人工智能公司Tripo AI近日宣布获得5000万美元的新一轮融资，并推出了新一代模型架构，旨在直接在原生三维空间中生成生产就绪的3D资产。

本轮融资由阿里巴巴和百度风投支持。

该公司专注于构建用于空间理解与交互式内容创作的3D基础模型与世界模型。

随着游戏、机器人、制造和沉浸式媒体领域的需求不断增长，Tripo AI将其技术定位为可编程空间内容的基础设施。

该平台目前已服务全球超过650万创作者和9万名开发者，累计生成近1亿个3D资产。

通过订阅工具、创作者软件和开发者API，工作室、平台和独立开发者可将AI生成的3D内容整合到生产管线中。

除融资消息外，Tripo AI还透露了其最新模型系列（包括 Tripo H3.1 和 Tripo P1.0）的更多细节。

这些系统摆脱了早期将几何数据转换为令牌序列或低维中间表示再进行三维形状重建的生成方法。

这一技术区别是本公告的核心。

基于语言模型或图像生成器改造的序列化系统会对本质上对称的空间数据强加人为的顺序。

在 Tripo AI 的最新架构中，顶点、边和多边形面在一个共享的空间特征场中表示，而非按序预测。

几何与拓扑在统一的三维概率空间中共同演化，该方法被认为更契合空间数据的数学结构。

Tripo AI 创始人兼首席执行官 Simon Song 表示，当今多数生成式AI围绕序列构建，但三维空间本质上是整体且对称的。

当几何被强行塞入序列时，就引入了人为的结构。

他们的方法直接在原生空间中对形状进行建模，使得结构能够连贯地涌现。

该架构旨在通过让系统一次性推理整体形状，而非逐步组装网格，以改进拓扑生成。

在传统管线中，序列化预测可能导致小误差累积，从而产生破碎的几何体、缺失的表面、不稳定的网格结构以及对复杂网格更长的处理时间。

通过在同一个概率场中对几何和拓扑进行建模，系统能更一致地处理对称物体、关节组件以及带有孔洞或嵌套结构的拓扑。

并行空间计算也减少了跨数千网格元素的自回归预测开销。

Tripo AI 报告称，生产就绪的多边形网格最短可在两秒内生成，比早期的网格生成工作流程提速高达100倍。

这些模型基于约5000万个高质量3D资产训练，据称为行业最大的结构化多边形网格数据集之一。

目前有两类模型家族支撑该架构。

Tripo H3.1 专注于工业设计、高分辨率3D打印和影视资产开发所需的高保真几何与视觉精度。

Tripo P1.0 则针对实时图形和交互式环境优化，直接基于原生多边形网格数据训练，可为游戏引擎、机器人仿真和XR应用生成拓扑感知的网格，同时绕过沉重的中间表示与重拓扑步骤。

Tripo AI 还在推进 Tripo W1.0，这是一个早期的世界模型计划，专注于模拟动态空间环境并与之交互的系统。

Song 指出，三维表征是物理世界的基本结构。

随着AI超越文本和图像，空间推理将成为机器理解和在现实中运作的核心能力。

近期的产品发布正将AI生成的3D资产推向主流生产工作流程。

设计与工程软件公司欧特克最近在其 Flow Studio 平台中添加了 Wonder 3D，允许用户通过文本提示或图像生成可编辑的3D角色、物体和概念视觉效果。

然后可将其导出为OBJ文件，用于游戏开发、虚拟制作、原型设计和3D打印。

此举显示了生成式系统正如何快速融入成熟的内容管线，尤其是在注重速度和可编辑性的早期资产创作阶段。

可用的几何体仍是比快速生成更棘手的问题。

开发文本到3D和图像到3D系统的 MeshyAI 近期的工作凸显了视觉合理性与物理或管线就绪度之间的差距。

其最新模型引入了一种新的内部几何表示方法，旨在生成更高分辨率、水密的网格，同时提供重网格控制、向Bambu Studio的切片器交接以及稳定不均匀打印的工具。

即便如此，非流形边、薄壁、孔洞、脆弱的负空间以及缺失的修复功能仍是现有的制约。

这正是 Tripo AI 试图突破的边界，其声称几何与拓扑可在原生三维空间中连贯生成，而非通过序列化近似重建。