4D 生成是什么？会动的 3D 模型

AI 生成视频出的是一段会动的画面，AI 造出的 3D 是一个能转着看的模型——但它是个静止的雕塑，人物不会抬手、小狗不会摇尾巴。让 3D 模型动起来，形状随时间连续变化，这就是 4D 生成要做的事：在 3D 的长宽高之外，再加一条时间轴。这篇讲清 4D 生成的机制：多出来的时间维难在哪、形状随动作变化靠什么实现、现在有哪几条生成路线。静态的 3D 模型怎么从文字生成，文生 3D一篇讲过流程，这篇接着往「动」上讲。

多出来的时间轴难在哪

4D 的难点不在把 3D 做出来，在让每一帧的 3D 互相接得上，行话叫时间一致性。最笨的办法是逐帧独立生成 3D 模型，第一帧一个姿势、第二帧再生成一个，结果每一帧的细节各长各的：这一帧衣褶在左边，下一帧跑到了右边，连起来放就像画面在闪烁融化——几何在抖，贴图也在抖。静态 3D 只求一个形状好看，4D 要求几百帧形状彼此对齐、纹理连续、光照稳定，约束一下子多了一个维度。这也是 4D 生成至今比文生视频更难出成果的核心原因：视频只要画面动得像，4D 还要每一帧都是规整的、可转视角的三维结构。

形状随动作变化靠什么实现

主流做法不在每一帧都重造一个模型，而是「一套几何加一套变形规则」：先有一个基准 3D 形状，再用变形场描述每个点随时间怎么移动——某时刻、空间某一点该偏移到哪里，由网络给出答案。这样几百帧共享同一套基础几何，抖动天然就小。变形的依据可以来自动作捕捉数据，也可以来自一段参考视频：把视频里人的运动轨迹提取出来，套到 3D 模型上，思路与动作迁移一脉相承，动作迁移一篇讲的正是把动作搬到新载体上的处理办法。表示层面，动态场景的存储与渲染常沿用 NeRF 或高斯的框架，只是每个参数都挂上时间变量，两种表示的差别见NeRF 与 3D 高斯对比一篇。

三条生成路线各走各的路

眼下能归出三条路。第一条是先静后动：先用文生 3D 造出静态模型，再套驱动数据让它动，可控性强，动作来自现成素材，缺点是只能做模型「自己动」，做不了模型与环境的互动。第二条是视频反推：先用视频生成模型造出一段多视角或环绕视角的视频，再从视频重建出带时间的 3D 结构，画面想象力来自视频模型，缺点是重建环节容易把视频里的瑕疵放大。第三条是端到端直接生成：模型直接输出随时间变化的 3D 表示，一步到位，研究进展快但成熟度还低。不管哪条路，多视角信息都是刚需——生成出的视频如果缺视角，重建环节就要靠补视角来凑，视频延展一篇讲的时间维上的续拍，在这条链路里是常用的凑料手段。

离好用的动态资产还有多远

现状可以概括成三句话。短小的单主体动作——一个角色走几步、转个身——已经能出可用结果，游戏 demo、虚拟展台的轻量动态素材开始用起来。长时序、多主体、复杂交互的场景还差得远：人物拿起桌上的杯子这类物体交互，变形场很难表达对。落到工具层面，效果参差，出片前的筛选成本不低：同一个描述多跑几次，挑一致性最稳的一条。想评估现在能做到什么程度，可以让豆包整理近期 4D 生成工具的功能清单与输出时长上限，再用智谱清言查公开演示案例里多视角一致性做得如何，对照自己的用途决定是观望还是先用起来。

4D 生成速查

• 4D 等于 3D 加时间轴：每一帧都是完整三维结构，且帧帧接得上
• 核心难点是时间一致性：逐帧独立生成会几何抖、贴图闪
• 主流做法：一套基准几何加变形场，几百帧共享基础形状
• 三条路线：先静后动、视频反推、端到端，成熟度依次递减
• 现状：单主体短动作可用，长时序与物体交互仍是难题

再多说几句4D生成

• 4D 生成和视频生成是一回事吗？：不同。视频生成输出的是固定视角的像素画面，看的人不能换个角度；4D 生成输出的是三维结构，任何视角都能渲染。前者像一段录像，后者像一个会动的模型。
• 做出来的 4D 资产能放进游戏引擎吗？：经过转换可以。生成结果多是隐式或高斯表示，要导出成引擎常用的网格加骨骼格式，转换环节有损耗，复杂场景目前还进不了实时引擎，轻量单主体可以。
• 参考视频驱动的 4D，动作用得完吗？：单主体的走路、挥手、舞蹈这类动作库已经比较丰富，手部细节和面部微表情的驱动还粗糙。要精细表演，现阶段仍要靠专业动捕数据来补。