摘要

VAST的核心判断是，语言模型已经“撞墙”，而3D大模型仍在每三到五个月重起一堵“新墙”的高速迭代期。 宋亚宸随即收窄边界：“不是所有的模型撞墙了，我就看到了语言撞墙了。”在模型持续跃迁的领域，纯应用公司刚“护好旧墙”就可能被新版抹平；VAST同时做基模与工作台，优势正是知道哪些缺口会被下一版解决、哪些值得产品化。
Tripo 3.0跨过的不是演示效果门槛，而是多数场景可以直接使用的“pipeline ready”门槛。 宋亚宸称，用户已能把生成模型直接送入3D打印机，无须理解结构、格式或DCC软件；产品上线一年半已积累全球约300万—400万专业创作者、4万多家企业客户，其中700多家是大型客户。当前只发布了Standard，效果更好但耗时更长的Ultra仍待推出。
Tripo Studio证明了模型公司贴近用户并不必然稀释投入，反而可能形成模型、产品与收入的闭环。 这套AI-native工作流于5月31日上线后，公司收入“翻了两倍多”；主持人随后概括其已贡献超过一半收入。它把语义分割、部件补全、万物骨骼绑定、低模生成和Magic Brush串成工作流，让原本需要专业人员精修的“80分资产”以更低成本继续编辑。
VAST当前最明确的壁垒主张，是约4000万个高质量原生3D资产、五六十位清华博士，以及融资额和估值的赛道领先主张。 宋亚宸称，竞争者数据多在百万级，而VAST的数据达到“《黑神话：悟空》里面孙悟空那种级别”；公司已融资三轮，每轮约数千万美元，团队110多人。但他仍强调：“不是商队越大越好找到绿洲”，规模之外还有路线选择与运气。
终局押注不是卖一个3D工具，而是建立零门槛、零成本、实时创作的3D UGC网络。 宋亚宸以《王者荣耀》连续十年约1亿DAU、全球游戏市场约2600亿美元为需求证据，并大胆判断，未来3D可交互平台可能达到现有主要社交与内容平台总和的两到三倍；今天所有游戏届时只会是这个大品类中的“一小部分基因”。
现阶段的商业化本质仍是产品，而不是堆销售、广告和饭局。 宋亚宸的条件判断是：只要专业用户没有明显信息差、产品仍有足够差异化，继续提高产品就比增加BD更有效；当产品同质化或开始服务不主动关注3D模型的PUGC、UGC用户时，增长和品牌才会成为必要能力。其CEO Program已访谈约1000—2000名真实用户，需求从游戏扩展到工业设计、毕业创作、残障表达和XR应用。
更大的世界观是，互联网正在从文字、图片、视频逐步“解压缩”回3D原文件，人类价值也将从物理生产转向内容与体验。 在宋亚宸设想的“第四大产业”里，一个人创造的价值，是所有人在其内容与世界中停留的总时间；财富最终表现为算力、推荐能力和更多创作Agent。对他自己，虚拟世界也是创业压力的缓冲：“当物理世界只是你百分之四十到五十的人生的时候，你至少还有一半是不痛苦的。”

精读

1. 宋亚宸从“造世界”走到3D大模型，并非临时追逐风口

宋亚宸28岁，本科毕业于约翰霍普金斯大学，早年学希伯来语、阿拉伯语，后来跨到AI；他曾在商汤做AI动画与游戏，2021年参与创立MiniMax，2023年创办VAST。
据其披露，VAST已完成三轮融资，每轮规模约数千万美元，团队合计110多人；面对收入和利润问题，他没有给出具体数字，只以“这个问题非常尖锐，不知道让不让说”带过。
他的创作欲很早就显形：小学时在破本子上设计RPG、等级、装备和探险系统，同学用香菇肥牛、辣条等零食“充值”。他的总结是：“当你自己造了一个小世界的时候，你就成为这个世界里的神了嘛，你就有最终解释权。”
他不擅长写字，也不喜欢用文字写prompt，却擅长聊天；这直接影响了对未来交互的判断——3D空间里不该突兀地弹出键盘，而应通过悬浮助手对话，实现“言出法随，心想事成”。

2. 代际差异正在把内容载体从文字推向AI与3D

宋亚宸观察到，自己遇到问题仍会下意识打开Google或百度，弟弟却自然使用GPT、DeepSeek完成搜索和项目；自己习惯公众号，弟弟更习惯从YouTube、B站的视频中寻找答案。
他用个人媒介史解释这种差异：小时候用一屏只能显示十个字符的MP3读五百万字小说，“得摁五十万下”；初中买iPhone 4后开始消费图片，大学才大量接触视频，后来又习惯了短视频。
更年轻的“born with 3D”用户已经出现。宋亚宸提到弟弟的学弟在B站制作“马桶人和监控人”等他看不懂的3D作品，作品却能获得几十万乃至上百万播放——需求并不会以上一代人的审美为边界。

3. Tripo 3.0把AI 3D从可生成推进到可直接使用

Tripo约在2024年初上线，至访谈时已有一年半；宋亚宸称全球专业创作者约300万—400万，企业客户超过4万家，其中700多家属于“非常大的大客户”。
他把约8月20日发布的Tripo 3.0定义为一次产业门槛变化：此前AI 3D只在制作管线的一环发挥作用，仍需专业人员修改、精修；3.0则首次在多数行业和场景中达到“可以被直接使用”的状态。
最具体的检验是3D打印：用户可以随意生成一个模型，直接交给家用3D打印机，成品效果已经“非常非常好”；用户不必知道内部结构、文件格式、修模方式，更无须先掌握DCC建模软件。
这不是单点突破，而是更多数据、更好算法和模块优化共同完成的系统工程：可控性、成功率、精细度和性能同时改善，其中宋亚宸尤其强调几何精细度。

4. SparseFlex是3.0的关键表达形式，但不是“一招鲜”

主持人试图从Tripo 2.0的DiT与U-Net复合架构追问3.0路线，宋亚宸没有直接确认架构是否延续，而是先反对“因为用了MoE就牛逼”式归因：“科学不是这么做的。”
他重点介绍了VAST研发的SparseFlex（SF）；团队在访谈当年4月已开源TripoSF。其作用包括显著降低生成成本、提高速度，并因跳过水密性环节而简化处理。
SparseFlex可支持上千×上千×上千的空间生成，带来更细颗粒和更多几何细节。宋亚宸把它类比为3D的token：表达形式越好，压缩率、还原率和保真率越高，既能承载更多训练数据，也能提高生成质量。
他把mesh、NeRF、高斯和SparseFlex都视为不同3D表达形式，而非谁单独包办全部进步。当前3.0也只发布了Standard，后续Ultra效果会更好，但生成时间可能更长。

5. Tripo Studio开始把“80分资产”变成完整工作流

当主持人追问Tripo 2.5不能做、3.0解锁了什么时，宋亚宸没有硬给单一场景，而是转向区分基模与Tripo Studio：真正新增的，是一整套AI时代的编辑和交互范式。
Tripo Studio于5月31日上线，目标是用AI-native workflow替代复杂、冗余的传统3D管线。宋亚宸称上线后收入“翻了两倍多”；主持人随后概括，它已贡献公司超过一半收入。
其产品逻辑不是要求模型一次交付满分，而是让用户生成“80分的东西”后，继续在Studio内完成二次编辑，把原来专业管线中的成本、时间和门槛大幅压低。
宋亚宸认为，每个拥有专业能力的垂直人群最终都会有自己的AI工作台：它必须端到端完成内容创作，可编辑颗粒足够细，并拥有不同于传统软件的新交互形态。

6. 分层、补全、绑定与低模生成，让AI资产真正进入生产

语义分割与部件补全解决了生成内容“一坨”的问题。宋亚宸以Photoshop图层类比：过去AI图片没有源文件，AI 3D也不可拆；现在系统能识别物体，把手和手中的水瓶分开，并分别补成完整资产以供替换。
“万物骨骼绑定”把静态雕塑变成可动画资产：除人类外，猫、狗、牛、蛇、鱼、龙、八爪鱼和蜘蛛都能自动绑定骨骼、蒙皮并配置动作，细度甚至可以到手指级别。
面向游戏、XR和元宇宙等实时渲染管线，VAST自研了基于自回归路线的低模生成。传统资产可能有几十万乃至数百万面，新模型可天然控制在数百或数千面，显著降低本地算力压力。
Studio还提供Magic Brush智能笔刷、风格提取、对称性、T-pose、Z-pose等能力；这些并非孤立功能，而是把生成、修改、结构化和落地串成可用工作流。

7. 基模“起新墙”，产品“护旧墙”，两者必须共用路线图

宋亚宸认为未来基模与agent或workstation都会做，不是简单的进攻与防守关系：“做底层大模型的时候，你在起新墙；做工程、做产品功能的时候，你在护旧墙。”
风险在于，应用团队可能围绕上一代模型的人脸等缺陷投入大量工程，下一代基模却一次解决一百个问题并顺带修好人脸，旧工程随即失去价值。
VAST同时掌握基模路线和用户反馈，因而能判断哪些旧墙值得护、哪些缺口会由下一版本自然消失；Studio把团队拉近一线用户，用户需求又反向决定基模应往哪里迭代。
他以Cursor作假设：如果GPT-5、GPT-6一路快速推进到GPT-9，通用模型不断吞掉垂直问题，纯应用便可能“无处遁形”；他举例认为Cursor应该会做自己的基模。

8. “语言撞墙”是有限判断，也是应用繁荣的因果解释

宋亚宸把AI 1.0概括为科学家手工调参、训练大量小模型，逐个解决垃圾外溢、监狱打架等长尾问题；AI 2.0则以data-driven的大模型泛化解决整组长尾需求。
他的尖锐归纳是：如果通用大模型不能继续快速解决垂类问题，垂类工程和产品便有了存在空间；但他马上限定：“不是所有的模型撞墙了，我就看到了语言撞墙了。”
在语言模型发展相对放缓后，垂类产品和agent才有空间；3D却仍保持约三到五个月一次大版本的速度，因此没有自有模型、只做应用的公司更容易被下一堵“新墙”覆盖。
主持人以DeepSeek为例：梁文锋宁可拒绝商业化，也不愿稀释追求模型智能边界的投入。宋亚宸不认为同时做产品是注意力稀释，反而认为只做基模容易变成“学术圈的自嗨”，失去判断真实需求的窗口。

9. VAST从早期的“3D TikTok”尝试里找到了真正的前置条件

公司早期曾尝试做“3D TikTok”，但很快撞上一堵墙：要建立UGC生态，世界上得先有3D UGC；现实却几乎只有PGC，因为大众缺少可用的创作工具。
宋亚宸把AI 3D类比于文字时代的输入法、图片和视频时代的手机摄像头。VAST因此转向基模，目标从一开始就是“让每一个人都可以零门槛、零成本、实时地创作3D内容”。
他反复强调公司不是“拿着锤子找钉子”：先做通用大模型、再四处寻找场景，并非VAST的路径；它先确定3D UGC这个钉子，再补齐创作工具这一缺失条件，“不能因为醋包饺子”。
主持人质疑是否必须亲自做产品才能理解用户。宋亚宸的回应是，纯基模公司的用户通常是B端，只能访问客户、再询问客户的客户；既然终局是服务创作者，团队就必须直接与创作者共同验证问题是否解决。

10. Studio先服务PGC，真正的大众产品会主动牺牲控制颗粒度

当前Tripo Studio仍主要面向Pro C或PGC，而不是小学生或宋亚宸的外婆；专业用户能够理解编辑、拓扑和工作流，大众用户则需要完全不同的内容入口。
下一步将逐步牺牲部分可控性和可编辑颗粒度，换取大量内容范式与模板，让PUGC、UGC用户在不理解3D技术的情况下参与创作。
宋亚宸用分数解释路线：从10分走到80分，UGC与PGC都需要先生成“像个东西”的结果；从90分走到98、99分，两者才分叉——UGC重速度和简单动效，PGC重精细度、拓扑结构和布线。
因此Studio不是终局偏航，而是先把现有生产关系里的用户服务好，把整体能力推到八九十分，再泛化给那些原本没有3D能力、因AI才进入生产关系的“原生用户”。

11. “人人为什么要做3D”这个质疑，忽略了媒介自然感也由技术塑造

主持人的反问是：拍照、拍视频显得自然，但3D是更高维的艺术创作，未必人人原生想做。宋亚宸指出，这种“自然”本身存在还不到十年，只是摄像头、带宽和平台把门槛降下来后的习惯。
他连续反问：在短视频出现之前，一年会看几部电影？在小红书和Pinterest出现之前，一年会逛几次画廊？在微博、贴吧和Twitter出现之前，一辈子会读几本书？他的重点是，内容平台释放了被成本压住的消费频次。
游戏已提前证明3D需求。据宋亚宸引用的数据，《王者荣耀》发布第一年即约1亿DAU，十年后仍约1亿DAU；在约13亿人口的国家长期保持这个规模，已经是全民级产品。
他称全球游戏市场约2600亿美元，至少是出版、画廊与电影市场总和的两到三倍；据此推演，3D并非小众媒介，只是尚未出现对应的大众UGC供给和分发平台。

12. 未来的3D内容不是更多游戏，而是尚未命名的新大类

主持人追问未来平台上究竟消费游戏还是类似Jenny Three的内容。宋亚宸承认无法直接命名，因为在短视频出现前，人们谈UGC视频也只能想到电影，想不到后来绝大多数视频形态。
他以B站分类为例：电影如今只是众多视频类型中很小的一部分，短剧市场甚至已经超过电影；同理，今天熟悉的三消、《原神》、《王者荣耀》或吃鸡，不会穷尽可交互内容。
他的强判断是，现有所有游戏未来都只会成为“三维可交互内容”大品类里的“一小部分基因”；VAST要服务的不是某一种游戏生产，而是能够产生未知内容、玩法和社交关系的网络。
更激进的规模预测是：未来3D平台可能达到Twitter、微博、小红书、抖音、快手、TikTok、Snapchat、Instagram等平台总和的两到三倍。这是宋亚宸的终局判断，而非已经得到商业数据验证的结论。

13. 3D大模型的三项门槛是“草料、驯马师和跑马场”

宋亚宸用养马类比AI三要素：数据是草料，科学家与算法是驯马师，算力是跑马场；3D在三项上都比语言更稀缺，因为早期互联网没有沉淀可直接爬取的大规模3D内容。
VAST据称拥有约4000万个高质量原生3D模型，质量达到“《黑神话：悟空》里面那个猴子那个级别”；其他大厂或竞争者多在百万级。主持人追问数据如何获得，他只回答：“这是我们的核心机密。”
人才同样受限于学科年龄。团队约有五六十位清华博士，集中在AI与图形学交叉处；许多人接触AI 3D也只有一两年，VAST的优势来自足够早地发现人才、投入并让团队协同。
宋亚宸称VAST融资额“应该是”赛道最高，估值“可能也算”最高；三轮融资和资金储备构成跑马场，但他保留了不确定性：“不是商队越大越好找到绿洲的。”

14. 前两年产品的本质是技术，如今才进入产品化分叉点

回看2023年至2024年，VAST只做一件事：把技术推到全球SOTA。公司很长时间没有产品经理，大量代码由CTO亲自编写，因为当时任何外围功能都无法替代基础质量。
宋亚宸的类比是：竞争者摄像头达到1080p时，720p产品增加人像、全景、红外功能没有意义；最该做的是先追到1080p乃至4K，“早期产品的本质，它是技术”。
到去年年底，团队才确认应建立专业工作台，并用约半年推出Studio；从去年底到当年，VAST招了20多人的产品与工程团队，开始处理预设、风格化、姿态、交互和产品、工程问题。
公司的长期路径却几乎未变。每年3月中旬全员分享时，宋亚宸会把旧PPT截图放进新PPT，只更新已完成的milestone；团队几乎没有人才流失，他希望第四次分享仍然讲同一件事。

15. 一两千名“首席体验官”把需求从游戏扩展到整个创作世界

VAST设有CEO Program，CEO指Chief Experience Officer，至今已访谈约1000—2000名真实用户。宋亚宸承认，许多使用方式完全超出团队最初对游戏、动画和3D内容的设想。
需求池已有上百条需求，按P1、P2、P3、P4排序，P5之后的需求可能来不及做：用户要求编辑贴图，团队便做Magic Brush；用户想改几何但不会专业操作，团队研究自然语言编辑；更好的拓扑、硬表面、拐角、UV完整性和保留贴图笔触也来自访谈。
一次大模型迭代可以同时解决人脸精细度、硬表面或贴图质量等一组问题；另一些需求则必须由专门AI算法和交互解决。产品团队的价值，正是区分“下一堵新墙会带走的问题”和必须单独完成的工作。
主持人仍追问，做整套产品是否比用户调研昂贵太多。宋亚宸坚持，公司的初心不是AI 3D AGI本身，而是创作者平台；若不把工具交到真实用户手中，便无法判断模型究竟服务了谁。

16. 最有价值的采用来自团队没有预先定义的场景

除游戏和动画外，用户已把Tripo用于3D打印、工业设计和各类设计任务；艺术院校应届生则拿它完成当代艺术、装置艺术、景观艺术与新媒体艺术毕业作品。
宋亚宸特别提到残障用户借助AI 3D表达自己、创作工业设计和内容。对这些原本难以进入专业3D生产关系的人，生成模型并非简单提效，而是让他们可以参与创作。
XR也不是只有硬件迭代：他在访谈中看到活跃的软件群体制作3D PPT、3D AI绘本和小游戏。AI 3D还可能带来新的玩法；过去十年真正的新游戏机制，他只能勉强想到自走棋。
在他看来，行业低估了发明速度：技术发明不到三年，已被数百万人和4万多家企业使用。大家因为最近新发明太多，没有充分意识到这项技术已经成熟到可以进入产业应用。

17. AI 3D不是多一个选项，而是给大众新增一种此前不存在的能力

宋亚宸认为，文生文、文生图和文生视频固然有价值，但大众原本就能打字、拿手机拍照或拍视频；AI主要增加了一个更方便的选项。3D生成则是“原来你干不了，现在能干了”。
他把按钮按下后凭空出现可用物体称为“马良的神笔”“言出法随”或魔法：“你现在每一个人都可以造一个万物了，这事情不是一件小事情。”
菜单是最具体的商业例子：十个人点菜时，二维购物车无法直观呈现菜品和份量是否足够；若把每道菜以3D模型摆在虚拟桌面上，是否够吃可以一眼判断。
过去餐厅不可能花100万元制作3D点菜系统；若生成把成本压到每年“15万元”，决策就会改变。菜单之外，广告牌、名片和各种展示媒介都可能被重做，因为3D建模成本不再决定形式。

18. 互联网的终局是“解压缩”，人的价值则转向创造可停留的世界

主持人把VAST描述为给压缩世界“升维”，宋亚宸进一步修正为“解压缩”：人并非天生喜欢低模或《传奇》的低精度，只是当时网络跑不动；算力提升后，用户自然走向《黑神话：悟空》式高精度体验。
人类最早以雕像、图腾和洞穴图画表达，后来才因携带和传递成本发明文字。文字、图片、视频不是天然终点，而是技术不足时对3D世界的逐级抽象；视频只是选定位置、角度和时间拍摄，3D则是“你就在这个里面，你就待着”。
宋亚宸把内容视为农业、工业、服务业之后的“第四大产业”：他设想未来所有physical value都由机器人完成，人类的核心价值会变成创意；衡量方式，是所有人在一个人创造的内容、体验和世界中停留的总时间。
这套愿景也解释了他的创业选择与心理结构。他会对两年前的自己说：“我操，创对了，真牛，真有勇气。我真觉得我是个人物。”遇到困难则靠游戏和《龙与地下城》切换世界——“当物理世界只是你百分之四十到五十的人生的时候，你至少还有一半是不痛苦的。”

Mercor CEO兼联合创始人 Brendan Foody：如何在17个月内从100万美元做到5亿美元收入年化规模用户所有的 AI：链上训练、推理与智能体——与 NEAR 的 Illia Polosukhin 对谈