作者: 优势铺

  • 猫咖反哺学:从消费到慢陪伴

    猫咖反哺学:从消费到慢陪伴

    走进一家猫咖,你会闻到咖啡香、听到轻柔的 jazz,抬头发现一只橘猫正蜷在吊椅里看你——这就是猫咖的基本氛围。但近两年,猫咖正在悄悄发生改变:从「打卡拍照发抖音」的一过性消费,转向「周年来往、彼此熟悉」的慢陪伴模式。

    从打卡到熟客

    早期的猫咖更像「主题咖啡馆 + 拍照道具」,单次消费后顾客很少回来。但越来越多店主发现,能支撑门店运转的,反而是每月来三五次、知道哪只猫爱撒娇、哪只猫今天不想被打扰的固定客人。这种「轻动物 + 重关系」的模式把猫咖做成了社区客厅而非网红景点。

    运营上的体现是:会员储值、节日猫生日派对、人猫行为观察日——所有动作都在鼓励回访而非拍照离场。

    「请勿打扰」的多重含义

    猫咖的真正难点不是客人太少,而是猫太累。做得好的猫咖会通过领养分流、午睡闭店、分区轮换等方式给猫喘息空间。客人看到「请勿打扰」的牌子,不只是对猫的尊重,也是对人了解自己的提示——你焦虑的时候,猫也会读得到。

    边界与争议

    当商业和动物福利冲突时,猫咖要做的选择很多:是优先拍照效果(把猫关在橱窗),还是优先猫的生活质量(拒绝挑逗性的互动)?一些品牌开始写「猫友好准则」,告诉客人正确的接近方式,把动物福利做成显性规则而非隐性建议。

    回归陪伴本身

    一个有趣的观察:愿意每周来一次的常客,他们买的不是咖啡,而是「被一只猫安静陪着」的二十分钟。这是城市里被高密度社交挤压出来的一种隐性需求。当猫咖承认自己是「陪伴服务」而非「餐饮 + 猫」,反而做出了自己的差异点——再多高颜值的打卡店,也替代不了熟悉一只猫的温度。

    猫咖真正的护城河,也许从来不是装修,而是「这只猫认识我」。

    猫咖反哺学封面
  • 老街商号:传统商铺如何在街区活下来

    老街商号:传统商铺如何在街区活下来

    很多城市都有几条「老街」,街上挂着百年老店匾额、卖着卤味糕点、修着钢笔配钥匙。当连锁便利店开到街口、年轻人习惯线上消费,这些小铺子如何活下来?本文不谈情怀,只看它们做对了什么。

    三种活法

    第一种:把「垂直」做透。修表的只修表、配钥匙的只配钥匙、修钢笔的只修钢笔——今天还能在市中心活下来的,往往是「这件事我只在这里能找到」的铺子。它们不抢流量,只服务方圆五公里内那群「不愿意网购」的人。

    第二种:变成「可展示」的体验店。老式糕点铺的现场制作、修笔匠的工位陈列、酱油铺子的古法发酵缸,这些工艺景观本身就是流量入口。买与不买先另说,让人看了一个小时,店里便不再冷清。

    第三种:搭上本地文旅。被游客线路穿过的老街,店招本身就是导览图。客流未必常年,但周末与节假日能抵掉平日一半以上营业额。

    代际交接的真正难题

    传统商铺最痛的不是生意,而是接班。许多老字号找不到继承人,子女不愿接手陌生行当。这一两年出现的现象是:非血缘传承——找学徒、找合伙人、找连锁品牌来收编。

    另一种尝试是家族内部轮岗。让子女先去大城市做一年市场营销,再回来接班。一次轮岗不必解决所有问题,但能让他们用今天的语言讲述昨天的故事。

    街区本身的变量

    老街的好生意往往绑在一群好邻居身上。五金店、杂货铺、茶馆彼此互为「候补服务员」——客人找不到店主时,隔壁会帮忙招呼。一旦某家被连锁便利店替掉,剩下的几家也会在两年内消失。

    从「保下来」到「活得好」

    如果只是想保存它,拍纪录片、申请非遗、写进街区志就够了;如果想让它活得好,必须让它持续被需要。这一代老街小店最大的启示也许是:

    它不必跟上时代,它只需要跟上愿意为「传统手艺」付费的那一代人。

    老街商号封面
  • 家庭菜地年鉴:在阳台记录四季收获

    家庭菜地年鉴:在阳台记录四季收获

    阳台种菜的人通常面临两个问题:一是种什么才活得好,二是活下来之后怎么记得发生了什么。把两者合并成一个动作,写家庭菜地年鉴——一年里你不再是「种了菜」,而是「种下了第 23 棵樱桃萝卜、收获了 1.4 公斤」。

    为什么要「年鉴化」

    很多人种菜失败的原因不是养不活,而是「忘了」。忘了上次浇水是哪天、忘了哪棵苗得过蚜虫、忘了 7 月的连续高温让薄荷都焦了。年鉴化的本质是把零散的种植动作,强制变成可回忆、可复盘的时间线。

    最简单的方式:A5 笔记本 + 一支笔。每天记一行:今天种了什么、是否浇水、室温、是否有虫害。三个月回看一遍,你就拥有了一个私人气候档案。

    四季骨架与推荐作物

    春天(3-5 月):生菜、菠菜、小葱、香菜、生菜叶。这些作物耐凉、生长快、失败率低,是建立信心最好的开端。

    夏天(6-8 月):罗勒、紫苏、空心菜、圣女果。这些喜温作物需要充足光照,最容易因浇水过度或不足而失败,要详细记录每次浇水时间。

    秋天(9-11 月):萝卜、芥菜、蒜苗、香葱。这一季温度回落,阳台种菜第二次进入黄金窗口。

    冬天(12-2 月):室内补光灯下的香草、芽苗菜、微型生菜。冬季最重要的是保暖与控水。

    种子交换社区:年鉴的延伸

    当你年鉴化一整年,手里会剩下很多自留种子。把它们带到本地的种子交换市集,你会遇到一群同样在记录的人。这是一种不依赖平台的轻量社交:一年见一两次,换几包种子,交换一段种植笔记。

    数字版本怎么写

    不想用纸笔的人,可以用 Notion 模板、Airtable 表单,甚至一个简单的 Excel。关键字段:日期、作物名、操作(播种/浇水/间苗/收获)、收获重量、备注照片。坚持记录 365 天,你会拥有一本别人买不到的家庭种植手册。

    家庭菜地年鉴封面
  • 餐桌上的年轮:父母童年里的年节菜

    餐桌上的年轮:父母童年里的年节菜

    春节回家吃饭,妈妈端上一盘炸带鱼。你随口问一句「小时候外婆过年也做这个吗」,妈妈愣了一下:「对,每年除夕前两天,她都会炸一大盆……」这是一句普通的回答,却能展开成一段失落的家族饮食史。

    为什么家常菜里有家族年轮

    人在不同年代吃的东西差异巨大:60 年代是凭票的粗粮,80 年代是罐头和汽水,90 年代是速冻饺子,00 年代是外卖与预制菜。每代人都有自己童年里的「年节菜」——它不只是味道,更是一段特定生活方式的索引。

    把这些信息挖出来,是低成本的家庭记忆工程。

    问什么、怎么问

    不要从「那时候吃什么」开始问,太大会让人答不上来。从具体场景入手:「你十岁那年的中秋,月饼是什么味道?」「你结婚那天,桌上摆了几道菜?」用时间和事件作为锚点,老人会想起一个又一个细节。

    问的时候顺便问做法:锅多大、火多猛、要炖多久。一道菜的做法变化,常常映射着灶具与燃料的世代更替——煤炉、煤气罐、电磁炉、空气炸锅。

    不只是问,还要记

    纸质笔记本最好,比手机录音有温度。A5 横线本足够,左页写问答,右页贴上一张老照片或自己重做一次的成品照片。十年下来,这就是一本可传承的家族饮食志。

    把菜重做一遍

    最有意义的环节,是根据记录把菜重新做一次。哪怕你做不出原汁原味,过程本身会触发父母更多的回忆:「哎,你外婆做的时候会放一点点白酒……」「对,糖要分两次放……」一盘菜的复刻,能把半辈子的对话打开。

    为什么这件事值得做

    长辈的很多记忆没有文字载体。菜是其中最容易捡起来的一类——一顿饭的细节里藏着迁徙、婚嫁、丧葬、节日。一个家族如果有几十道菜被记录下来,后代就能从锅里读出他们没经历过的年代。

    餐桌上的年轮,是最被低估的家庭档案。

    餐桌上的年轮封面
  • WebGPU 时代:浏览器里跑大模型

    WebGPU 时代:浏览器里跑大模型

    过去十年,浏览器是「看」网页的工具;2024 年之后,它正在变成「算」网页的容器。WebGPU 标准的全面落地,让浏览器第一次可以直接调用本地显卡,速度比 WebGL 快一个数量级——这一次,受益最深的是 AI 大模型。

    WebGPU 解决了什么

    以前的 WebGL 是为 3D 图形设计的,它能跑大模型但路径非常别扭。WebGPU 重新设计了三层核心:计算着色器(compute shader)、现代 GPU 内存模型、低开销指令提交。这些特性恰好是大模型推理最需要的底层能力。

    实测下来,同样一颗 M2 芯片,在 WebGPU 上跑 7B 参数模型的速度比 WebGL 快 5-10 倍,某些操作甚至能接近原生框架。

    「在浏览器里跑大模型」意味着什么

    第一,零安装。打开网页就是入口,没有下载 Docker、没有 Python 环境、没有驱动兼容问题。隐私敏感的数据不会离开本机——这在医疗、法律、教育等场景格外重要。

    第二,跨平台。一次开发,Windows、macOS、Linux、Android 都能跑(iOS Safari 仍在跟进)。对企业来说,前端同学可以做过去只有客户端工程师才能做的事。

    第三,可组合。WebGPU + WebAssembly + IndexedDB,让开发者可以做出同时具备本地推理、本地存储、本地工具调用的完整 AI 应用,而这一切都在浏览器里。

    现实难点

    WebGPU 并非银弹。第一,模型大小仍受限于设备内存——普通笔记本 16GB 显存是上限,要跑 70B 仍需云端。第二,浏览器厂商的实现仍有差异,Chrome、Edge、Firefox 之间的兼容性需要工程化适配。第三,电量与散热,移动设备跑 7B 模型依然吃力。

    已经能做什么

    今天的浏览器里已经有几十个 demo:本地运行的 LLM 聊天、写代码助手、图像生成、语音转录。主流开源模型(Llama、Mistral、Phi、Qwen)的 GGUF/ONNX 版本大多有现成的 WebGPU 加载方案。

    对于个人开发者,这意味着做 AI demo 的门槛从未如此之低;对于企业,这意味着把 AI 嵌入 SaaS 产品的路径被打开——在不依赖云服务的情况下,前端就能交付真正可用的智能功能。

    下一步:前端工程师怎么准备

    不需要理解 GPU 编程的所有细节,但需要熟悉三个新工具:Transformers.js、ONNX Runtime Web、web-llm。这三个库已经把绝大多数大模型推理封装成「下载即用」的 JavaScript 接口。

    WebGPU 不会取代云端 GPU 集群,但它会重新定义「轻 AI」的边界——以后轻量任务先在浏览器解决,重任务再回云端,会成为最自然的分层架构。

    WebGPU 时代封面
  • AI 视频工作流:从脚本到成片的全链路

    AI 视频工作流:从脚本到成片的全链路

    过去两年最显眼的 AI 突破不在文本,而是在视频。从脚本、镜头、配音到成片,今天已经可以由一串 AI 工具串联完成。本文梳理一条适合个人创作者和小工作室的「AI 视频工作流」,并提示每一环最常见的坑。

    第一环:脚本

    GPT-4、Claude、Gemini 等大模型写脚本已经非常成熟,但真正决定成片质量的是「视觉化脚本」——每 5 秒一个镜头,每个镜头注明画面内容、字幕、运镜、转场。

    提示词模板:「按 30 秒短视频结构,写一份 5 镜头的脚本。每个镜头给出画面描述、台词、字幕、BGM 节点。」

    第二环:分镜与画面

    有了视觉化脚本,画面生成有两种路径:

    第一种是「图生视频」——先用 Midjourney、Flux、即梦生成关键帧静态图,再用可灵、Runway、Pika 等图生视频模型让画面动起来。这种方式可控性高、风格一致性好,是大多数高质量创作者的选择。

    第二种是「文生视频」——直接用 Sora、可灵、PixVerse 等模型从提示词生成整段视频。速度更快但可控性差,适合「氛围镜头」而非「情节镜头」。

    第三环:配音与字幕

    配音推荐使用 AI 声音克隆——11 Labs、字节豆包、阿里 CosyVoice 的中文模型已经达到以假乱真的水平。关键是先用 Whisper 等工具把脚本转成带时间轴的字幕,再让配音模型按时间轴生成语音,做到音画严格对齐。

    字幕不要再硬编码进画面,而是单独输出 SRT 文件,后期合成时方便调整。

    第四环:剪辑与合成

    AI 视频片段经常出现镜头闪烁、动作不连贯的情况,剪辑端的工作比想象中重。建议三个细节:

    第一,每段素材前后留 0.5 秒的「呼吸帧」,避免硬切。第二,统一调色(用 DaVinci Resolve 的 AI 一键调色),否则多源素材颜色割裂。第三,关键节点加转场音效(BGM 转场点)来掩盖画面跳点。

    第五环:审核与迭代

    把成片送两个人看:一个是「目标观众」,获取反馈;一个是「细节强迫症」,专门盯着画面瑕疵看。把反馈整合进下一版工作流,才会让作品越做越稳。

    常见误区

    误区一:以为 AI 能「一键成片」。它能,但产物难以商用。专业可用的视频仍然需要精修。

    误区二:忽视版权。图生视频的源图若是 Midjourney 风格、商业模型版权敏感区,需要额外授权。商用项目尽量用自训练 LoRA 或开源素材。

    误区三:把 AI 当万能解。AI 视频目前仍无法替代真人出镜的真实感与人情味;它最适合做的是「可视化道具」,而不是「主角」。

    一条可上手的最小工作流

    GPT 写脚本 → Flux 生图 → Runway 图生视频 → 11 Labs 配音 → DaVinci Resolve 剪辑 + 一键调色 → CapCut 自动加字幕。一台 4070Ti + 一个有耐心的人,一周可以稳定产出 3 条 60 秒以内的成片。

    AI 视频真正的护城河不是工具,而是「会改稿的人」。

    AI 视频工作流封面
  • 城市猫鸟冲突:行道树里的悄悄战争

    城市猫鸟冲突:行道树里的悄悄战争

    城市里的流浪猫与行道树鸟,是一对越来越尖锐的邻居。一只自由活动的猫每年可以捕食数十到上百只鸟;对于依赖行道树繁殖的麻雀、绣眼、白头鹎而言,这是一场悄无声息的生存压力。

    为什么城市鸟类格外脆弱

    行道树是城市鸟类少有的可用繁殖地。树冠高度有限、横向间距小,使得鸟巢容易被猫从地面跃起够到;树池土壤较硬,部分鸟类无法深埋食物;草坪喷洒与汽车尾气又减少昆虫数量,雏鸟的营养来源被削弱。

    结果是:城市鸟类的繁殖成功率比森林地区低 30%-50%,其中家猫捕食是最大单一变量。

    三种管理路径的争议

    路径一:TNR(捕-绝-育-放归)。这是国际上最主流的方式,能稳定减少流浪猫总量。缺点是:放归后的猫仍会捕猎,鸟类压力并未立刻消失。

    路径二:给流浪猫建生态猫舍(Catio)。把食物和水集中在围栏内,让猫无法离开特定范围捕鸟,但需要社区接受度高、长期维护到位。

    路径三:禁止无主流浪(部分国家采用)。把无主流浪猫收容、不再放归,从根本上减少捕食者数量。这一方式效果最快但争议最大,许多爱护动物群体激烈反对。

    鸟类的「被动防御」

    有研究发现,给行道树树根加装 50-60 厘米高的金属防猫护栏(注意不要绊到行人),可以让鸟类繁殖成功率提升约 30%。这块护栏投入几百元、安装一小时,是最容易被忽视的「低技术胜利」。

    另一个被验证有效的小动作是把鸟类喂食器(包含蜜源、糖水)放在树干 1.5 米以上、且周围 2 米内没有可攀爬的表面——猫够不到的位置,自然减少捕食。

    社区层面的协作

    如果只靠养鸟爱好者一厢情愿地挂防猫罩,很难持续。最有效的是把物业管理处、本地爱猫群、爱鸟群拉到同一张桌上讨论。许多小区最后走出的方案是:「TNR + 防猫护栏 + 鸟类友好喂食器」三件套同步推进。

    什么是真正的进步

    猫鸟冲突的本质,是人类给两个物种都设定了城市空间,却没有划清各自的活动边界。把冲突变为协作,需要的是基础设施的微调,而非道德上的胜负。

    一条 60 厘米高的护栏,可能比一千句争论更解决问题。

    城市猫鸟冲突封面
  • 屋顶光伏算账:家庭装太阳能的真实回报

    屋顶光伏算账:家庭装太阳能的真实回报

    「装了光伏能赚钱吗?」这是屋顶光伏走进小区之后被问得最多的一个问题。本文不算情怀账、不讲大道理,只把一个典型家庭的真实账本拆给你看:投入多少、产出多少、几年回本、哪些坑。

    成本端:先看清楚要花什么

    家庭光伏的主要成本由四部分构成:组件(约 35%)、逆变器(约 15%)、支架与并网(约 25%)、施工与并网手续(约 25%)。

    以 10 千瓦、占地约 50 平方米的常见户型为例:当前市场价格约 4.5-5.5 万元,相对 2020 年下降超过 30%。如果屋顶是斜面瓦顶、面积够、结构承重合格,标准化安装大约需要 2-3 天。

    要注意的几项隐藏成本:老旧屋顶加固、电表升级、并网申请设计费,这些加起来可能多出 5,000 到 8,000 元。

    收益端:发电、自用、余电上网

    光伏发电有三种处理方式:自用(直接抵消电费)、余电上网(卖给电网)、全额上网(极少采用)。家庭最划算的是「自用为主、余电上网」模式。

    以长三角地区为例:全年发电约 9,000-11,000 度,自用比例约 35%(白天在家时段),剩下的余电按当地脱硫煤标杆电价(约 0.4 元/度)上网。自用部分的电费按阶梯电价计算,约 0.6 元/度。所以综合算下来,每度电的「家庭价值」约为 0.5 元。

    全年电费收益约为 5,000 元上下,第一年还能拿国家补贴(2024 年后部分地区并入机制电价),实际拿到的现金约 4,000-5,000 元。

    回本周期与真实陷阱

    按上述账目,不算融资成本,纯静态回本约 10-12 年。组件寿命 25 年以上,意味着回本之后还有 13-15 年的「纯赚期」。

    但有几个常见的回本被拉长的原因:第一,逆变器寿命约 10-12 年,期间需要更换一次,约 5,000-8,000 元;第二,组件 25 年内发电衰减约 20%,会影响后期收益;第三,屋顶漏水、台风、冰雹等意外也可能在账外掏钱。

    几个不太合适装的场景

    业主屋顶被严重遮挡(高楼、树木)、屋顶承重不达标、屋顶租赁权不清、所在区域电价便宜、工商业用电远高于居民用电——这些情况下,家庭装光伏的回报会显著下降。前置评估比后置修复便宜得多。

    决策清单:装之前问一遍

    屋顶产权是否清晰? 屋顶承重能否增加每平米 20-30 公斤? 屋顶朝向(朝南最佳,东西向次之)? 当地日照小时数是否每年在 1,100 小时以上? 当地电力公司支持并网结算吗? 这些问题先答一遍,再决定要不要装。

    光伏真正的价值

    账面上看,光伏的回本周期并不算短,它更像一种「长期投资 + 抗风险工具」。当电价快速上行、夏季限电、突发停电时,自家发电的稳定性是账本无法直接计算的隐性价值。

    算清账的好处不是劝退,而是把「拍脑袋的决定」变成「心中有数的决定」。屋顶光伏装与不装,都是合理选择——前提是你知道数字。

    屋顶光伏算账封面
  • 旧物保险:家庭贵重物品的数字化建档

    旧物保险:家庭贵重物品的数字化建档

    火灾、水灾、盗窃——保险能在事后补偿损失,但很少人意识到:能不能赔,赔多少,很大程度上取决于「出险时你拿得出多少证据」。而证据的关键,是日常积累的家庭贵重物品数字化档案。

    为什么要数字化建档

    家里值钱的东西远比想象的多:金银首饰、腕表、相机、镜头、乐器、字画、家传老物件、电子产品、汽车配件、孩子的大件玩具。当灾害突然发生,光靠记忆描述一件丢失的物品,保险公司很难足额赔付。

    数字化建档的本质,是给每件物品一份「可视化的身份证」。这份档案不只是给保险公司看,更是给家庭做一份系统的、可传承的家底清单。

    建档要拍什么

    三个层次:第一层是外观图(全景 + 细节),让物品可被视觉识别;第二层是铭文与序列号,相机、腕表、乐器、收藏品都自带唯一编号,这是定损时的关键证据;第三层是购买凭证,包括发票、二手交易记录、鉴定证书。

    建议每件物品配 4-6 张照片:正面、侧面、底面、铭文特写、整体环境、配件。然后录一段 30 秒的口述视频,简单讲清这是什么、何时购买、估值多少。

    用什么工具建档

    轻量路径:用手机自带的「备忘录」文件夹,或者微信群相册。最原始也最稳。

    进阶路径:用专门的物品管理 App,比如 Sortly、Encircle、Home Inventory。优点是带估值模板、可按房间分类、可生成 PDF 报表一键发给保险公司。

    最稳妥路径:每年把这些档案打包成一份加密的 zip 文件,本地一份、加密云盘一份、信任的亲友邮箱一份,遵循「3-2-1 备份原则」。

    每年做一次「清账」

    物品会不断进出家:买入、送人、二手出售、丢失。每年除夕前花一小时,把档案更新一轮,是性价比最高的家庭管理工作。

    顺手做一件事:把当年新增的贵重物品补拍、补证。这一步如果不做,三年后保险出险时就会发现档案里缺了一大块。

    跟保险公司怎么对接

    许多家庭保险要求每年提交一份家庭财产清单。提前把档案整理好,意味着你续保时可以直接拍照上传,保险公司也愿意给出更精确的费率。

    出险时,把档案发给保险经纪,他能据此快速生成理赔清单,理赔周期可以缩短一半以上。

    档案的双重价值

    这份档案的最直接价值是理赔,但更深远的是「家底的可读性」。多年以后,你或你的孩子需要分配祖辈的家产时,一份完整的照片与编号档案,能避免 90% 的家庭纠纷。

    数字化建档不是对失去的预防,而是让失去之后的生活更容易继续。

    旧物保险封面
  • NeRF 与高斯泼溅:从照片到可探索的三维世界

    NeRF 与高斯泼溅:从照片到可探索的三维世界

    过去你想把一段真实空间搬到屏幕上,需要昂贵的激光扫描或者专业的建模团队;2025 年之后,你只需要一台手机或单反,围着空间拍 50-200 张照片,就能在本地 GPU 上重建出一个可以走进走出的三维世界。这场变革的两大核心技术——NeRF 和 3D Gaussian Splatting,正在重新定义「三维内容」的生产门槛。

    NeRF:从隐式函数到可微渲染

    NeRF(Neural Radiance Fields)把三维场景编码为一个神经网络,输入是空间坐标与视角方向,输出是该点的颜色与密度。训练时通过大量已知视角的照片反向优化网络参数,推理时则可以从任意新视角合成图像。

    它的优势是输出质量极高,照片级真实感强;缺点是训练慢、推理慢、对显存要求高。一张 1080p 渲染通常要数秒,对实时交互并不友好。

    3D Gaussian Splatting:把场景变成一堆彩色雾

    2023 年提出的 3D Gaussian Splatting(3DGS)用了一组完全不同的语言。它把场景表示为上百万个「高斯椭球」——每个椭球有自己的位置、形状、颜色、透明度。渲染时把这些椭球投影到屏幕上再按 alpha 混合。

    这一表示的优势非常明显:训练快(几十分钟而非几小时)、渲染快(实时 30 fps 以上)、编辑性好(你可以单独移开某个椭球,也就是移走场景中的一个物体)。它迅速成为文化遗产建模、游戏资产生成、虚拟制片的首选方案。

    两种路线的对比与互补

    NeRF 像油画——每一笔都是神经网络内部参数;Gaussian Splatting 像水彩——每个色块都是独立的实体。二者在质量、速度、可编辑性上有截然不同的权衡。

    实践中越来越常见的方案是混合使用:高斯泼溅做主体几何与快速预览,NeRF 做局部精细重建;或者把高斯泼溅当作中间产物,提取网格后做下游加工。

    工具链已经平民化

    今天你能找到的开源工具包括:Nerfstudio(Meta,学术研究首选)、gsplat(轻量、Python 友好)、Polycam(手机 App)、PostShot(桌面端、消费级 GPU 可跑)。

    硬件门槛也在快速下降——RTX 3060 以上即可完成大多数场景的训练;Mac M2 芯片可以用 MPS 加速完成中小场景。

    它会改变什么

    短期来看,电商、家装、文博、影视预览等场景首先受益:商品空间展示、装修预演、文物数字化、虚拟片场都将不再依赖专门团队。

    长期来看,这是「空间互联网」的起点。当任意真实空间都可以被几小时的拍摄变成可探索的三维资产,整个虚拟世界与物理世界的边界都会开始模糊。

    高斯泼溅不会取代传统建模——但它正在让「拍照建三维」成为人人可用的工具。

    NeRF 与高斯泼溅封面