Be ett generativt AI-system designa en mugg för 3D-utskrift och du kommer sannolikt att få en stilig kopp som inte kan hålla ditt kaffe. Forskare vid MIT:s Computer Science and Artificial Intelligence Laboratory (CSAIL), som arbetar med Google och Northeastern University, har byggt ett verktyg för att fixa exakt det: InstructMesh, ett designsystem som låter vem som helst – expert eller helt nybörjare – reparera AI-genererade 3D-modeller och tillverka dem som de faktiskt tänkt sig, enligt MIT News.
Problemet som InstructMesh riktar sig till är grundläggande för hur dagens generativa modeller fungerar. AI-system förstår hur ett objekt ska se ut, men inte hur det fungerar, vilket ger opraktiska mönster som undergräver ett föremåls avsedda användning. Och även när användarna upptäcker bristen är 3D-modeller vanligtvis svåra att redigera, särskilt för personer som är nya i 3D-design. InstructMesh, tillkännagiven av MIT News den 1 oktober 2026, är ett AI-drivet gränssnitt designat för att förstå både hur design ska se ut och vilka redigeringar användare vill göra, vilket minskar klyftan mellan vad du frågar och vad du skriver ut. För team som spårar den senaste AI-utvecklingen, är det ett sällsynt exempel på att generativ AI används för att övervaka generativ AI:s egna misstag.
Hur InstructMesh fungerar
InstructMesh parar Microsofts TRELLIS-system, som genererar 3D-modeller från text- och bildmeddelanden, med GPT-4, den stora språkmodellen bakom ChatGPT — som kombinerar visuell och textuell kunskap i ett enda arbetsflöde. En användare kan uppmana systemet att generera en 3D-design för till exempel ett par glasögon och sedan markera specifika delar av ritningen som de vill förfina innan utskrift.
"Vi ville sammanföra talangerna hos 3D-generatorer och resonemangsförmågan hos LLMs i ett interaktivt utrymme för att göra objekt som människor faktiskt vill ha", säger Faraz Faruqi, huvudförfattare på tidningen som presenterar projektet, en nyligen utexaminerad MIT EECS och CSAIL-filial som nu arbetar på Google.
Manipulation sker i den generativa modellens latenta utrymme: användare beskriver problem i naturligt språk, och InstructMesh producerar tolkningsförändringar av geometrin för användaren att utvärdera och godkänna. Reglage ger precision för tweaks som att förstora eller extrudera en viss del av modellen. Resultatet, sa Faruqi, är att "det de såg är vad de fick, och föremålen fungerade som annonserade."
Siffrorna bakom demon
Teamet testade verktyget strukturerat. De lät TRELLIS återskapa populära 3D-modeller från Thingiverse, en plattform som är värd för miljontals utskrivbara mönster, och fann att nästan 80 procent av de genererade modellerna hade strukturella brister på något sätt. CSAIL-forskare bad sedan nybörjare att identifiera och åtgärda dessa problem med InstructMesh - och nykomlingarna lyckades båda ungefär 90 procent av tiden, som granskats av en expert.
Den framgångsfrekvensen spelar roll eftersom den antyder att färdigheten InstructMesh tillhandahåller är en bedömning av funktion, inte år av CAD-utbildning. "Det som dessa nykomlingar saknade i expertis, kompenserade de för i intuition", som MIT News uttryckte det.
Demonstrationsbitarna visar utbudet. InstructMesh producerade en mugg omsluten av en drake, vars svans formade handtaget; en glänsande blå visselpipa formad som ett skal; glasögon med fjärilsvingar spridda över linserna; och en bläckfiskliknande dryckesautomat vars tentakler hälls i en separat kopp. Utöver nyckfullhet använde MIT-forskare verktyget för att tillverka ett knästöd i denim-look som matchar en patients jeans, och en färgglad räkformad "borstbot" - ett robothölje som döljer en motor som driver enheten över ytor som en upprullad leksak.
Varför det är viktigt
Generativ AI har redan förvandlat text, bilder och kod, men fysisk tillverkning förblir en envis gräns. Forskargruppen ramar in problemet med en gammal mjukvaruprincip: "vad du ser är vad du får" — program där innehållet du redigerar ser likadant ut som slutprodukten. Generativa 3D-verktyg bryter det löftet rutinmässigt, eftersom modellen som föreställer en mugg inte har någon intern kontroll för väggtjocklek, handtagsstyrka eller om interiören överhuvudtaget kan hålla vätska. Gapet mellan ett nät som ser rimligt ut och ett objekt som överlever kontakt med den verkliga världen är där de flesta konsumenternas 3D-utskriftsambitioner dör.
Genom att göra reparationen interaktiv och språkdriven attackerar InstructMesh det sista problemet med AI-stödd tillverkning. Systemet bygger upp en modelleringsprocess som tidigare krävde djup domänexpertis i professionella 3D-verktyg, ersätter menyer och modifierare med naturliga språkbeskrivningar av vad som är fel och reglage för finjusteringar. Designen kräver inte längre en expert för att bli verklig, och expertgranskningen i MIT:s studie tyder på att korrigeringarna inte är kosmetiska - föremål som passerade genom nybörjare visade sig fungera.
Det finns en kommersiell svans till forskningen också. Faruqi, nu på Google, kan införliva InstructMesh i en förstärkt verklighetsplattform – visionen är att du förklarar vad du behöver med hjälp av omgivningens sammanhang och systemet snabbt 3D-skriver ut det, som ett telefonfodral som matchar din plånbok.
För 3D-utskriftsindustrin är studiens mer provocerande fynd den 80 procentiga felfrekvensen i AI-genererade modeller från ett ledande generativt system. När text-till-3D-verktyg rasar mot konsumentprodukter, hävdar InstructMesh att det inte räcker med enbart generering – verifiering och reparation måste skickas i samma låda.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
