你是否曾经有过一个看起来很酷但实际上无法使用的设计想法？在设计装饰品和个人配件时，生成式人工智能（genAI）模型也面临类似问题。它们能够创造出富有创意且复杂的3D设计，但当这些设计被制作成现实物品时，往往难以承受日常使用的考验。

问题的根源在于，生成式AI模型通常缺乏对物理规律的理解。例如，微软的TRELLIS系统可以根据文本提示或图像生成3D模型，但其设计的椅子可能结构不稳固或部件未连接完整。模型并不真正理解物品的功能需求，因此即使能3D打印，椅子也可能在有人坐下时散架。

为了解决这一问题，麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员开发了“PhysiOpt”系统，为生成式AI模型注入物理仿真能力。该系统能对杯子、钥匙扣、书挡等个人物品的3D蓝图进行快速物理测试，并在保持整体外观和功能的前提下，微调细节以确保结构稳固。

用户只需在PhysiOpt界面输入想要制作的物品及其用途，或上传图片，约半分钟后即可获得可实际制造的3D模型。例如，研究人员让系统生成一款“火烈鸟形状的饮用玻璃”，PhysiOpt在设计过程中对结构进行了微调，确保其稳固可靠。

MIT电气工程与计算机科学博士生、CSAIL研究员Xiao Sean Zhan表示：“PhysiOpt结合了生成式AI和基于物理的形状优化，帮助任何人轻松生成独特配饰和装饰品的设计。它是一个自动化系统，能在给定约束条件下，使形状具备制造可行性，并且无需额外训练即可多次迭代优化。”

该系统允许用户指定物品需承受的力量或重量，模拟现实使用场景，比如判断挂钩是否足够坚固以承重。用户还可选择制作材料（如塑料或木材）及支撑方式（如杯子放置于地面，书挡靠书本支撑）。

PhysiOpt通过有限元分析进行物理仿真，生成热力图显示模型受力情况，帮助识别结构薄弱部位。例如，鸟屋的支撑梁若显示为红色，意味着需要加固以防坍塌。

该系统还能设计更具创意的作品，如融合维多利亚时代与未来风格的蒸汽朋克钥匙扣和可放置物品的“长颈鹿桌”。PhysiOpt并非通过大量训练获得语义理解，而是依赖预训练模型中已有的形状知识，类似艺术家通过研究多种风格来模仿特定艺术流派。

与类似方法DiffIPC相比，PhysiOpt在生成椅子等物品时每次迭代速度快近十倍，且生成的模型更为真实。

PhysiOpt为创意设计与现实制造之间架起桥梁。未来，该系统或能自动预测载荷和边界条件，减少用户输入，借助视觉语言模型实现更智能的设计优化。此外，研究团队计划通过增强物理感知能力，消除模型中的随机瑕疵，并支持更复杂的制造约束，如减少3D打印中的悬垂结构。

该研究由MIT-IBM Watson AI实验室和纬创资通公司部分资助，成果于2023年12月在亚洲计算机图形与交互技术协会（SIGGRAPH Asia）会议上发布。研究团队成员包括MIT-IBM Watson AI实验室首席科学家Kenney Ng、CSAIL助理教授Mina Konaković Luković及本科生Evan Thompson等。