16 min read

Astra 引爆建模革命:为什么 Unity 与 Autodesk 可能是“伪受益者”?

Source: https://x.com/i/article/2096496788542836736

欢迎关注我的公众号:“预测市场那些事儿”。

GPT-6 Astra 正式推送给普通用户还不到 72 小时(对绝大多数普通/付费用户而言,实际可用时间甚至只有 24~48 小时),先看看大家用寥寥几句提示词,分别构建出了什么。

一栋由 AI 搭出来的房子,厨房里的咖啡机竟然真的能用。

人在房间里走过去,按下交互键,机器开始冲煮,杯中液面随之升高。这个细节出自 OpenAI 工程师 Thomas Ricouard 用 GPT-6 Astra 制作的住宅项目:房子先在 Blender 里建好,再搬进 Unreal Engine 5,最终交付为可自由漫游的 Mac 应用。

似乎并不需要所谓的「世界模型」——只要能熟练操作各类 3D 编辑工具,AI 就能把空间想法推进为可编辑、可运行的作品,并开始接手流程中琐碎的检查与返工。人们这才恍然大悟:难怪 OpenAI 之前要采购那么多 Mac 用于训练。

一栋能走进去的房子

图像

Thomas Ricouard 的 Solace 项目。图为 Blender 渲染,实时漫游由 Unreal Engine 5 承担。

Ricouard 起初只描述了房子的风格、家具和花园,随后逐步加码需求。Astra 先给出更大的户型方案,安排三间卧室和一间办公室,再围绕庭院组织各个房间。人负责确认方向,模型把这些要求落实为几何结构、材质与灯光。

最有意思的是“修错”的过程:厨房水槽有一块平面在光照下看起来像凹了进去,Astra 便调整了表面法线以修正明暗,并顺手修齐了边缘。迁移到 Unreal 时,它还要处理两套软件的长度单位、坐标方向和材质差异:门必须能打开,地板要能承重,树干应当挡住人的去路,而蕨类植物不能像一堵墙似的把行人卡住。

一个能拆开的人体

图像

Human Atlas 实测截图,解剖网格来自 BodyParts3D,采用 CC BY 4.0 许可;网页对几何做了简化,并增加了颜色与分组。

ashebytes 用 GPT-6 生成的 Human Atlas,可以把人体的不同系统拆开来看。网站标注了 2,234 个网格,支持单独切换骨骼、肌肉、血管等系统,也能搜索具体结构。拉动拆解滑块,原本互相遮挡的部分会在空间中分离,读者还能旋转视角,查看它们的相对位置关系。

作者原帖

不过需要说明的是,Astra 导入了 BodyParts3D,以及其中与人体相关的 3,432 个概念;并非 Astra 从零绘制了 2,234 个准确的解剖零件。但这依旧很震撼:这个案例展示了另一种生产力——既有的专业数据,经由 AI 的组织、编程与界面设计,变成普通人也能直接使用的交互产品。数据早已存在,但要让人更顺手地理解数据,仍需要有人把工具做出来。网站也明确限定用途:仅供一般教育探索,不承担诊断或手术指导。

教材出版者和培训机构的福音:一份来源可靠的模型,配合面向课程的操作方式,就能把插图扩展成交互教材。最早能付费的需求,往往是让既有内容更易理解;内容准确性与课程设计仍需由专业人员负责。

一张老图纸秒变火车模拟

图像

Tom Krcha 原帖视频的封面,右下角为参考图纸,右侧可见 Blender 对象列表。

*建模原帖*

·

*部件拆分演示*

这又是火车爱好者的福音:Tom Krcha 把一张旧蒸汽火车图纸交给 Astra,要求它在 Blender 里重建。按他的说法,几分钟后,场景中出现了 3,295 个可编辑物体。锅炉、车轮和连杆已经有了空间关系,他随后又要求模型把各部分拆开。

后来作者又把火车用 TypeScript 和 Three.js 重新实现,让车轮运动、拆解动画都由代码控制。他随后发布了带城市、桥梁和铁路道岔的模拟游戏演示。一个物体的建模实验,逐渐长成了可以继续开发的项目,变成了一款铁路模拟游戏。

Astra 让普通人也能用专业软件整活儿了

把这三个案例放在一起,答案就呼之欲出了:

它能理解用户想要怎样的空间,把需求拆成软件可执行的动作;当软件返回报错或渲染画面时,也能据此调整。作品还可以被带到另一个程序里,继续增加交互与交付形式。过去需要专业人员亲自衔接的许多步骤,开始由同一个智能体连续完成。

这里的 Computer Use 也包含不同做法。住宅案例大量使用 Blender 的 Python API 和后台执行,同时通过软件界面与渲染图检查结果。OpenAI 的开发文档同样推荐 Astra 通过代码执行来完成计算机操作,并接收截图等反馈。鼠标、脚本和软件接口各有分工,模型需要判断眼前的任务更适合哪一种。

OpenAI Computer Use 文档

程序化制作还有一个实际好处:他是可编辑的,可交互的,可以被二次开发的。

当零基础也能玩建模

建筑可视化会更早感到这种变化。Solace 已经把一个空间方案做成了效果图和漫游应用。顺着这项能力往下推,设计师与客户就能更频繁地比较布局,在投入施工之前发现动线问题。住宅展示、家居配置和地产营销,都有理由为这种更快的表达服务付费。

但照片里没有的地方,AI 只能依据线索推断。用房源图片补出室内空间,适合用于概念展示;若要保证户型尺寸或管线位置,就必须接入测量数据。商业价值取决于用途对精度的要求,以及专业人员修正结果需要花多少时间。

工业培训也有相近的需求。火车的拆分演示和人体图谱,把整体与部件之间的关系更直观地呈现出来。如果企业拥有准确的设备模型与维修资料,同样的组织方式就有机会用于装配教学和售后说明。这里推演的是工作方式的迁移,尚不能据此声称 Astra 已经承担工厂的工程设计。

机器人训练则把要求再提高了一层。屏幕里的一张桌子,只要看上去像桌子,就能服务于展厅;但机器人要把物体放在桌面上,还需要可信的碰撞表面与受力参数。质量、摩擦和传感器表现都会影响训练结果。几何搭建加快以后,物理标定与真实环境测试反而更显眼。

这个方向已经有真实的产业投入。NVIDIA 与 AWS 在 2026 年 8 月公布的合作,覆盖机器人仿真、合成数据和训练,并包含真实环境与仿真之间的验证。Agent 生成场景可以成为其中一项工作,但生成场景本身并不保证机器人学会在现实中行动。

NVIDIA 与 AWS 合作公告

游戏会同时受到两种力量影响。小团队能更快做出原型,原本因资产工作量太大而搁置的玩法,可能值得试一次;大公司也能用同类工具提效,却要面对更多竞争者。做一个世界更容易之后,让玩家愿意留下来,仍然需要设计和运营。

Roblox 已经提供了一个相关的现实样本。它在今年 2 月发布 4D generation 测试版,尝试让玩家用文字生成可驾驶的汽车。在 Wish Master 中,开发者报告早期用户生成了超过 16 万个物体,使用这项功能的玩家平均游玩时间更长。这是开发者观察,存在用户自我选择的影响,不能当作严格的因果实验,更不能归功于尚未发布的 Astra。

Roblox 官方案例

它说明了一件值得继续追踪的事:生成能力可以进入玩家正在玩的过程,成为玩法的一部分。如此一来,3D 生产工具既会影响内容数量,也可能改变人们使用内容的方式。

美股里的真实受益者与伪概念

从酷毙了的演示再到真金白银赚到钱,似乎只有一步之遥了。

但是历次产业革命的经验告诉我们,”非也非也“:

如果 AI 真的改变了 3D 的生产力与生产方式,商业逻辑恐怕会变得更残酷:要么垄断最底层的算力税,要么掌握闭环的消费与分发场景;而那些只靠卖工具、按人头收订阅费的中间软件,反而最先被砸碎护城河。

通俗点说,原因就两句话:

中间工具以前赚的是「操作门槛」的钱:传统软件按人头收取高昂订阅费,核心原因在于操作复杂、企业必须雇用熟练专业人员;当 AI 能直接指挥免费开源工具(如 Blender)把活干好,企业需要的熟练工更少,席位费自然收不上来,工具本身的壁垒也随之被抹平。也许你会说,AI 也让“用的人变多了”,但在消灭「为复杂操作买单的专业工位」的同时,也会把流量引向免费开源工具(或其他愿意以更低利润提供“平替”的工具,因为 AI 总能通过各种操作补足其专业性短板);最终,新增用户带来的预算会被底层算力与模型公司收走,而不是转化为传统工具软件的订阅收入。

两头的价值谁也绕不开:不管你用什么工具,AI 每次推理、改错、渲染,都得向芯片和云端交算力税;而做出来的东西必须有地方消费、有人玩,才能在分发平台里直接变现。夹在中间、只卖界面与工具的软件,最容易被两头架空。

NVDA & AMZN:确定性最高的「算力包税人」

  • 核心逻辑:Astra 带来的不是一次性文本出图,而是 Computer Use 驱动的「多轮推理 + 交互报错 + 实时渲染 + 物理模拟」。每一次调整法线、每一次跨软件导出、每一轮机器人仿真,都在成倍消耗算力。
  • NVDA:通吃 AI 推理、图形渲染与机器人仿真(Omniverse)。只要 3D 内容和仿真需求爆发,算力采购就是刚需。
  • AMZN (AWS):企业级渲染与具身智能训练的核心承载地。两家 8 月敲定在 2027–2028 年追加部署 200 万颗 GPU 的合作,直接锁死了下游基础设施的基本盘。双方合作公告
  • 唯一变量:单任务推理成本下降的速度,是否会超过调用量增长的速度。

Roblox (RBLX):唯一具备「生成即消费」闭环的场景平台

  • 核心逻辑:模型是谁的不重要,重要的是做出来的东西在哪里能直接变现。
  • 变现通路:创作者用自然语言生成可交互资产 -> 玩家游玩时长与活跃度上升 -> 直接充值消耗 Robux -> 平台抽成。Roblox 在 2 月测试 4D 生成、5 月开源 CubePart,本身就在把生成能力直接内嵌到玩法里。CubePart 研究
  • 跟踪指标:不要看虚标的资产生成量,只盯 Bookings(预订额)净增与扣除开发者分成后的利润率:2026 Q2 10-Q 财报

Unity (U) & Autodesk (ADSK):商业模式面临重估的「伪受益者」

  • Unity (U) 不是纯正的 3D 工具股:2026 Q2 收入 5.46 亿美元中,70% 是靠广告网络的 Grow 业务(3.89 亿),做引擎工具的 Create 业务仅占 1.58 亿。Unity Q2 财报Astra 的案例全部基于 Blender + Web/Three.js 或 Unreal 5。当 AI 抹平多引擎和开源工具的使用门槛,Unity 既无法垄断工作流,还要面临开发团队缩编带来的「席位费流失」。
  • Autodesk (ADSK) 面临开源 + AI 的降维打击:别拿 4.5% 的传媒娱乐业务(9,200 万美元)来概括整家公司。它真正的基本盘在建筑 AEC(10.29 亿)和制造(3.85 亿)。Autodesk 2027 财年 Q2 财报危险在于:传统 CAD/DCC 软件靠复杂的专业操作建立壁垒、按席位收租;当自然语言直接驱动 Blender 等开源工具出结果,存量客户的席位续费动力必然松动。

Take-Two (TTWO) 与游戏大厂:短看产品发行,长防竞争内卷

  • 短期看产品周期,不看 AI:Take-Two 当前股价核心锚定 11 月 19 日发售的《GTA VI》及 2027 财年 80–82 亿美元的 Net Bookings 指引,AI 建模提效在短期财报上根本翻不起水花。Take-Two 财报
  • 长期成本优势会被竞争吃光:AI 降本是行业普惠的。大厂能省成本,独立小团队同样能用极低成本堆出大体量作品,争夺玩家的有限时间。
  • 剔除标的:EA 已于 2026 年 8 月 4 日完成私有化并退市,不再作为可交易美股标的跟踪。EA 8-K 退市文件

投资逻辑与证伪清单

美股标的 商业本质 核心做多逻辑 核心证伪 / 风险点 NVDA 算力卖铲人 交互建模、多轮返工与机器人仿真带来持续推理增量 单次任务推理消耗骤降,自研芯片分流 AMZN 云基础设施税 AWS 承载企业级 3D 渲染与物理仿真机时消耗 Capex 激增但云端付费转化不及预期 RBLX 闭环内容消费平台 AI 生成降低创作门槛,拉长游玩时长并带动 Robux 充值 同质化垃圾内容泛滥、审核与算力成本失控 U 广告变现为主的引擎商 小游戏与移动端内容供给增加,带动广告网络变现 工作流绕过 Unity 引擎;团队缩编导致席位费下滑 ADSK 高壁垒工业/设计软件 将 AI 深植入工程数据流,转型高客单价企业服务 开源工具+AI 替代传统工作流,席位续费率下滑 TTWO 重度内容制作方 利用自动化工具压缩非核心美术资产的外包与开发周期 大作发行周期主导业绩;中小团队内容爆发分流玩家注意力

说到底,别为「几分钟建完一栋楼」的演示买单,要看钱最终流进了谁的账户。

在 3D 资产生产门槛归零的趋势下,买算力垄断者(NVDA/AMZN)和流量分发平台(RBLX),确定性远高于买传统工具软件与按人头收费的中间商。

主要来源与配图

本文资料核对截至 2026 年 9 月 6 日。社区耗时与数量采用作者披露,股票部分讨论业务传导,没有给出目标价或收益承诺。

Photo by

Thorium on

Unsplash