夜雨聆风
Citation: Rachel K. Luu, Markus J. Buehler. Bioinspired123D: Generative 3D Modeling System for Bioinspired Structures[J]. AI for Science. DOI: 10.1088/3050-287X/ae61d1
文章导读
2026年4月29日，美国麻省理工学院（MIT）研究人员推出了一种名为 Bioinspired123D 的生成式人工智能系统，可将英文自然语言设计描述直接转化为受生物材料启发的可执行三维几何结构，表明高可控、高保真的科学三维生成设计并不需要庞大的3D基础模型。
Bioinspired123D 采用“代码即几何（code-as-geometry）”方法，在仅需有限计算资源的情况下，性能超越更大规模的AI模型，为推动生成式设计在科研实验室中的普及迈出了重要一步。该系统由MIT原子与分子力学实验室（LAMM）的博士生 Rachel K. Luu 与 Markus J. Buehler 教授开发，与当前主流依赖网格（meshes）、体素（voxels）或点云（point clouds）的文本生成3D方法不同，Bioinspired123D 直接生成紧凑的 Blender Python 脚本——即运行后即可自动生成参数化、平滑且可制造结构的程序。这种“代码即几何”的表示方式使生成结构具有可解释性、可编辑性，并可直接用于后续仿真或3D打印。
“生物材料在其几何结构中蕴含了极其丰富的设计智慧，例如口足类虾螯的螺旋层状结构、马蹄的梯度孔隙结构、鸟喙的蜂窝胞芯结构。”论文通讯作者、MIT 工程学院Markus J. Buehler教授表示，“我们希望构建一个系统，能够直接将这种以自然语言表达的设计直觉转化为可制造的结构，而无需依赖超级计算机。”
带有视觉反馈回路的小模型
该系统核心为 Bioinspired3D，这是一个拥有30亿参数的语言模型，基于超过4500个涵盖螺旋状、细胞状和管状生物结构设计模式的数据样本进行微调。尽管模型规模较小，其性能相比未经微调的基础模型提升接近4倍，并在研究团队构建的生物启发式3D生成基准测试中，超越了多种当前先进的大规模语言模型。
为处理复杂提示词，研究人员将 Bioinspired3D 嵌入一个基于图结构的智能体（agentic）框架中，并结合视觉—语言评价模型（vision-language critic）以及专门的修复与优化智能体。视觉语言模型会根据原始提示词对生成的几何结构进行评估，识别悬浮组件、结构重叠等物理不一致问题，并通过迭代不断优化设计，使其更符合目标结构。
论文第一作者、MIT 材料科学与工程系博士生 Rachel K. Luu 表示：“令人惊讶的是，小型开源模型本身已经具备非常强的能力。通过将生成过程建立在可执行代码之上，并加入视觉反馈回路，我们能够让一个规模远小于当前主流模型的系统实现可靠的3D设计能力。”
从生物名称到可打印部件
该系统还与研究团队此前开发的生物与仿生材料对话语言模型 BioinspiredLLM 实现了集成。二者结合后，可形成完整的端到端设计流程：用户只需输入一个生物材料名称（例"toucan beak" 或"crab exoskeleton”），系统便会自动推理其已知微观结构特征、生成设计提示词，并输出相应的3D结构。
在一个演示案例中，系统从"horse hoof wall"这一提示中正确推断出具有梯度孔隙特征的管状结构，即使训练数据中并未明确包含梯度结构相关样本。
研究人员还将多个AI生成结构导出为 STL 文件，并利用 ABS、PLA 与 PETG 材料完成3D打印，验证了其与标准增材制造流程的直接兼容性。
降低生成式科学设计门槛
作者认为，这项工作的更广泛意义在于降低AI驱动科学发现的技术门槛。Bioinspired123D 证明，紧凑、模块化的AI系统在特定领域的3D设计任务中，可以达到甚至超越远大于其规模的模型性能。这意味着，即使没有大型GPU集群的科研团队，未来也能够真正参与生成式材料设计研究。
研究人员还指出，该智能体框架未来还可进一步扩展，引入有限元分析、可制造性评估以及多尺度/层级结构设计等领域专用评价模块。
该研究部分获得 Google、MIT Generative AI Initiative、美国农业部（USDA）、美国国立卫生研究院（NIH）以及美国国家科学基金会研究生奖学金计划（NSF Graduate Research Fellowship Program）的支持。
所有代码、数据集、基准测试以及模型权重均已开源： github.com/lamm-mit/Bioinspired123D，模型权重发布于 Hugging Face：huggingface.co/collections/lamm-mit/bioinspired123d-models-and-datasets。
程
作者简介
第一作者
Rachel K Luu
麻省理工学院材料科学与工程系博士生，获麻省理工学院校长奖学金、美国国家科学基金会研究生研究奖学金（NSF GRFP）资助。主要研究领域包括：生物及仿生材料的力学特性研究，将实验方法与微调生成式人工智能工具相结合，加速材料设计研发。
通讯作者
Markus J. Buehler
麻省理工学院工程学院Jerry McAfee (1940)教授。主要研究领域包括：天然及生物蛋白质材料的材料科学与力学（材料组学）；蛋白质材料如何构成人体、及其发生灾变性失效（断裂、形变、病变）的机理；大规模原子模拟；蛋白质基材料与生物高分子；化学与力学的耦合作用；从化学尺度衔接至材料连续介质理论；生物纳米材料现象建模；多尺度模拟；多尺度模拟工具的开发与应用。
程
往期回顾
程
联系方式
微信公众号
期刊官网
出版平台：
iopscience.iop.org/journal/3050-287X
编辑部邮箱：
editorialoffice@aiforsci.net
编辑部电话：
0769-89136816
新刊介绍
Introduction
AI for Science (《智能科学》ISSN 3050-287X) 涵盖人工智能（AI）在物理、材料、化学、生物和数学等领域的前沿研究，旨在构建一个兼具开放性与专业性的平台。
