VAST erhielt innerhalb eines halben Jahres eine Finanzierung von rund 5 Milliarden Yuan: Der einstige, nicht dem allgemeinen Konsens entsprechende Akteur ist zum „Fundament der Welt“ geworden | Erstveröffentlichung bei Intelligenter Emergenz
Nach drei Jahren der Unternehmensgründung hat Song Yachen, Gründer und CEO von VAST, selbst wenn er den gesamten Verlauf der Branche um große Modelle von der Entstehung bis zur rasanten Entwicklung miterlebt hat, immer noch das Gefühl, dass die jüngste Entwicklungsgeschwindigkeit „über die Erwartungen hinausgeht“ – der Konsens über Weltmodelle und UGC-interaktive Inhaltsplattformen hat sich extrem schnell gebildet. In seiner ursprünglichen Vorstellung „muss man vielleicht noch zehn Jahre lang darüber sprechen, bis die (3D-)Technologie reif ist und alle langsam verstehen, was das ist“.
Kürzlich hat sein gegründetes KI-Unternehmen VAST die Finanzierungsrunden B und B+ mit einem Gesamtbetrag von etwa 3 Milliarden Yuan abgeschlossen, angeführt von Matrix Partners China.
Weitere Investoren umfassen: führende industrielle Kapitalgeber wie Perfect World, BlueFocus, Core Dynamic Investment, Extremely Fun Games, Thundersoft, State Radio and Television Investment, 37 Interactive Entertainment sowie führende finanzielle Investoren wie CDH VGC, CICC Capital, CMC Capital, Hongtai Fund, Sanzheng Health Investment, Zhongping Capital, Fujian Industrial Investment Fund, Fujian Venture Capital, ZuoYuan Asia, Jiangxi Financial Control.
Gleichzeitig haben die alten Aktionäre Dachen Caizhi, Chunhua Capital, 4399, Muhua Kechuang, Oasis Capital, Inception Capital und Huakong Fund weiterhin überproportional nachinvestiert.
In weniger als einem halben Jahr hat VAST insgesamt etwa 5 Milliarden RMB an Finanzmitteln eingesammelt und damit den Rekord der Finanzierungssumme im Bereich KI 3D neu aufgestellt.
Hinter dem rasanten Finanzierungsrhythmus ist es bemerkenswert, dass sich der Hintergrund der Investoren von VAST in den letzten Monaten vielfältiger gestaltet hat – Kapitalgeber aus verschiedenen Industrien wie Automobil, E-Commerce, Spiele, Unterhaltungselektronik, XR, Film und Fernsehen, Werbung sowie Kultur und Tourismus haben diese Branche verstärkt unterstützt.
Genau wie Salesforce in Anthropic investiert und Claude integriert hat, BMW in Figure AI investiert und Roboter in die Produktionslinien einführt, bedeutet die verstärkte Unterstützung des nachgelagerten Industriekapitals oft, dass die technologische Entwicklung in eine neue Phase eintritt: von „verfügbar“ zu „nützlich“; die enormen kommerziellen Erträge, die durch die Technologie entstehen, verwandeln sich auch von Zahlen im Businessplan in sichtbare Vorteile für die Industrieparteien.
Das Industriekapital schätzt zuerst die technischen Fähigkeiten von VAST.
Im August hat VAST gerade die neueste Generation des KI-3D-Grundmodells Tripo P2.0 Preview vorgestellt, das weltweit das erste 3D-Großmodell ist, das innerhalb weniger Sekunden hochwertige Viereck-Netze erzeugen kann.
Verglichen mit der vorherigen Version P1.0 haben die Fähigkeiten von P2.0 wie Erzeugungsgenauigkeit und Bereich der Flächenanzahl einen qualitativen Sprung gemacht – die Obergrenze der Dreiecksflächen wurde von 20.000 auf 50.000 angehoben, gleichzeitig wurde der native Viereck-Topologie-Modus neu hinzugefügt, der maximal 25.000 Viereck-Flächen unterstützt.
△Tripo P1.0 vs P2.0. Quelle: bereitgestellt von VAST
Auf der anderen Seite der tatsächlichen Geldwetten der Industrieparteien liegt das herausragende Ergebnis von VAST in der Umsetzung und Kommerzialisierung.
Gegenwärtig ist VAST eines der wenigen KI-Startups, die sowohl selbst entwickelte Grundmodelle besitzen als auch kommerzielle Ergebnisse in vertikalen Bereichen erzielt haben. Sein Kernprodukt Tripo Studio hat derzeit bereits Dutzende Millionen Nutzer weltweit bedient, während das 3D-native Grundmodell Tripo bereits in die Arbeitsabläufe von in- und ausländischen Unternehmen wie NetEase, Tencent, ByteDance und Microsoft integriert wurde.
„3D ist die native Repräsentation der Welt“, sagte Song Yachen einmal. Die derzeitige starke Nachfrage nach VAST ergibt sich auch daraus, dass es genau auf das setzt, woran die Investoren derzeit glauben: Der nächste Sprung der Großmodelle wird im Verständnis, der Simulation und der Interaktion mit der physischen Welt stattfinden.
Um in jeder Phase weiterhin führend zu bleiben, müssen Modell und Anwendung gleichzeitig vorangetrieben werden – das Grundmodell bestimmt die Grenzen der Umsetzungsszenarien, während die Plattform Anwendungen und Kommerzialisierung aufnimmt.
Allerdings hat VAST nicht die Absicht, ein schmeichelhaftes Drehbuch für sich selbst zu entwerfen. Zuvor hat Song Yachen mehrfach öffentlich zugegeben: Als das Unternehmen gerade gegründet wurde, wollte es sofort eine UGC-interaktive Inhaltsplattform aufbauen, stellte aber schnell fest, dass die „Handykamera“ im 3D-Bereich noch nicht erfunden wurde – in einer Zeit, in der Technik und Produkte der Branche bei weitem nicht reif sind, kann selbst die Kraft eines einzelnen Unternehmens keinen kommerziellen Kreislauf für 3D-UGC-Inhalte schließen.
Nachdem er das verstanden hatte, vollendete Song Yachen mit seinem Team den „zweistufigen“ Weg vom Modell zur Plattform: Der erste Schritt besteht darin, das Problem des Grundmodells und der neuen Produktivität zu lösen, sodass jeder ohne Hürden, kostenlos und in Echtzeit kreativ tätig werden kann. Der zweite Schritt besteht darin, eine Plattform aufzubauen, Inhalte und Erlebnisse an Endverbraucher zu verteilen und die Kommerzialisierung abzuschließen.
Song Yachen glaubt, dass KI 3D neue plattformweite Chancen bringen wird, deren potenzielle Marktgröße weit größer sein wird als die der Inhaltsplattformen, die wir heute kennen.
„Lassen Sie die KI sich an die industriellen Standards der Menschen anpassen, nicht umgekehrt“
„Wenn Ihnen jemand sagt, dass Sie an einem Tag 100.000 Assets erzeugen können, was werden Sie tun?“ Das ist eine Frage, über die Cao Yanpei, Chefwissenschaftler von VAST, in der letzten Zeit oft nachgedacht hat.
Solche Annahmen klangen vor einem halben Jahr noch wie ein Märchen.
In der traditionellen 3D-Industriepipeline sind die zeitaufwändigen Schritte des Remeshing und Rigging kaum mit künstlerischer Kreativität verbunden, sondern im Wesentlichen komplexe manuelle Arbeit – das manuelle Remeshing eines einzelnen Assets dauert Stunden bis Tage und ist der größte Personalengpass in der gesamten Produktionspipeline. Sobald Topologie und Rigging ins Stocken geraten, wird der gesamte Produktionsrhythmus verlangsamt.
Um die von KI erzeugten 3D-Assets direkter in die Produktionspipeline einzubringen, muss die native Mesh-Erzeugung realisiert werden, d. h. 3D-Assets mit angemessener Flächenanzahl, strukturierter Struktur und geeigneter Aufteilung direkt auf der Mesh-Repräsentation erzeugen.
Nach dem Eintritt in die Ära der Großmodelle hat niemand versucht, dieses Problem zu lösen.
Zurück ins Jahr 2024: Der besonders beliebte technische Konsens im KI-3D-Bereich war das autoregressive Verfahren (Auto-Regressive).
Der enorme Erfolg des autoregressiven Paradigmas bei großen Sprachmodellen hat den 3D-Bereich stark beeinflusst. Viele Forscher versuchen, 3D-Repräsentationen zu serialisieren – Meshes, die ursprünglich keine natürliche lineare Reihenfolge haben, werden in geordnete Tokens kodiert und dann nacheinander vorhergesagt, wie Sätze erzeugt werden.
In den letzten zwei oder drei Jahren hat die autoregressive Route der Branche tatsächlich „Vorteile“ gebracht. Praktiken wie MeshGPT und MeshAnything haben bewiesen, dass auf der Grundlage der autoregressiven Route 3D-Modelle native Meshes mit geringer Flächenanzahl, kompakter Struktur und bestimmtem Produktionswert erzeugen können.
Allerdings hat VAST sehr früh erkannt, dass das autoregressive Verfahren für die native Mesh-Erzeugung nur eine „falsche Blüte“ darstellt. Das erzwungene Einfügen von Meshes in serialisierte Repräsentationen führt zu Informationsverlusten. Sobald man eine höhere Obergrenze anstrebt, treten Probleme wie die Akkumulation von Fehlern gehäuft auf.
„Das ist eigentlich ein sehr umständlicher Weg zwischen den Rohdaten und den letztendlich gewünschten Assets“, sagte Cao Yanpei, Chefwissenschaftler von VAST.
Diese branchenführende Beurteilung stammt aus dem Grundprinzip, an dem VAST seit seiner Gründung festhält: „Erzeugt und sofort nutzbar“. Mit den Worten von Cao Yanpei: „Lassen Sie die KI sich an die industriellen Standards der Menschen anpassen, nicht umgekehrt“.
„Um innerhalb von Sekunden hochwertige Meshes zu erzeugen, kann man nicht den autoregressiven Weg gehen – mit der aktuellen Rechenleistung und dem aktuellen Paradigma kann man nicht zehntausende Tokens in einer Sekunde erzeugen, wenn man zehntausende Flächen erzeugen will“, sagte Cao Yanpei.
Das zwingt VAST zu einem schwierigeren End-to-End-Weg: Direkt auf den ursprünglichen Mesh-Daten des 3D-Modells trainieren und das gesamte Ergebnis auf einmal erzeugen – das ist auch der Kerngedanke des Trainings von VASTs aktuellem Grundmodell Nexus.
Um dieses Ziel zu erreichen, hat VAST das gesamte Modell und die Datenpipeline neu aufgebaut, einschließlich der weltweit umfangreichsten 3D-nativen Datenassetbibliothek sowie der selbst entwickelten Trainings- und Inferenzinfrastruktur. Gleichzeitig hat das Team gleichzeitig ein Ingenieurssystem aufgebaut, das Forschungsprototypen zu robusten und effizienten Online-Diensten weiterentwickelt, was bedeutet, dass die Technologie im Labor schließlich zu Produkten wird, die Nutzer stabil verwenden können.
Der Wendepunkt der iterativen Verbesserung der Modellfähigkeiten begann mit der Erforschung des selbst entwickelten Algorithmus-Frameworks Nexus von VAST.
Verglichen mit dem autoregressiven Weg der linearen Erzeugung entkoppelt Nexus die Erzeugung von Scheitelpunkten und Topologie, erzeugt Scheitelpunkte global von grob zu fein mit hierarchischer Diffusion und kodiert beliebige Topologien durch „räumlich-zeitliche Intervalle“ – einfach ausgedrückt: Zuerst das Ganze erzeugen, dann die Details ergänzen.
Auf diesem Weg realisiert Nexus erstmals auf der Basis von Diffusionsmodellen die native Mesh-Erzeugung ohne jegliche Sortierung. Die entsprechenden Arbeiten wurden von SIGGRAPH, der internationalen Top-Konferenz für Graphik, aufgenommen.
Die Vorreiterrolle auf dem Gebiet der Diffusionsverfahren, das scharfe Know-how und die kontinuierliche Investition in Trainingsressourcen machen VAST zum globalen SOTA des Algorithmus im KI-3D-Bereich – Tripo P1.0 ist das weltweit erste 3D-Großmodell, das innerhalb weniger Sekunden produktionsreife Meshes ausgeben kann, was die Geschwindigkeit im Vergleich zu anderen marktüblichen Lösungen um das Hundertfache steigert. Seit der Einführung der P-Serie im März dieses Jahres gibt es in der Branche kein anderes Modellprodukt, das die gleiche Wirkung erzielt.
Die grundlegenden Algorithmusvorteile von Nexus wurden bald auf der im August dieses Jahres eingeführten P2.0 Preview bestätigt.
Seit langem sind Viereck-Meshes der industrielle Standard für die Produktion in Branchen wie Spielen und Film. Viele traditionelle Remeshing-Routen können jedoch weder die Erzeugungsgeschwindigkeit noch die Qualität von Viereck-Meshes berücksichtigen.
Im Nexus-Framework wird die Erzeugung verschiedener Flächentypen (Ordnung der Flächen) zu einer inhärenten Fähigkeit des Modells; gleichzeitig kann das Polygon-Mesh in einem einzigen Erzeugungsprozess direkt erzeugt werden, ohne den langwierigen Prozess zu durchlaufen, zuerst ein Hochmodell zu erzeugen und es dann umzuwandeln – das macht Tripo P2.0 zum weltweit ersten 3D-nativen Grundmodell mit nativer Viereck-Topologie, dessen erzeugte 3D-Assets direkt den industriellen Produktionsstandards entsprechen.
Das ist der Sieg des Nicht-Konsens und auch der Sieg des ersten Prinzips.
△Tripo 2.0 Preview. Quelle: VAST WeChat Video-Konto
Die Grenzen der Modellfähigkeiten schaffen die Grenzen der Welt
Nach Ansicht von Cao Yanpei dienen die Fortschritte der Modellfähigkeiten in den letzten drei Jahren im Wesentlichen dazu, das Problem der 3D-Asset-Versorgung auf der Modellseite zu lösen. Im Vergleich zu früher, als man ein Hauptcharakter-Asset erst nach einer halben Woche erhalten konnte, „sobald die Produktionsmenge an Inhalten steigt, werden die Inhaltskonsumenten sehr unterschiedliche Entscheidungen treffen“, was zu einer qualitativen Veränderung der Produktionsparadigmen und Denkweisen im Inhaltsbereich führt.
Auf der C-Seite haben die Praktiken der Modellanbieter in der Videoerstellung und beim Vibe Coding bewiesen: Die Fähigkeiten des Modells bestimmen die Grenzen der Nachfrage. Dieses Gesetz wird auch im Bereich KI 3D bestätigt.
Seit der Einführung der Tripo P-Serie nutzen immer mehr Entwickler weltweit die Codierungsfähigkeiten des Modells, um Produkte wie Webseiten und Spiele mit 3D-interaktiven Inhalten auf „sprachgesteuerte Weise“ zu entwickeln.
Zum Beispiel hat der ausländische unabhängige Entwickler @thebuggeddev auf Basis von Tripo sowie Codierungsmodellen wie Claude Code und Codex mehrere exquisite 3D-interaktive Webseiten erstellt. Von der 3D-Asset-Erstellung und Webseitenerstellung bis hin zum Schreiben und Rendern von Three.js-Code erfordert der gesamte Erstellungsprozess keine Abhängigkeit von traditionellen professionellen Tools wie Blender. Entwickler können die Erstellung vom Modell bis zur interaktiven Webseite nur über natürliche Sprache und Code abschließen.
Kürzlich wurde seine 3D-interaktive Anwendung für menschliche Anatomie, die er auf X veröffentlicht hat, von Greg Brockman, Präsident von OpenAI, weiterverbreitet, und der ursprüngliche Beitrag hat mehr als 10.000 Likes erhalten. Der Herstellungsprozess dieser exquisiten Webseite ist nicht kompliziert: Zuerst zeichnet man mit GPT Image 2.0 das Designbild, erzeugt nacheinander Bilder von Organen, wandelt sie dann mit Tripo in 3D-Modelle um und überlässt schließlich Codex den Code zum Zusammenbauen.
