找不到3D打印模型，并不是因為它不存在：看AI嘗試改寫模型搜索邏輯

本文閱讀導圖

上圖由AI生成

AM易道分享

假設你想打印一個游戲人物手辦，以獸人為例，我們在Cults模型站上搜"brutal orc"（兇猛獸人），找到137個結果。

但如果你換成Orc Warrior（獸人戰士），出來超過幾乎不同的1000個結果。

再換成Savage Fighter（野蠻斗士），又是完全不同的另一批。

問題是，這三個詞描述的可能是同一類東西。

更大的問題是，這會花費我們大量的時間找不到我們想要的模型。

這不是你搜索技術差，是整個3D模型市場的檢索邏輯還是上時代的產物。

Minarium是最近上線的一個AI驅動型3D模型市場，專注桌游和RPG微縮模型。

它想做的事情很簡單，讓你用人話搜索，而不是猜創作者打了什么標簽。

標簽系統為什么失靈了

Robert Walczak是Minarium的創始人。他自己就是模型創作者，深知這套系統有多荒謬。

他在平臺發布時說：

作為創作者，他受夠了花大量時間描述模型而不是設計模型。

他想做一個系統，讓用戶基于搜索的本意來找到東西，而不是被具體用詞限制住。

這話聽起來像廢話，但你仔細想想現有平臺是怎么運作的：

創作者上傳模型，自己打標簽、寫描述；買家搜索時，系統做的事情本質上就是文本匹配，你的搜索詞和創作者寫的詞能對上，就出結果；

對不上，這個模型對你來說就是不存在的。

當我們測試的Cults3D這樣的平臺積累了超過200萬個模型、用戶超過千萬時，這套匹配邏輯的裂縫就越來越大。

創作者沒法猜到買家會用什么詞搜索，買家也沒法猜到創作者會用什么詞標注。雙方都在黑暗中摸索。

根據海外同行的觀點，Prusa的Printables、MyMiniFactory，包括被Epic Games收購后整合進Fab的Sketchfab，底層邏輯都是一樣的。

我們沒有對國內的模型站做測試，期待讀者在評論區反饋國內模型站的搜索邏輯。

Minarium的做法：從匹配文本到理解意圖

Minarium的核心改變是，AI不再匹配你輸入的具體詞，而是試圖理解你想找什么。

根據海外同行報道，Minarium使用自然語言搜索，將用戶的日常描述與每個模型形態的數學表示進行匹配。

大概解釋是，LLM技術能夠把概念聚類在一起，含義相近但用詞不同的東西會被認為是接近的。

舉個例子：你搜索"brutal orc"(兇猛獸人)，系統不會只找文件名或標簽里有這三個詞的模型。

它會去找視覺上、概念上符合"兇猛獸人"這個意象的所有模型，哪怕創作者把它標成了強壯動物人或者狂暴怪物或者角斗士等其他標簽。

這套邏輯的好處顯而易見，那些因為標簽打得不好而被埋沒的模型，現在有機會被發現了。

對創作者來說，這意味著你可以把精力放在設計上，而不是做SEO。

對買家來說，搜索體驗會更接近描述你想要什么而不是猜平臺能識別什么詞。

AM易道認為，這種從關鍵詞匹配到語義理解的轉變，對于任何UGC平臺來說都是遲早要走的路。

只不過3D模型市場因為內容形態特殊（幾何數據本身不攜帶語義），這個問題被拖得更久了。

隱形指紋，盜版追蹤的新嘗試

除了搜索，這家還在做另一件事，用隱形指紋技術追蹤模型泄露。

其在開發一種指紋技術，能在每個文件中嵌入不可見的標識符。

如果某個帶有特定指紋的模型出現在未授權渠道，理論上可以追溯到泄露源頭。

這和我們熟悉的可見水印不同。可見水印會影響打印效果，而隱形指紋是嵌入在數據層面的。

Treatstock旗下的Watermark 3D做過類似的事情，在STL文件中嵌入隱藏信息，打印成品上看不出任何痕跡，只有上傳到檢測平臺才能讀取。

但這類技術有明顯局限。Minarium的指紋技術或許能在其平臺內部發揮作用，但一旦模型被帶到其他平臺，就受制于那些平臺的規則。

另外，對于已經打印出來的實物，數字指紋也無能為力。

技術上并不完美，但至少又有人在認真對待這個問題了。

3D模型盜版一直是行業老大難。

STL文件一旦發出去基本就是裸奔，創作者對泄露幾乎無能為力。

如果平臺能提供某種程度的追溯能力，哪怕不完美，對于建立創作者信任來說都是往前邁了一步。

只有當創作者相信自己的作品有一定保護，他們才更愿意把高價值、高精度的數字資產放上來賣。

在垂直定位上，Minarium選擇了桌游和RPG微縮模型這個細分市場。

我們在這個AI模型平臺上測了測一開始的三個搜索詞。

brutal orc:

orc warrior:

savage fighter:

從目測感受來說，搜索結果的數量、一致性、相似性確實比C站高了那么一些。

但我們并不確定這是不是由模型平臺較新而模型數量過少導致的。

最后預測一個行業趨勢。

生產內容的門檻在降低，AI生成3D模型的技術也在快速迭代。

管理和分發這些內容的能力，會越來越稀缺。

一個問題值得整個行業思考：

在模型數量指數級增長的時代，傳統的標簽檢索體系還能撐多久？