用GPT-6 Astra操控Blender玩3D,保姆级教程来了。Blender,可能就是这次GPT-6 Astra上线后的最大受益者。
大家真的是玩疯了。
直接让Blender的下载量都跟着暴增了。。。
我也没想到,3D这个形态,居然以如此离奇的机遇,进入到了大家的视野里。
在我实测GPT-6 Astra那一篇文章下面,有个朋友留了这样一条评论。
然后也有很多朋友说,能不能出一期GPT-6 Astra操控Blender的教程,他们也想玩。
说干就干。
所以呢,今天就给大家分享一下我觉得比较适合小白入门的GPT-6 Astra+Blender的玩法。
跟着我一步一步来,你也能从一个完全不懂建模的小白,做出属于自己的第一个3D的blender模型。
OK,直接进正题。
一. 前期准备
在正式开始搓模型之前,我们先把需要的东西准备好。
一个能使用GPT-6 Astra的ChatGPT账号,以及桌面端的App。
下载链接:https://chatgpt.com/zh-Hans-CN/download/
安装完成后打开ChatGPT,点击左上角的模式切换按钮,进入Codex。
然后,点击左侧项目旁边的加号,新建一个本地项目。
然后,直接跟他说,帮我下载和安装好blender。
Codex会根据你的电脑系统,帮你下载对应的安装包。
当然,还有个冷知识,如果你电脑上装了Steam的话,你也可以从Steam里自己手动下载Blender。。。
Blender是一款免费、开源的3D创作软件,现在感觉已经替代C4D成了主流了,我还记得18年我刚开始学3D的时候,主流还是C4D+OC渲染器,然后19年20年的时候,Blender异军突起,直到现在,因为开源,又完美的吃到了AI时代所有的红利。
这玩意也基本是个全栈,建模、骨骼、雕刻、材质、灯光、动画和渲染啥的,它基本全都能做。
一打开,它的界面看起来会有点吓人,满屏都是按钮和参数,中间有一个经典的Box。
不过呢,,完全不用慌。
Codex可以直接替我们操作。
我们还需要再安装两个东西。
一个是,Blender官方推出的MCP,这块一定要注意一下,官方已经出了自己的,不要装成社区的三方插件了。
官方地址:https://www.blender.org/lab/mcp-server/
同样可以让codex直接帮你下载。
还有一个是ChatGPT官方提供的Computer Use插件。
点击左侧的插件,搜索并安装Computer Use。
接着,记得把权限打开。
点击ChatGPT左下角的头像,进入设置。
然后在左侧找到电脑操控,把任意应用打开。
mac用户还可以打开下面的锁屏操作,这样即使电脑进入锁屏状态,Codex也能继续执行正在进行的任务。
到这里,需要的东西就全部准备好了。
接下来,正式开始搓模型。
二. 开始制作
现在GPT-6 Astra操控Blender,大概有3种方式。
第一种是Computer Use。
学人类建模。
操作起来也非常简单。
你只需要大白话告诉GPT使用Computer Use打开Blender,然后把想做的东西描述清楚。
它就会自己找按钮、移动鼠标和输入参数,再一点一点把模型搭出来。
这次,我给它的任务是搭建一座完整的北京的天坛祈年殿。
我给的提示词是下面这个:
@computer-use 使用Blender搭建北京天坛祈年殿的完整精细模型。先搜集资料,以官方资料、实景照片和可靠测绘图为参考,按实际布局和比例重建祈年殿及台基周边。殿身、柱梁、斗拱、门窗、彩绘构件、三重檐屋顶、蓝色琉璃瓦、鎏金宝顶、三层汉白玉台基、栏杆、望柱、台阶、石雕和地面分别建模,保持独立对象,清晰命名,统一比例与材质风格。重点精修屋顶曲线与出檐比例、斗拱层次、梁枋彩绘、瓦片排列及瓦当滴水、石栏雕刻,以及木材、琉璃和汉白玉的表面质感,做到近景观看仍然精细可信。每完成一批资产就渲染检查,不通过就返工。从正面、侧面、俯视及局部特写对照参考资料,检查造型、位置、比例、材质、悬空及穿模问题。先精修一组柱梁、斗拱和屋檐作为质量样板,通过后再扩展到全场。全程通过电脑界面手动点击操作完成建模,不使用代码、脚本或命令行生成模型。
发出去以后,后面的事情就可以全部交给它了。
在前前后后历经了大概4个小时。
它终于把天坛祈年殿做了出来。
效果我觉得还不错。
我还把过程录成了一段加速视频。
看着模型一点点搭出来的感觉,是真的非常爽啊。
Computer Use有一个很明显的优势。
直观,并且是完全跟一个建模师一样操作的,人是怎么做的,它就怎么做。
你可以清楚地看到它现在点了什么、改了什么、卡在了哪里。
但它最大的问题,就是贵。。。
就这一座天坛,直接花掉了我200美刀Pro会员将近一半的额度。
有点肉疼。
虽然GPT-6 Astra的Computer Use确实非常强,但对Blender来说,还有两种速度更快、额度也更友好的方法。
第二种方式,是Blender官方推出的MCP。
可以把它理解成GPT和Blender之间的一条专用通道。
MCP可以直接读取Blender里的场景和物体,并通过底层API执行操作。
速度通常会快很多。
我用了一辆摩托车来给大家看看。
我给的提示词是下面这个:
请用Blender的MCP来制作一辆精细、可编辑的2026 Indian Chief VintageSturgis,SDEdition摩托车。先查阅真实车辆资料,自行生成一致的多视角参考图,再开始建模,以真实照片和尺寸为准。先做好整车比例、车架、油箱和挡泥板曲面,再补充V型双缸发动机、辐条轮毂、悬挂、车灯、车把和皮革座椅。主要部件保持独立并清楚命名,添加符合实车的材质。每完成一批资产就渲染并实际查看,不通过就返工,重点检查比例、外形、机械连接和部件穿插。
生出来的效果是这样的。
模型有了,但是不动起来,就还是不太好玩。
所以第二步,我让它继续基于现有模型,制作一段零件组装动画。
我的提示词是:
请基于现有的Chief Vintage Sturgis, SD Edition模型,用Blender的MCP制作一段10秒、30fps的零件组装展示动画,保留现有模型的外观、双色涂装和材质。0—2秒:以车架为基准,将发动机、轮组、前叉、油箱、挡泥板、座椅等主要总成有序悬浮展开,保持清晰的空间对应关系。2—7秒:零件按合理顺序分批、错峰移动到安装位置,逐渐组装成完整摩托车。动作平滑,有自然的加速和减速。7—10秒:镜头缓慢环绕完整车辆,展示车身曲面、发动机、辐条轮毂和材质细节。主要部件保持独立,动画和相机轨迹可编辑。分阶段渲染并实际查看,重点检查运动路径、部件穿插、构图和镜头衔接。
最后做出来的效果,是这样滴。
这下就有内味了。
如果你还像让它更好看,还可以让GPT-6 Astra,去Blender构建一个场景,这样渲染的效果会更加完整。
不过,在这个过程中,我也碰到了一个问题。
再生成动画视频的时候,MCP的单次运行超时了。。。
这也刚好暴露了MCP在处理复杂任务的一个约束。
解决起来也不难。
遇到一些复杂操作,可以尝试把任务拆成更小的步骤,一步步完成。
或者也可以试试接下来的方法。
第三种方式,通过CLI调用Blender,执行Python脚本。
这也是在实际操作中,最常调用的方式。
它和MCP在底层其实非常接近,两种方法都会使用Blender的Python API。
GPT写好代码以后,Blender再通过bpy创建模型、添加材质,等等完成后续的处理。
区别在于,MCP更像是连接并控制一个正在运行的Blender,CLI则是启动一个Blender进程去执行脚本。
但在其他条件相同的情况下,两种方式最终生成的模型效果,不会产生特别明显的差距。
日常我更推荐大家,使用GPT-6 Astra + Blender MCP + Computer Use来做。
三. 配合3D生成模型
现在大家已经看到GPT-6 Astra + Blender来去做的效果了,不过,大家可能会发现,上面的那些东西,基本都是几何体。
这也是AI现在比较擅长干的东西。
但是一旦涉及到生物类型的,就会效果比较差了。
比如说,让AI去复刻一个这样的金克斯。
只能说是毫不相干。。。
这也是目前GPT直接用Blender建模时,一个非常明显的短板。
从前面的天坛和摩托车也能看出来,GPT-6 Astra更擅长建筑、车辆和机械设备这种可以拆成大量规则的几何结构。
而我们给出来的图片,可能确实有点刁难了,因为人物基本就是建模里最复杂的了,跟一些几何体的建模方式完全不一样,我们过去做这种基本的人物的建模,都是用Box大概拉个型,然后基本都是直接手动ZBrush去雕刻出来的,这个真的就是传统的手工艺活,特别是肌肉的走向,跟老艺术家手工雕刻真的没啥区别。
所以,大家如果现在想复刻一些生物的3D模型,这一步就别用GPT-6 Astra去硬操作Blender了,可以借助专门的AI 3D生成模型。
比如,这么一个手办风格的金克斯的角色图。
让GPT-6 Astra操控Tripo AI生成角色3D模型,再把结果导入Blender。
这一版的效果,就明显好了很多。
所以,这种偏生物类型的,用GPT-6 Astra操控AI 3D生成模型,在导入到Blender里,来处理后续所有的流程,就会更加合适一点。
我们再用牛来举个例子,从建模到动画,完整走一遍制作流程。
在传统影视和游戏流程里的建模,一般需要好几个环节。
建模师先对照原画和不同角度的参考图,把角色的比例、轮廓和细节一点一点做出来。
除了外形,还要整理模型的拓扑、展开UV,再制作材质和贴图。
做到这里,才拥有了一个可以使用的静态角色。
如果还想让它动起来,需要继续做骨骼绑定、刷蒙皮权重,让身体各个部位和皮肤能够跟着骨骼自然变形。
之后,才是具体的动画制作,摆出姿势、设置关键帧,再反复调整动作之间的过渡和节奏。
每个环节都得一点点打磨。
真正耗时间的,往往就是这些又琐碎、又枯燥的基础工作。
所以这一次,我们也照着这套流程来。
先上传牛来妈妈的角色原图,然后让它生成一套统一的多视图设定,作为后续建模的参考。
接下来,正式进入Blender的环节,把牛来妈妈的基本轮廓和身体结构做出来。
然后整理UV、制作材质,再给它上色。
做完以后,感觉眼睛和头部比例还有点问题,又稍微修改了一下。
静态模型处理的差不多,就可以让它接着绑定骨骼。
最后,再来处理场景、表情和动画。
我想的是,可以让他来跳段舞,再根据BGM来喊妈妈和牛来!
最后做出来的效果,是这样的。
虽然属实是有点抽象,但是还蛮好玩的。
而且这套玩法,平时拿来整活也完全用得上。
你可以上传一张自己或者朋友的照片,让AI把它变成一个3D卡通小手办。
再给它编支舞、安排几个搞怪动作。
就很有意思。
写在最后
我忽然想起了7年前,我在朋友圈里发的一个3D的作品。
是根据一个海外的艺术家的图参考,然后我自己一点一点建模贴图然后渲染的。
这一张图,每天下班以后回家做,做了整整一个月。
那天晚上,用OC渲染了一整个通宵,然后在早上8点多发出来了。
一个月的时光啊,就为了一张图。
现在想想,好像这是一个不可思议的念头了。
创作越来越平权了。
每个人心中有想法,都可以让AI去操控软件,来帮你做出来。
虽然现在还很贵,还比较慢,但是,至少能做出来。
而且趋势一定是越来越便宜的,就像去年,我们想象不到,一个Coding类的长程任务,能做到这么便宜,当年,做一个PPT,甚至都需要20美金。
但,人人都可以做了,却不代表,好作品会涌现。
以后真正拉开差距的,会越来越变成你的想法、审美、判断力,还有那点愿意继续折腾下去的好奇心。
我还挺期待看到,大家都会做些什么出来。
最后。
祝大家,建模愉快。
ServerFi 会是 GameFi 的「救命稻草」吗?撰文:Wenser,Odaily 星球日报
8 月 12 日,一篇据说由「耶鲁大学教授」发表的论文提出「ServerFi」概念,称其「强调通过资产合成实现私有化,以及一个专注于为高留存玩家提供持续奖励的模型」,而且「研究结果表明,ServerFi 在保持玩家参与度和确保游戏生态系统的长期可行性方面特别有效,为未来的区块链游戏发展提供了有希望的方向。」尽管后来经 0xUClub 创始人 Jack 考证,此文大概率是假借耶鲁大学之名发表的「套皮内容」,但对 GameFi 领域有着或多或少期待的用户还是对此提出疑问:ServerFi 会是后续的 GameFi 游戏的「救命稻草」吗?
Odaily 星球日报将于本文简要梳理不同观点,并对此问题予以分析解答。
市场观点:褒贬不一,整体表示看好
在 ServerFi 概念出现后,市场上掀起了一轮不小的讨论,概念详情可以参考《耶鲁大学:ServerFi,游戏与玩家之间的新型共生关系》一文。
整体而言,中文区 KOL 及从业者的正面观点居多,甚至 Web3 MMORPG 游戏 MetaCene 直接将 X 平台账号后缀改为「ServerFi」,并发文表示:「很高兴推出世界首个 ServerFi 产品」,并直言「让服务器属于你自己(指玩家)」。以下是部分代表性观点:
Folius Ventures 投资人、Myshell 团队成员 Aiko 表示,「在我看来,ServerFi 特点包括:
不同服务器之间的贸易和征税
服务器文化各异:高度竞争与和平
新的生产和消费曲线
解决单一环境中由过度开发引起的资源枯竭和死亡螺旋
为服务器管理者(分发商,代理等)提供荣誉和收入
如果一个经济系统不可持续,那是因为它不够复杂或多样化。就像热带雨林一样。当它拥有广阔的环境(或地图)和多样的物种时,自然会趋向于平衡。」
加密研究员、华语 KOL Haotian 发文表示,「ServerFi 的新运行框架包括 3 个特性: 1)侧重长期参与和价值创造;2)降低 Ponzi 结构性风险并减少投机行为;3)由 web3 的去中心化社区精神驱动。」
加密 KOL Dr.Jinglee 对此话题表示,「作为学术文章,对其文章所使用的『熵增』理论,以及在模拟实验的方式进行论证的过程存在一些疑问,包括玩家如何对服务器的『贡献』的定义等也有不清楚的地方。」
AC Capital 合伙人、Open-Rug 主理人 CryptoV(加密韦陀)表示,「这一模式跟 play to earn 没有本质的区别,只是说把‘参与游戏会赚钱’这个假设变成了‘游戏本身能搞到钱’,本质都是(给玩家分润收益的)分红盘。」
Eureka Guild 联创、GameFi 领域研究员 Leslie 认为,「ServerFi 确实提出了一些有用的逻辑,但本身不应该是被 fomo 的概念。Web3 游戏要成功需满足游戏性、博弈性、经济适配等方面的条件。如何积蓄核心玩家以及新老玩家的平衡是一款游戏需要着重考虑的问题。」
看得出来,对于 ServerFi 的落地而言,目前大家只能更多从「服务器所有权」、「游戏项目与玩家之间的利益分配」等角度去谈论,而很难深入讨论「经济模型」、「游戏生命周期」、「具体资源交换」等话题,包括 ServerFi 原文也更加偏向于数学拟合推演,而非实际项目对比。
2 种经济模型中的玩家贡献价值数据
ServerFi:缔结一种「想象中的利益共同体」
细究下来,ServerFi 的核心命题其实主要在于以下 3 个方面:
3 大核心命题:游戏人数、服务器价值、贡献回报比
首先,游戏人数是 ServerFi 成立的前提。因为如果游戏人数无法满足一定量级的话,ServerFi 的条件仍然不成立:没有足够的玩家,没有相对而言的「老玩家」和「新玩家」,没有「游戏内资产」的创造链路。而这,恰恰是当前 GameFi 领域游戏的一大「难关」——游戏性不足,游戏玩家数量相比而言屈指可数。
其次,服务器价值是 ServerFi 运转的核心。当游戏玩家分层体系逐步建立,游戏内经济体系逐渐完善后,因为内部货币、道具等「资产」的交易流通,这个服务器才具备了对应的「可量化价值」——通常是可以与法币体系挂钩的。换言之,ServerFi 运转的核心在于一个通过积累产生价值的「 Server 」,这也是很多人现在仍然在传奇私服的搭建和玩耍上面大把撒钱的原因——大 R 玩家喜欢一刀 999 的爽感,私服厂商为其提供对应的服务场景与服务体验;如果这个服务器的「价值」无法积累或者货币化,那么 ServerFi 同样无法运转。
最后,贡献回报比是 ServerFi 可调的参数。如果说传统 GameFi 游戏如 Axie Infinity、STEPN 等中可以调整的「数值参数」是道具的生产速度、代币的产出速率,那么 ServerFi 可以说是实现了「参数的模糊化和升维化」:游戏玩家获得游戏内资产并合成仅仅是做出贡献的第一步,获得回报的多少和快慢更多取决于「游戏服务器的运行、运营」与「服务器之间的交易」。以往的 GameFi 游戏层次仅仅局限于「玩家 PVP」、「玩家系统 PVE」的维度,游戏项目方以「上帝视角」行使着「上帝」的角色权柄,而现在,玩家、服务器、项目方需要缔结为一个「利益共同体」,由此激发不同角色主体之间对「服务器」这一核心介质的投入、维护和扩张发展的积极性。
ServerFi:设想中的另类「去旁氏解法」
基于以上核心命题,我们可以继续推导 ServerFi 类型的 GameFi 游戏下一步需要「以清养旁」或者说「以清抑旁」的操作了:
游戏的情绪价值、娱乐价值是 ServerFi 模式无法解决而必须依靠 GameFi 游戏自身产品提供,可以是「道具收藏」、「卡片抽奖」、「社交排名」、「现实反馈」,少一点没关系,但是不能没有,否则没人「入局」。
服务器的归属权、游戏内资产合成条件以及二者之间的明确是 ServerFi 模式设计之初需要分阶段考虑的问题,这之中就涉及到了「项目方、大 R 玩家、小 R 玩家、免费玩家」之间的利益分配,以及「游戏内资产和游戏外服务器的经济模型设计」。
引入类似多签协议的「罚没机制」或「惩罚机制」,确保「贡献回报比」的调参行为能够处于动态平衡或者各方无异议的状态。这一点,恰恰是当今 GameFi 游戏缺少或者无能为力的一点,毕竟成本大头在项目方身上,为了实现「快速收割」和「短期获利」,无论成功程度如何,项目方都很难抵御诱惑,把回报周期拉长;与之相对,玩家也很难做到在投入时间、精力、资金等成本后做到「长期主义」。
所以,ServerFi 的真正落地,很难是一朝一夕就可以完成的。
小结:扩展 Server 范围或将改变「游戏规则」
无数 GameFi 项目方和玩家都对梦幻西游推崇备至,皆因其在特定的时代背景和不同的游戏人群之间找到了一条「晃悠悠但稳住了」的「钢丝绳走法」,由此实现了游戏性、经济性的双重适配,但类似案例很难成为一种模式。
与此相比, ServerFi 不失为一种「新的视角」,尤其是在将不同的「服务器类型」予以扩展之后。以下图示尽管与 GameFi 游戏行业关系不大,但是也有可资借鉴的部分,那就是,如果将现有的「游戏服务器」概念予以泛在化,这样不同服务器之间也可被视为「玩家帮派」,由此可以实现更大范围内的流动性交换,进而为 GameFi 游戏的建设不断升维。
毕竟,换句话说,整个地球不也是一台巨大的「服务器」吗?
计算行业的不同服务器分类
如何看待耶鲁大学新论文提出的 ServerFi 概念?撰文:Haotian
如何看待耶鲁大学新论文提出的 ServerFi 概念?它会成为 web3 创新匮乏下的新转机赛道吗?在系统翻阅了这篇论文后,我提炼了一些关键点,并附加若干思考和大家讨论下:
1)传统 GameFi 都打着 Play to Earn 的玩赚旗号,通常还会采用内外两个经济体来维系平衡(双币模型):内部币构建消耗并制造稀缺性系统,通过增值权益带动存量用户消耗手中权益代币,并降低潜在对外抛压;外部币则通过持续引入外部用户、资金等带动币种的价格增长,进而促成外部代币增长带动内部游戏活跃度提升,最终吸引更多外部用户参与的增长正螺旋。
但双币模型本质上是一种短期内靠外部新用户来供养早期玩家获利的 Ponzi 结构,其代币经济模型会吸引大量 Speculators 进入,而真正的游戏爱好者可能会碍于高门槛儿被排挤在外。一旦场内玩家某一天发现消耗投入不再有更高收益预期的时候,游戏的衰退熵就会形成,大量老玩家急速流动性退出,新玩家也没有信心继续进入,从而形成「死亡螺旋」。Axie infinity、Stepn、甚至 CryptoKitties 等都逃不开这类运行框架和结局。
2)这篇新论文中提出了 SeverFi 的概念,简单而言:允许玩家将游戏内资产进行组合最终获得未来服务器主权。这种新运行框架有三个特性:
1、侧重长期参与和价值创造,玩家所获得的服务器所有权是一种依赖长期游戏产生实际性收益之后才能兑现的权限,吸引到的会是一批注重长期收益大于短期收益的玩家。因此更多高留存、高忠诚度的玩家的产生会是游戏增长的根本;
2、降低 Ponzi 结构性风险并减少投机行为,ServerFi 框架下,引导玩家更看重服务器长期的实际价值和运营收益,减少了对新玩家资金投入的依赖。因此可以降低新用户参与的门槛,继而从大量新用户中转化出真正对游戏长期增长有贡献的服务器「股东」用户,这种模式天然会做大游戏池子,同时也会产生用户分层,投机用户会逐步被边缘化,而长期忠诚玩家会成为主流,这和传统游戏模式靠忠实氪金玩家经营的理念趋于一致;
3、由 web3 的去中心化社区精神驱动,不难理解,既然服务器所有权被分割,那游戏的所有权会从平台开发者转嫁到玩家和社区身上,因此这类游戏需要保持足够的透明度,避免开发者跳过用户对游戏进行恶意操纵,同时这类游戏注定短期不会有 Ponzi 一样的增长爆发力,但长时间的陪伴成长和持续运营会让忠实玩家有意想不到的收获。
总的来说, #ServerFi 论文从理念上探索了一种把 GameFi 带出 Ponzi 泥潭的可能性,算是一种有益的探索和进步,期待后续能有相应的现象级游戏能跑出来。
耶鲁大学论文:ServerFi,游戏与玩家之间的新型共生关系撰文:Pavun Shetty
编译:菠菜菠菜
摘要
基于区块链的游戏引入了将传统游戏与去中心化所有权和金融激励相结合的新型经济模式,促使了 GameFi 领域的迅速兴起。然而,尽管这些游戏具有创新吸引力,但它们在市场稳定性、玩家留存率和代币价值的可持续性方面面临着重大挑战。本文探讨了区块链游戏的发展历程,并通过熵增理论识别了当前代币经济模型的主要缺陷。我们提出了两个新模型——ServerFi,强调通过资产合成实现私有化,以及一个专注于为高留存玩家提供持续奖励的模型。这些模型被形式化为数学框架,并通过群体行为模拟实验进行了验证。我们的研究结果表明,ServerFi 在保持玩家参与度和确保游戏生态系统的长期可行性方面特别有效,为未来的区块链游戏发展提供了有希望的方向。
引言
随着技术的不断发展,游戏产业在充满冒险家和户外爱好者的旅程中蓬勃发展[1]。从 1970 年代开始,Atari 推出了「Pong」,这款街机乒乓球游戏在动荡的 1970 年代吸引了众多消费者,并引发了许多激励人心的模仿版本。随着功能更强大的微处理器、专用图形芯片和个人电脑(如 Commodore 64)的出现,制作复杂、视觉吸引力强且音效丰富的游戏成为可能。紧随这些先驱之后,任天堂凭借其家用游戏机 Nintendo Entertainment System (NES) 迅速占据了主机市场的大部分份额,推出了像《打鸭子》和《越野摩托》这样的游戏。同时,世嘉和索尼也凭借其出色的作品成为了竞争者。世嘉推出了 Genesis 和 Game Gear,而索尼则推出了 PlayStation 2 和 3,这些游戏机配备了增强型游戏存储的 CD-ROM,共同定义了 1994 年以后游戏主机的未来模样。最后一个游戏开发的重要标志是在游戏界响起的由微软推动的 DirectX API 采用浪潮。
像《魔兽世界》和《堡垒之夜》这样的在线多人游戏,彻底改变了玩家互动的方式,并在互联网技术的推动下,标志着游戏产业的一次飞跃。这些游戏成为了文化现象,数百万玩家能够分享虚拟世界,充分享受科技的乐趣。谷歌 Stadia 和微软 xCloud 的崛起也令人瞩目。它们将游戏直接流式传输到玩家的设备上,无需强大的硬件支持即可提供高质量的游戏体验[2]。这些突破性的创新将玩家带入了一个高度社交和互联的体验世界,而这依赖于互联网技术的发展,无疑推动了游戏产业迈向下一个时代。这些富有远见的变化使公众重新关注去中心化和数据所有权的问题。在传统游戏时代,玩家的数据和资产被绝对中心化地存储在游戏公司运行的服务器上,甚至包括由玩家购买的虚拟物品。这些有争议的物品的所有权从未掌握在购买它们的玩家手中,这受到经典经济模型的持续影响。这种传统模型围绕玩家支出和公司利润运作了几十年,除了少量直接回报之外,玩家在时间和金钱等宝贵资源上的投资几乎没有得到任何回报。通常被称为「围墙花园」,这些游戏将游戏内物品、角色和货币托管在开发者的服务器上,玩家无法获得他们的账户、内容和游戏内资产的所有权。这一时间段缩小了玩家的权利范围,尽管他们在游戏中的时间和财务投入是显著的,甚至对那些维持游戏中财务循环稳定运行并提供可持续性的人没有产生任何经济价值。
GameFi 的出现重塑了经济生产关系,带来了现实世界的激励。当提到以比预期更顺畅的方式将「游戏」和「金融」结合在一起时,建立在区块链网络上的「边玩边赚」(P2E)游戏为令人瞩目的登场做好了充分准备。基于区块链的游戏通常以两种主流方式创造加密资产:将游戏内物品标记为 NFT,并授予同质化代币成为游戏内流通货币的资格[3]。通过将传统游戏与链上资产相结合,这些游戏实现了去中心化所有权、透明度以及为玩家带来切实的经济激励。然而,市场稳定性、玩家留存率和代币价值的可持续性等方面仍存在重大挑战。本文首先概述了区块链游戏的发展背景和开创性案例。然后我们运用熵增理论分析当前挑战的潜在原因,阐明推动市场动态的因素。在这些见解的基础上,我们引入了两个创新的代币经济模型:通过资产合成实现私有化的 ServerFi 模型,以及持续奖励高留存玩家的模型。这些模型被形式化为数学框架,并通过群体行为模拟实验验证了它们的有效性。我们的研究结果强调了 ServerFi 模型在维持玩家参与度和确保游戏生态系统长期可行性方面的潜力。
背景:GameFi 的兴起
基于区块链的游戏通过两种主流方式创造加密资产:将游戏内物品标记为 NFT,以及授予同质化代币作为游戏内流通货币的资格。2013 年见证了一些关键时刻,如 Meni Rosenfeld 提出的彩色币(Colored Coins)概念,引发了对虚拟资产所有权重要性的关注,并将现实世界资产映射到比特币区块链上[4]。在 Meni Rosenfeld 之后的四年,Larva Labs 推出了 CryptoPunks NFT 系列。这一系列标志着 NFT 发展的重要里程碑,并通过其 10,000 个独特、随机生成的角色图像,激发了以太坊上的数字艺术和收藏品 ERC-721 标准的灵感[5, 6]。
NFT 技术无疑受到了具有远见的创始人的追捧。Dapper Labs 推出了首个以太坊上的区块链游戏,名为 CryptoKitties,这款游戏在短时间内使网络拥堵,导致了显著的交易延迟。在这款游戏中,玩家可以购买、繁殖和交易虚拟猫,每只猫都有独特的视觉特征,稀有度不一。CryptoKitties 的巨大成功突显了基于 NFT 的游戏玩法的吸引力。CryptoKitties 利用了真实所有权和潜在财务收益的心理吸引力,通过游戏内的金融循环,吸引了狂热的收藏者和精明的投资者,提供了繁殖和交易稀有猫的激励,营造了一个投机环境。同年,关于 CryptoKitties 的讨论几乎成为主流话题。这款创意十足的 GameFi 游戏吸引了数百万玩家,他们不仅仅是拥有这些稀有「猫咪」,还通过 CryptoKitties 社区获得了社交身份和归属感。
在涉及 NFT 和「边玩边赚」(P2E)模式的加密游戏中,Sky Mavis 开发的 Axie Infinity 作为 CryptoKitties 的重要继承者崛起,并凭借其引人入胜的游戏循环,迅速成为一款热门游戏,玩家经常沉迷其中,直到深夜才会停下来。Axie Infinity 允许玩家收集、繁殖和战斗幻想生物,这些生物被称为 Axies[7]。每只 Axie 背后都有一个 NFT,拥有独特的属性和能力,这些属性和能力可以通过战略性繁殖和游戏玩法进行增强[8]。这款令人愉悦的 GameFi 游戏不仅提供了类似于 CryptoKitties 的经济激励,还引入了更复杂的游戏机制和强大的游戏内经济。其影响深远的设计理念吸引了广泛的玩家基础,为这一时代的宠儿设定了新的标准,也为所有未来的区块链游戏树立了标杆。
代币经济学的挑战及我们的解决方案
面对来自运行在中心化设备上的传统网络游戏的大量竞争,基于区块链的游戏正在习惯于将数字资产存储在区块链上,允许玩家占有的物品被出售,甚至转移到其他游戏中,或用于特定的 DeFi 应用。激励模型正在随着区块链技术的大规模采用而逐渐趋于完善。这为在玩家和开发者之间建立尖端的生产关系开辟了一条全新的道路。时代已经改变,这些创新旨在重新构建电子社会,具有改变后游戏时代蓬勃发展的潜力。在这些重大进展的背景下,我们不得不问:在 Web3 时代跃升的背景下,为什么游戏开发者会选择一种源于 GameFi 领域的新生产关系,玩家对资产的需求各不相同,而传统的、轻松的游戏体验却被放在了次要位置?
大多数游戏都有一定的生命周期,CryptoKitties 也不例外。在其运作的重要机制中,繁殖机制允许玩家生产新的「猫」,但这无意间增加了供应,进而随着时间的推移减少了个别「猫」的稀有性和价值。随着更多玩家参与并繁殖「猫」,二级市场很快变得过于饱和。这个场景是新颖的,玩家们被激发了兴趣,但困境却非常熟悉:如何维持流通代币的价格?如果没有足够的活跃玩家,需求无法跟上不断增长的供应,这种贬值问题将进一步加剧。因此,那些投入大量时间和资源进行繁殖的个人可能会发现,他们的努力产出正在减少。当游戏集体推进时,最初的稀缺性可能会随着不断出现的丰富性而导致玩家失去兴趣和参与度的降低。
熵增理论的应用与代币经济学相结合,为阐明区块链项目中代币流动和价值波动的动态提供了专业且深入的视角。熵增理论基于热力学第二定律,认为在封闭系统中,熵(混乱度的度量)随着时间的推移趋于增加。这一概念可以类比应用于经济系统,尤其是代币经济学,以增强我们对代币分配、使用和市场波动的理解。在代币经济学中,代币的初始分配通常是有序的。在这一阶段,代币相对集中,价格保持稳定,玩家的期望值较高[9]。随着时间的推移,更多的代币通过游戏机制生成并进入市场。玩家交易和代币流动的增加随后提高了市场的熵(混乱度)。在这一中间阶段,系统内部的混乱激增,导致代币价格的高度波动。代币经济学可能面临的挑战包括由于市场上代币供应过剩而引发的通货膨胀,以及投机者大量涌入导致的价格不稳定。如果没有有效的市场调节和激励机制,系统可能会达到高熵(混乱度)状态,此时代币的价值普遍下降,玩家的参与度减少。为了保持系统的长期健康,至关重要的是要有一种使新的激励机制和监管措施联系起来的方式。这些行动可以减缓熵的增加,从而保持市场的相对秩序和稳定,并维持玩家的参与度。
我们通常把代币经济学视为孤立的事件,比如一个特定的原因和结果造成的单点故障。但从这个角度来看,故事与其说是关于任何一家公司,不如说是关于代币流通的全局性熵增。某些因素总是具有破坏性,某些游戏玩法总是失败。以 Axie Infinity 为例,其代币经济学设计从玩家的角度来看存在几个缺点:首先,Axie Infinity 的代币经济高度依赖于新代币(如 Smooth Love Potion, SLP)的持续生成。随着更多玩家参与并繁殖 Axies,市场中的新生成代币数量增加,导致市场代币供应迅速扩张。这种供需失衡导致代币价值随着时间的推移下降,玩家持有的代币贬值。其次,在代币生成事件(TGE)期间,许多玩家和投资者涌入市场,试图通过买卖代币快速获利。这种投机行为可能导致价格大幅波动,影响市场稳定性。长期来看,早期投机者获利退出可能导致代币价格暴跌,对普通玩家造成不利影响。第三,Axie Infinity 的经济模型缺乏持续的激励机制来保持玩家在 TGE 后的参与度。随着最初的新奇感消退,玩家的热情可能会由于经济激励的有限性而减弱。解决游戏中的任何缺陷有助于吸引新用户,并有可能增加代币需求。参与 Axie Infinity 需要玩家购买 Axies,这涉及较高的初始投资成本。这一高成本对新玩家构成了障碍,限制了游戏的可访问性和广泛采用。此外,稀有 Axies 的市场价格可能高得离谱,使普通玩家难以负担。
基于上述讨论,我们提出了两项改善 GameFi 代币经济模型的建议:
ServerFi:通过资产合成实现私有化
顺应 Web3 精神,玩家可以被允许将其游戏内资产进行组合,最终获得未来服务器的主权。这个概念称为「ServerFi」,涉及玩家在游戏中积累和合并各种 NFT 和其他数字资产,以获得对游戏服务器的控制权。这种形式的私有化不仅激励玩家更深入地投资于游戏,还与 Web3 去中心化和社区驱动的精神相契合。通过授予玩家对游戏服务器的所有权和控制权,我们可以培育一个更具参与度和忠诚度的玩家群体,因为他们在游戏生态系统中拥有实质性权益。例如,我们可以设计一个游戏,玩家每天根据他们对游戏服务器的贡献价值获得抽奖机会。玩家可以使用这些抽奖机会来抽取碎片。当玩家收集到所有必要的碎片后,他们可以合成一个 NFT。通过质押这个 NFT,玩家可以分享其他用户对该游戏服务器的贡献价值。
持续奖励高留存玩家 (Continuous Rewards for High-Retention Players)
另一种方法是项目团队持续识别和培育高留存玩家,以保持代币的活力并确保游戏生态的健康。通过实施复杂的算法和数据分析,项目可以监控玩家的行为和参与度,向那些表现出强烈承诺和高活动度的玩家提供有针对性的奖励和激励。这种方法确保了最忠诚的玩家能够保持参与,推动持续的参与和互动,从而支持游戏代币经济的整体稳定性和增长。例如,我们可以设计一个游戏,将游戏服务器收入的一部分每天空投给基于系统贡献价值的顶级用户。这种方法将创建一个「边玩边赚」的动态,奖励玩家的参与和贡献。
实验
为了评估我们提出的代币经济模型的有效性,我们对每个模型进行了群体行为模拟实验。这些实验旨在比较和分析基于两种不同代币经济框架构建的区块链游戏在价值捕获能力方面的差异。为了更准确地建模,我们首先形式化了这些代币经济机制的定义如下。
ServerFi:通过资产合成实现私有化
令 vi 表示玩家 i 在每次迭代中对系统的贡献值。
函数 f(v) = λv 表示玩家通过贡献值 v 可以获得的抽奖次数,其中λ是一个大于 1 的缩放常数。
假设抽奖中有 k 个奖品,抽中每张卡片的概率为 1/k。
假设第一天的新玩家数量为 n,并考虑到游戏的增长动态,我们定义第 i 次迭代中的新玩家数量为 n/α(i−1)。
我们假设游戏中的所有玩家都是理性的。因此,如果玩家计算出合成 NFT 的成本超过了当前的质押奖励,他们将选择退出游戏。具体来说,对于新玩家,收集所有碎片的预期成本为 λ Σ(1/k)。当这个成本超过单个 NFT 的质押奖励时,不会有新玩家加入游戏。
该系统在第 i 次迭代(天)中的总价值为 Ti = Σvi,其中 n 是第 i 次迭代中的玩家数量。
持续奖励高留存玩家
令 vi 表示玩家 i 在每次迭代中对系统的贡献值。
我们规定系统将在过去五天内根据玩家的累计贡献,奖励前 20% 的玩家 80% 的总收益。
我们假设游戏中的所有参与者都是理性的。每个玩家都有一个随机初始化的容忍阈值,如果他们连续多次未能获得奖励,他们将选择退出游戏。
系统在第 i 次迭代中的总价值为 Ti = Σvi,其中 n 是第 i 次迭代中的玩家数量。
鉴于现实世界场景中固有的随机性,我们的实际模拟实验从各个角度引入了随机噪声,包括个体行为和人口增长。例如,我们在个体建模中引入了变异算子,以捕捉参与者在游戏中的生产力随机波动。为了确保两种策略之间的公平比较,实验在两个实验组中设计了相同的参数,例如最大迭代次数和初始人口规模。每个经济模型的人口经过 500 次迭代,每个实验重复 100 次。实验结果如图 1 所示。横轴表示迭代次数,纵轴表示每次迭代时玩家贡献的总价值。浅色带表示最大值和最小值之间的范围,深色线表示平均值。
在资产合成私有化模型(左侧)中,我们观察到随着迭代次数的增加,玩家总贡献值呈现出持续的上升趋势,表明该模型能够有效地保持玩家参与并推动长期价值增长。相反,在持续奖励高留存玩家模型(右侧)中,玩家贡献最初呈现出显著上升,但随后显著下降。尽管该模型在早期阶段显示出较高的玩家贡献,但后续迭代中的下降表明在长期内维持玩家参与方面存在挑战。
基于建模结果,我们认为虽然持续奖励高留存玩家的策略可能在早期阶段推动显著的参与度,但从长远来看,这种方法固有地会加剧玩家分层现象。具体来说,这种方法可能会因缺乏足够的正反馈而边缘化尾部玩家,最终导致他们退出游戏。这种分层现象还往往会为新玩家设置较高的进入门槛。结果,新玩家的减少,加上尾部玩家的离开,降低了现有顶级玩家的奖励,从而导致恶性循环的形成。
相比之下,ServerFi 机制基于碎片合成,通过碎片抽奖过程引入了一定程度的随机性,从而增强了玩家社区内的社会流动性。对于现有的 NFT 持有者来说,持续合成新的 NFT 确保了即使是顶级玩家也不能「坐享其成」;他们必须不断贡献价值以维持其地位。对于新玩家或贡献较少的玩家来说,仍然有大量机会可以合成 NFT 并分享服务器奖励,促进了向上的流动性。因此,ServerFi 模型更有效地促进了玩家之间的社会流动,激活了整个系统并培养了更具可持续性的生态系统。
结论
在本文中,我们深入探讨了当前基于区块链的游戏中存在的代币经济学挑战。分析表明,传统经济模型往往导致市场不稳定、玩家参与度下降和代币价值不可持续。为了解决这些紧迫问题,我们提出并分析了两种有前景的代币经济模型,特别强调了基于资产合成私有化的 ServerFi 模型。通过广泛的群体行为模拟实验,ServerFi 显示出在保持玩家参与度和确保游戏生态系统长期可持续性方面的显著潜力。与传统模型不同,ServerFi 通过引入一个动态且竞争性的环境,在其中持续的价值贡献是维持地位的必要条件,从而有效地促进了玩家之间的社会流动性。该模型不仅培育了一个更加充满活力和包容性的社区,还为未来的区块链游戏提供了一个可扩展且具有弹性的框架。随着行业的发展,ServerFi 方法可能代表了代币经济学结构中的一个重要转变,为去中心化技术在游戏中的整合提供了一条更加可持续的发展道路。TradingView 推出 MCP 服务器公开测试版,支持 AI 智能体连接Techub News 消息,金融图表平台 TradingView 已推出 MCP(Model Context Protocol)服务器的公开测试版,该服务器旨在实现 AI 智能体与 TradingView 平台的连接。此举将增强 AI 对市场数据的访问和分析能力,但延迟数据可能会限制其实时应用场景。(Crypto Briefing)苹果计划重返服务器市场,或与英伟达合作开发AI服务器Techub News 消息,据 The Information 报道,苹果正计划重返服务器市场,并可能与英伟达合作。由于AI行业持续扩张对算力需求增长,苹果认为其强大且高效的ARM架构M系列处理器存在市场机会。其Mac Mini和Mac Studio已在AI开发者中广受欢迎,甚至导致供应短缺。
据悉,该服务器产品(可能命名为Xserve或其他名称)预计要到2029年才会推出。苹果于2011年停售Xserve产品线后,基本将企业级机器市场留给其他制造商。 (The Verge)谷歌推出Google Home MCP服务器,支持Claude等AI代理控制智能家居Techub News 消息,谷歌推出Google Home MCP(Model Context Protocol)服务器的早期访问版本。该服务器允许Claude、ChatGPT等AI代理通过自然语言控制连接的设备、查看摄像头摘要并访问智能家居活动记录。
此举意味着用户可以通过AI助手直接管理家中的灯光、恒温器等智能设备,进一步整合AI与物联网体验。(TechCrunch)苹果开发企业级服务器,深化专用AI基础设施建设Techub News 消息,苹果公司正在开发企业级服务器,以深化其专用人工智能(AI)基础设施建设。此举可能利用其隐私保护优势和在美国本土的制造能力,吸引受严格监管行业的客户。(Crypto Briefing)Meta 推出 WhatsApp Business MCP 服务器,支持 Claude 等 AI 代理处理设置与测试Techub News 消息,Meta 为 WhatsApp Business 推出新的 MCP 服务器,允许开发者使用 Claude、Cursor、Codex 和 ChatGPT 等 AI 编码代理来处理业务账户的设置、消息模板创建、测试及故障排除等繁琐任务。该功能旨在通过 AI 自动化简化 WhatsApp Business 的初始配置与运营流程。(TechCrunch)Aave 推出 MCP 服务器,供 AI 代理访问其 V3 与 V4 协议数据Techub News 消息,DeFi 借贷协议 Aave 宣布推出 MCP(模型上下文协议)服务器,旨在为 AI 代理提供访问其 V3 和 V4 协议数据的标准化接口。该服务器旨在简化 AI 驱动的 DeFi 操作,优化数据访问与交易准备流程,有望加速 AI 在 DeFi 领域的应用。
(Crypto Briefing)富士康预计第三季度业绩超市场预期,AI服务器需求改写业务Techub News 消息,富士康预计第三季度业绩将超越市场预期,AI服务器需求正在改写其业务。该公司正战略转向AI基础设施,凸显AI在重塑全球科技供应链中的重要性日益增长。(Crypto Briefing)英伟达 CFO 预计新款服务器处理器将带来 200 亿美元销售额Techub News 消息,英伟达首席财务官表示,公司预计其用于数据中心的新款服务器处理器将带来 200 亿美元的销售额。
(@Kalshi)美国调查新加坡货运公司涉嫌向中国转运英伟达服务器Techub News 消息,美国当局正在调查一家新加坡货运公司,因其涉嫌将英伟达(NVIDIA)服务器转运至中国。此举突显了对物流公司日益严格的审查,可能重塑全球供应链并影响人工智能技术的获取。(Crypto Briefing)BitGo 推出机构客户自然语言搜索代理 BitGo AssistTechub News 消息,加密托管机构 BitGo 于 8 月 12 日推出面向机构客户的自然语言搜索代理 BitGo Assist,允许用户以自然语言查询账户数据、平台功能及工作流程,但刻意设计为无法执行、批准或签署任何交易。
该工具在用户已认证的会话内运行,仅展示用户已有权限查看的信息,并采用数据令牌化技术保护账户号码和钱包地址等敏感数据。这是该公司 AI 集成路线图的第二阶段,其首个阶段为 2026 年 3 月推出的 MCP Server,旨在帮助机构用户自助完成复杂操作而无需联系支持团队。(CryptoBriefing)Blender,可能就是这次GPT-6 Astra上线后的最大受益者。 大家真的是玩疯了。 直接让Blender的下载量都跟着暴增了。。。 我也没想到,3D这个形态,居然以如此离奇的机遇,进入到了大家的视野里。 在我实测GPT-6 Astra那一篇文章下面,有个朋友留了这样一条评论。 然后也有很多朋友说,能不能出一期GPT-6 Astra操控Blender的教程,他们也想玩。 说干就干。 所以呢,今天就给大家分享一下我觉得比较适合小白入门的GPT-6 Astra+Blender的玩法。 跟着我一步一步来,你也能从一个完全不懂建模的小白,做出属于自己的第一个3D的blender模型。 OK,直接进正题。 一. 前期准备 在正式开始搓模型之前,我们先把需要的东西准备好。 一个能使用GPT-6 Astra的ChatGPT账号,以及桌面端的App。 下载链接:https://chatgpt.com/zh-Hans-CN/download/ 安装完成后打开ChatGPT,点击左上角的模式切换按钮,进入Codex。 然后,点击左侧项目旁边的加号,新建一个本地项目。 然后,直接跟他说,帮我下载和安装好blender。 Codex会根据你的电脑系统,帮你下载对应的安装包。 当然,还有个冷知识,如果你电脑上装了Steam的话,你也可以从Steam里自己手动下载Blender。。。 Blender是一款免费、开源的3D创作软件,现在感觉已经替代C4D成了主流了,我还记得18年我刚开始学3D的时候,主流还是C4D+OC渲染器,然后19年20年的时候,Blender异军突起,直到现在,因为开源,又完美的吃到了AI时代所有的红利。 这玩意也基本是个全栈,建模、骨骼、雕刻、材质、灯光、动画和渲染啥的,它基本全都能做。 一打开,它的界面看起来会有点吓人,满屏都是按钮和参数,中间有一个经典的Box。 不过呢,,完全不用慌。 Codex可以直接替我们操作。 我们还需要再安装两个东西。 一个是,Blender官方推出的MCP,这块一定要注意一下,官方已经出了自己的,不要装成社区的三方插件了。 官方地址:https://www.blender.org/lab/mcp-server/ 同样可以让codex直接帮你下载。 还有一个是ChatGPT官方提供的Computer Use插件。 点击左侧的插件,搜索并安装Computer Use。 接着,记得把权限打开。 点击ChatGPT左下角的头像,进入设置。 然后在左侧找到电脑操控,把任意应用打开。 mac用户还可以打开下面的锁屏操作,这样即使电脑进入锁屏状态,Codex也能继续执行正在进行的任务。 到这里,需要的东西就全部准备好了。 接下来,正式开始搓模型。 二. 开始制作 现在GPT-6 Astra操控Blender,大概有3种方式。 第一种是Computer Use。 学人类建模。 操作起来也非常简单。 你只需要大白话告诉GPT使用Computer Use打开Blender,然后把想做的东西描述清楚。 它就会自己找按钮、移动鼠标和输入参数,再一点一点把模型搭出来。 这次,我给它的任务是搭建一座完整的北京的天坛祈年殿。 我给的提示词是下面这个: @computer-use 使用Blender搭建北京天坛祈年殿的完整精细模型。先搜集资料,以官方资料、实景照片和可靠测绘图为参考,按实际布局和比例重建祈年殿及台基周边。殿身、柱梁、斗拱、门窗、彩绘构件、三重檐屋顶、蓝色琉璃瓦、鎏金宝顶、三层汉白玉台基、栏杆、望柱、台阶、石雕和地面分别建模,保持独立对象,清晰命名,统一比例与材质风格。重点精修屋顶曲线与出檐比例、斗拱层次、梁枋彩绘、瓦片排列及瓦当滴水、石栏雕刻,以及木材、琉璃和汉白玉的表面质感,做到近景观看仍然精细可信。每完成一批资产就渲染检查,不通过就返工。从正面、侧面、俯视及局部特写对照参考资料,检查造型、位置、比例、材质、悬空及穿模问题。先精修一组柱梁、斗拱和屋檐作为质量样板,通过后再扩展到全场。全程通过电脑界面手动点击操作完成建模,不使用代码、脚本或命令行生成模型。 发出去以后,后面的事情就可以全部交给它了。 在前前后后历经了大概4个小时。 它终于把天坛祈年殿做了出来。 效果我觉得还不错。 我还把过程录成了一段加速视频。 看着模型一点点搭出来的感觉,是真的非常爽啊。 Computer Use有一个很明显的优势。 直观,并且是完全跟一个建模师一样操作的,人是怎么做的,它就怎么做。 你可以清楚地看到它现在点了什么、改了什么、卡在了哪里。 但它最大的问题,就是贵。。。 就这一座天坛,直接花掉了我200美刀Pro会员将近一半的额度。 有点肉疼。 虽然GPT-6 Astra的Computer Use确实非常强,但对Blender来说,还有两种速度更快、额度也更友好的方法。 第二种方式,是Blender官方推出的MCP。 可以把它理解成GPT和Blender之间的一条专用通道。 MCP可以直接读取Blender里的场景和物体,并通过底层API执行操作。 速度通常会快很多。 我用了一辆摩托车来给大家看看。 我给的提示词是下面这个: 请用Blender的MCP来制作一辆精细、可编辑的2026 Indian Chief VintageSturgis,SDEdition摩托车。先查阅真实车辆资料,自行生成一致的多视角参考图,再开始建模,以真实照片和尺寸为准。先做好整车比例、车架、油箱和挡泥板曲面,再补充V型双缸发动机、辐条轮毂、悬挂、车灯、车把和皮革座椅。主要部件保持独立并清楚命名,添加符合实车的材质。每完成一批资产就渲染并实际查看,不通过就返工,重点检查比例、外形、机械连接和部件穿插。 生出来的效果是这样的。 模型有了,但是不动起来,就还是不太好玩。 所以第二步,我让它继续基于现有模型,制作一段零件组装动画。 我的提示词是: 请基于现有的Chief Vintage Sturgis, SD Edition模型,用Blender的MCP制作一段10秒、30fps的零件组装展示动画,保留现有模型的外观、双色涂装和材质。0—2秒:以车架为基准,将发动机、轮组、前叉、油箱、挡泥板、座椅等主要总成有序悬浮展开,保持清晰的空间对应关系。2—7秒:零件按合理顺序分批、错峰移动到安装位置,逐渐组装成完整摩托车。动作平滑,有自然的加速和减速。7—10秒:镜头缓慢环绕完整车辆,展示车身曲面、发动机、辐条轮毂和材质细节。主要部件保持独立,动画和相机轨迹可编辑。分阶段渲染并实际查看,重点检查运动路径、部件穿插、构图和镜头衔接。 最后做出来的效果,是这样滴。 这下就有内味了。 如果你还像让它更好看,还可以让GPT-6 Astra,去Blender构建一个场景,这样渲染的效果会更加完整。 不过,在这个过程中,我也碰到了一个问题。 再生成动画视频的时候,MCP的单次运行超时了。。。 这也刚好暴露了MCP在处理复杂任务的一个约束。 解决起来也不难。 遇到一些复杂操作,可以尝试把任务拆成更小的步骤,一步步完成。 或者也可以试试接下来的方法。 第三种方式,通过CLI调用Blender,执行Python脚本。 这也是在实际操作中,最常调用的方式。 它和MCP在底层其实非常接近,两种方法都会使用Blender的Python API。 GPT写好代码以后,Blender再通过bpy创建模型、添加材质,等等完成后续的处理。 区别在于,MCP更像是连接并控制一个正在运行的Blender,CLI则是启动一个Blender进程去执行脚本。 但在其他条件相同的情况下,两种方式最终生成的模型效果,不会产生特别明显的差距。 日常我更推荐大家,使用GPT-6 Astra + Blender MCP + Computer Use来做。 三. 配合3D生成模型 现在大家已经看到GPT-6 Astra + Blender来去做的效果了,不过,大家可能会发现,上面的那些东西,基本都是几何体。 这也是AI现在比较擅长干的东西。 但是一旦涉及到生物类型的,就会效果比较差了。 比如说,让AI去复刻一个这样的金克斯。 只能说是毫不相干。。。 这也是目前GPT直接用Blender建模时,一个非常明显的短板。 从前面的天坛和摩托车也能看出来,GPT-6 Astra更擅长建筑、车辆和机械设备这种可以拆成大量规则的几何结构。 而我们给出来的图片,可能确实有点刁难了,因为人物基本就是建模里最复杂的了,跟一些几何体的建模方式完全不一样,我们过去做这种基本的人物的建模,都是用Box大概拉个型,然后基本都是直接手动ZBrush去雕刻出来的,这个真的就是传统的手工艺活,特别是肌肉的走向,跟老艺术家手工雕刻真的没啥区别。 所以,大家如果现在想复刻一些生物的3D模型,这一步就别用GPT-6 Astra去硬操作Blender了,可以借助专门的AI 3D生成模型。 比如,这么一个手办风格的金克斯的角色图。 让GPT-6 Astra操控Tripo AI生成角色3D模型,再把结果导入Blender。 这一版的效果,就明显好了很多。 所以,这种偏生物类型的,用GPT-6 Astra操控AI 3D生成模型,在导入到Blender里,来处理后续所有的流程,就会更加合适一点。 我们再用牛来举个例子,从建模到动画,完整走一遍制作流程。 在传统影视和游戏流程里的建模,一般需要好几个环节。 建模师先对照原画和不同角度的参考图,把角色的比例、轮廓和细节一点一点做出来。 除了外形,还要整理模型的拓扑、展开UV,再制作材质和贴图。 做到这里,才拥有了一个可以使用的静态角色。 如果还想让它动起来,需要继续做骨骼绑定、刷蒙皮权重,让身体各个部位和皮肤能够跟着骨骼自然变形。 之后,才是具体的动画制作,摆出姿势、设置关键帧,再反复调整动作之间的过渡和节奏。 每个环节都得一点点打磨。 真正耗时间的,往往就是这些又琐碎、又枯燥的基础工作。 所以这一次,我们也照着这套流程来。 先上传牛来妈妈的角色原图,然后让它生成一套统一的多视图设定,作为后续建模的参考。 接下来,正式进入Blender的环节,把牛来妈妈的基本轮廓和身体结构做出来。 然后整理UV、制作材质,再给它上色。 做完以后,感觉眼睛和头部比例还有点问题,又稍微修改了一下。 静态模型处理的差不多,就可以让它接着绑定骨骼。 最后,再来处理场景、表情和动画。 我想的是,可以让他来跳段舞,再根据BGM来喊妈妈和牛来! 最后做出来的效果,是这样的。 虽然属实是有点抽象,但是还蛮好玩的。 而且这套玩法,平时拿来整活也完全用得上。 你可以上传一张自己或者朋友的照片,让AI把它变成一个3D卡通小手办。 再给它编支舞、安排几个搞怪动作。 就很有意思。 写在最后 我忽然想起了7年前,我在朋友圈里发的一个3D的作品。 是根据一个海外的艺术家的图参考,然后我自己一点一点建模贴图然后渲染的。 这一张图,每天下班以后回家做,做了整整一个月。 那天晚上,用OC渲染了一整个通宵,然后在早上8点多发出来了。 一个月的时光啊,就为了一张图。 现在想想,好像这是一个不可思议的念头了。 创作越来越平权了。 每个人心中有想法,都可以让AI去操控软件,来帮你做出来。 虽然现在还很贵,还比较慢,但是,至少能做出来。 而且趋势一定是越来越便宜的,就像去年,我们想象不到,一个Coding类的长程任务,能做到这么便宜,当年,做一个PPT,甚至都需要20美金。 但,人人都可以做了,却不代表,好作品会涌现。 以后真正拉开差距的,会越来越变成你的想法、审美、判断力,还有那点愿意继续折腾下去的好奇心。 我还挺期待看到,大家都会做些什么出来。 最后。 祝大家,建模愉快。
