GPT-6 Astra 接入 Blender 实测：AI 能取代 3D 艺术家吗？

AI 建模浪潮下的"存在主义焦虑"

对不少 3D 艺术家来说，社交媒体上每周涌现的新 AI 建模工具已经成了一种持续的心理压力。一位 B 站 UP 主在最新视频中调侃道：每当刷到"某个专为 Blender 打造的超强 AI 模型"，都会陷入一轮"要不要转行"的自我怀疑。这一次的主角是被称为 GPT-6 Astra 的模型，作者决定把它拉进 Blender 做一次真实测试，看看它究竟能不能"抢走饭碗"。

值得关注的一个细节是：使用这类工具时，你甚至不需要在后台开着 Blender。整个测试在 ChatGPT 桌面端完成，模型档位设置为"中等"（作者坦言不想把积分全花光）。这意味着 AI 建模的交互方式正在从"人操作软件"转向"人下达意图、AI 生成结果"。

让 AI 自我评估：它认为自己能做什么？

作者没有直接给出复杂需求，而是先问模型"你觉得自己在 Blender 里能做什么、会抢走谁的饭碗"。这个开放式提问反而暴露了当前 AI 建模能力的真实边界。

模型的回答相当克制且专业：它自称最适合当"技术美术"，能快速出草稿，具体包括——用 Python 搭建程序化场景、建模道具、设置材质和灯光、布置摄像机、自动化重复编辑，以及排查几何体或渲染问题。它举了个例子：给它一个方向，比如"一个阴暗的水下研究站"，它就能生成具体场景并与用户迭代。

关于"抢饭碗"，模型的自我定位值得从业者细读：它承认会替代"重复性工作、生成变体、整理资产、修正命名、批量处理"这些环节，但明确表示"还不到完全取代"的程度。换句话说，AI 目前更像一个高效的助理，而非独立的创作者。

模型提到的"程序化场景"是指通过参数或脚本批量生成3D内容，而非逐个手工建模。Blender内置的几何节点（Geometry Nodes）系统就是典型实现方式：艺术家定义规则，软件自动生成符合规则的大量物体，例如一片随机分布的森林或整齐排布的城市街道。AI通过Python脚本调用Blender API，本质上是在"编写并执行"这类程序化逻辑，因此对于高度重复、规律性强的场景构建效率较高，但对于需要主观审美判断的不规则有机形态（如角色、自然地貌细节），其输出质量则明显受限。

第一次测试：几秒钟的动画与"心理暗示"

作者让 AI"做点酷炫的东西"，并特意加了一句"我在做 YouTube 视频，你最好做得漂亮点"。有趣的是，他对比了之前一次没有这句话的测试——这次的产出"好了 100 万倍"。这当然是夸张的调侃，但也点出了提示词措辞对生成结果的影响。

生成过程需要等待两三分钟，最终 AI 渲染出了一个物体，还附带了一段 6 秒的动画。作者的评价很诚实："看起来挺酷的"，但要说惊艳，"其实也没有"。他甚至提出想做一期"3D 艺术家对战 AI"的对比视频，看自己能否用更短时间重建同样的场景——因为 AI 花了六七分钟。

硬核测试：根据参考图重建豪华别墅

真正有价值的测试是建筑可视化。作者从 Google 图片搜索了一张"豪华别墅"参考图（这栋房子他自己曾做过可视化），并且做了一个聪明的动作：先让 AI 自己给出"如何写好这段提示词"的建议，理由是"它应该比我更了解自己"。

这个思路对普通用户很有启发——与其绞尽脑汁写提示词，不如让模型帮你生成结构化提示词，再连同参考图一起发送，要求 3D 场景尽可能贴近参考图。

建筑可视化（Architectural Visualization，简称 ArchViz）是3D艺术中商业价值较高的细分领域，通常用于房地产销售、室内设计提案和建筑方案展示。从业者需要在贴近参考图的前提下，把控光线真实感、材质质感（如混凝土、玻璃、水面反射）以及植被配景等大量细节。这类项目对"还原度"要求极高，客户往往能一眼看出透视关系或材质是否"不对味"，因此成为检验AI建模能力的理想压力测试场景——比生成一个抽象酷炫的科幻物体要苛刻得多。

27 分钟的等待与"两秒印象"的陷阱

从按下回车到拿到结果，整整过去了 27 分钟。作者在展示结果前抛出了一个很有洞察力的观点：人对一件事物的第一印象往往取决于最初两三秒看到的东西，而这通常和实际情况完全不同。他建议观众记录"看图前两秒"和"盯着看一两分钟后"两种截然不同的感受。

结果确实"以假乱真"——第一眼作者以为自己打开的是参考图本身。游泳池部分渲染得相当不错，场景里有几处细节乍看也挺好。但深入观察后，问题浮现：比如那棵树，作者形容它像老游戏《寂静岭》里追着人跑的诡异存在。整体上是"远看惊艳、近看破绽"的典型 AI 生成结果。

27 分钟一张图，够格威胁饭碗吗？

作者把最核心的问题留给了观众：一个需要 27 分钟才能生成这种结果的服务，真的先进到能威胁建筑可视化、游戏设计、环境设计、产品可视化这些领域的从业者了吗？

从这次实测能得出几个相对理性的判断：

• 速度尚未构成优势：27 分钟一张仍带明显瑕疵的静态图，对熟练的 3D 艺术家而言并没有碾压性的效率优势。
• 第一印象具有欺骗性：AI 结果最擅长营造"惊艳的头两秒"，但经不起专业眼光的细看，树木、结构等细节仍是短板。
• 定位是助理而非替代：连模型自己都承认，它的强项是重复性、变体化、资产整理类工作，而非从零到一的完整创作。

对 3D 从业者来说，与其焦虑"该不该转行"，不如把这类工具当作压缩重复劳动、快速出草稿的加速器。真正的创意判断、审美把控和细节打磨，短期内仍牢牢握在人类手里。

提示：本文基于一位 B 站 UP 主的单人实测视频整理，测试环境为 ChatGPT 桌面端中等档位，结果具有一定主观性，仅供参考。

值得注意的是，文章测试的是"中等"档位，且运行环境为ChatGPT桌面端而非本地部署。云端推理的耗时不仅取决于模型能力，还受服务器负载、网络带宽和任务队列等因素影响，27分钟的等待时间并不完全代表模型的"智能上限"。随着算力成本持续下降和推理加速技术（如模型量化、投机解码）的普及，同等质量的生成速度有望在未来一两年内显著压缩。因此，"速度尚未构成优势"这一判断具有较强的时效性，从业者需要持续关注而非一次测试定论。