中。

这种价值的核心依然是「体验」。推荐算法如果更优，就能更精准地将用户与内容匹配；算力如果更强，就能提供更流畅的使用感受。美剧《上传人生》（Upload）里就有一个场景：在虚拟世界里，充值少的人体验会卡顿，而充值多的人则享受极致流畅。未来的世界，很可能也会是类似的逻辑。

当算力、推荐算法和内容创作工具（比如 Tripo、Midjourney 等）结合在一起时，人们就能源源不断地产生新的内容，并在其中沉浸。那些拥有更强创意、掌握更好工具和更多算力的人，就会创造出真正让大众快乐的体验。而这，也将成为未来新的财富与价值来源。

👩🏻 Ronghui

你这两年 AI 创业的个人体感是什么？

👦🏻 宋亚宸

我觉得非常幸运。我们有一些资源可以冷启动，但又不是过多，不至于被资本的「资源诅咒」困住。历史上没有哪家伟大的公司诞生在资本市场极度繁荣的时候。今天的环境刚好能保持合理的饥饿感，这是值得感恩的。

👩🏻 Ronghui

那如果你能对两年前刚决定创业的自己说一句话，你会说什么？

👦🏻 宋亚宸

我会说：「你真牛，真有勇气。创业是对的，选择得很正确。」

👦🏻 Koji

所以你在创业过程中受过什么苦吗？

👦🏻 宋亚宸

当然。创业每天都有各种问题要解决，这是必然的。

👩🏻 Ronghui

那你是怎么化解这些痛苦的？

👦🏻 宋亚宸

我会玩游戏，比如《龙与地下城》。

当物理世界是你全部的世界时，痛苦就会占据全部人生。但如果物理世界只占 50%，另一半由虚拟世界填充，那么痛苦的比例就会减少。

如果你如此注重神创造的世界，那神创造的世界就会左右你所有的心情。但当你还有很多人创造的世界的时候，那么神创造的世界只是你人生中的一部分。

👩🏻 Ronghui

我记得你在另一场采访中提到过，你是一个非常需要虚拟世界的人。

👦🏻 宋亚宸  对，必须的。我觉得其实每个人都需要，只是很多人现在没有意识到。

👩🏻 Ronghui

感谢 Simon 跟我们分享了关于 3D 大模型、工具与创业的思考，非常精彩。

👦🏻 Koji

谢谢，期待下次再来。

👦🏻 宋亚宸

好，拜拜。

文章来自于微信公众号 “十字路口Crossing”，作者 “十字路口Crossing”