测试AI模型其实很容易发现一个问题。

AI生成的3D模型，看起来越酷，打印出来越容易出问题。

不是3D打印机的问题。

是很多AI压根不知道现实世界有重力。

它学过几百万个椅子的样子，但没人告诉它椅子腿要承重。

它知道火烈鸟有细长的腿，但不知道细到一定程度就撑不住一杯水。

生成模型的训练目标是看起来对，不是放到桌上不倒。

麻省理工CSAIL实验室做的这个PhysiOpt，在这里打了一个补丁。

相当优雅。

本文含AM易道基于原始研究的独立解读和读后分享，文中技术描述经过通俗化解释，也包含大量AM易道的主观分析与判断，不代表原作者观点，如需了解完整技术细节，请参阅原始论文。

以前怎么解决这个问题

有人会说，打印出来不对就改嘛，改完再打。

问题在于改这件事本身。

传统流程是：

AI生成→导出网格文件→拿去做结构分析→发现哪里太弱→手动修→重新导出。

每一步都在跨工具，每一次导出都是单程票。

改完的文件回不去AI，没法再用AI继续迭代，设计语言也容易在反复修改中跑偏。

改到最后，那个椅子可能还是四条腿，但已经和你一开始想要的东西没什么关系了。

还有一类方案是直接训练一个能生成物理学合理形状的新模型。

但这需要大量带物理标注的数据，而且每换一个场景、一种材料，可能就得重新训练。

PhysiOpt选了另一条路。

它做的事，其实只有一件

在AI的内部空间里做物理优化。

需要解释一下AI怎么生成3D形状。

需要先把这个形状的意思压缩进一个数学向量，再从向量解码出具体的几何。这个向量所在的空间，叫潜在空间。

你输入"一把椅子"，AI在潜在空间里找到椅子的位置，解码出来。

输入"一把扶手椅"，找到另一个位置，解码出另一个形状。

这个空间有一个重要特性：相邻的点，解码出来的形状也相邻。它是连续的，有语义结构的。PhysiOpt做的是：

对生成出来的形状跑一次有限元分析，就是工程师用来测桥梁和飞机零件的那套东西，把物体切成小块，逐块算力学响应，看哪里撑不住。

然后把结构上有问题的信号反传回潜在空间，推着那个向量往更稳固的方向走，再解码出新形状，再测，再推。

整个过程，AI始终在线。

优化是在AI理解的语言里进行的，并不是在几何表面上贴补丁。

这就是为什么优化结果看起来还是设计过的：

桌腿往外伸展，而没有在腿上长出一个奇怪的凸起；

薄弱的连接处自然加厚，而不是被一块几何噪点填满。

论文图里说的事

上面论文开头那张图把整个价值讲完了：

左边是AI生成的原始模型，中间用户指定受力点和材料，右边是优化后的结果。

红色代表变形大的地方，蓝色代表稳定。

优化前一片红，优化后大片蓝。最右边是打印出来的实物。

这个流程大概半分钟到两分钟跑完，取决于形状复杂度。

系统架构图（图2）展示了技术链路：

潜在参数→解码成隐式场（描述三维形状的连续数学函数）→转成体素网格→有限元分析→算出物理损耗→反传梯度→更新潜在参数。一个完整的闭环，全程可微分，意味着梯度能顺着链路一路传回去。

图3说明PhysiOpt支持三种不同的AI底座：

全局向量模型（DeepSDF，整个形状一个向量）、分部件模型（PartGen，每个零件各有向量）、稀疏体素特征模型（TRELLIS，大规模3D生成模型）。

只要底层AI能输出可微的隐式场，就能接进来。

图4是技术核心：

AI输出的是一个连续的数学场，PhysiOpt把它转成体素网格，每个体素根据密度值决定是不是实心的，再赋予对应的材料刚度。

不提取网格，直接在规则格子上算物理。这是速度快的根本原因，也是梯度稳定的原因。

图5展示用户可以在三维空间里自由指定受力位置：

台灯的悬线、书挡的受压腿、挂钩的四条臂，每个场景施力方式不同。

图6是三种AI模型的优化结果，配了变形热力图和局部放大。

可以看到系统让桌腿自动外扩、薄弱处自然加厚、悬空部件自动连接。

关键是这些修改保持了原始设计的语言，章鱼椅还是章鱼椅，没有突兀的出现一个被工程改造过的奇怪物件。

图7展示了一个关键能力是迭代不断链。

用TRELLIS举例，从图片生成一栋小屋→优化前廊结构→用AI inpainting加一个侧平台→再次优化整体。

两轮优化之间的AI编辑，系统完全理解，不用导出重导入，不会丢失设计语境。

图8还展示了多材料分配！

同一把椅子，腿部赋予金属材料，框架用PVC，优化策略完全不同。

金属版变形小，系统改动幅度也小，而PVC版需要更大的结构调整。

材料选择和结构优化联动，在生成阶段就能做这个权衡。

图9是全文最有说服力的部分。

用TPU打印了章鱼椅和火烈鸟杯，然后加砝码。

未优化版本是章鱼椅腿弯到碰地，火烈鸟杯轻轻一压就倒。

而优化版本一直从20克加到500克，稳住了。是实物展示。

图10是和传统方法DiffIPC的正面对比。物理指标两者差不多，但PhysiOpt每次迭代0.47秒，DiffIPC是30.84秒，差了将近70倍。

DiffIPC直接动网格的顶点，表面出现凹凸噪点；

PhysiOpt在潜在空间改，腿往外伸、背板加高，还是一把设计过的椅子。

真正变了什么

很多AI建模软件是不带物理合理检查的，即使有，在这文章之前，物理合理性是3D生成流程的事后检查项。

生成完了，检查，不对，返工。

PhysiOpt让它变成了生成过程的内在约束。

这不只是效率的变化，是设计链路的结构性变化。

AI不再是一个输出待检品的工具，它开始承担打印出来能不能用这个问题的责任。

另一个变化是复杂功能件的设计门槛真的降下来了。

以前保证结构强度需要懂CAD、懂力学。现在这部分判断被内化进了生成过程，这条路原来有一道专业壁垒，现在这道门开了一条缝。

还有一点值得注意这套框架是开放的。

PhysiOpt不绑定某一个AI模型，理论上可以接任何能输出隐式场的3D生成器。

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

物理求解器也是，成更精确的求解器，优化质量会进一步提升。这是一个可以随底层技术一起成长的框架。

没解决的问题

论文提到仿真分辨率是32³的体素网格，比较粗。

物理预测是方向性的，还没达到工程精度。

而TRELLIS的体素特征优化，偶尔会出现孤立的几何碎片，像素化的小凸起。

这是AI模型本身的表达方式带来的副作用，还没有干净的解法。

最大的实用门槛是用户目前还需要手动设定受力条件。

在哪里施多大力、哪里是固定端，这对没有力学背景的用户仍然是一道坎。

团队在论文里提到想引入视觉语言模型来自动推断这些参数，说"一个放在书架上的花瓶"，系统就能自己理解固定点在哪、力从哪来。

这一步如果做到，这个工具的受众就彻底打开了。

写在最后

AI生成3D打印内容这件事，从根本上讲就是在往物理世界输出信息。

但AI一直活在一个没有重力、没有材料强度、没有物理规律的虚拟空间里。

这篇论文是一次正经的接地。

没有用更多数据和算力训练一个更懂物理的AI，而是给现有的AI接了一根物理世界的反馈管道。

实物已经打印出来了，放在MIT的桌上。

章鱼椅没有塌，火烈鸟杯没有倒。

AI能不能设计？这个问题已经过时。

新问题是，还需要不需要人来设计？

这个问题，现在开始变得越来越认真了。

AM易道期待与您在几周后的上海TCT现场讨论AI与3D打印的一切。

届时AM易道还将主持TCT的出海论坛以及创客的GeniusHub活动，并且分享部分优秀企业的新品发布，敬请关注。