Gerar um objeto tridimensional com inteligência artificial está ficando cada vez mais fácil. Basta fornecer uma descrição ou uma imagem para que sistemas atuais produzam, em poucos segundos, um modelo que parece pronto para ser enviado a uma impressora 3D.
O problema aparece quando esse objeto sai da tela e precisa existir no mundo real.
Uma caneca pode ter uma aparência perfeita, mas apresentar paredes inadequadas ou uma abertura que não funciona. Um suporte pode parecer correto na imagem e ainda assim possuir partes frágeis demais para serem fabricadas. Em outros casos, superfícies ficam abertas, espessuras são insuficientes ou a geometria simplesmente não corresponde à função esperada.
Pesquisadores do MIT, do Google e da Northeastern University desenvolveram uma ferramenta para atacar justamente essa diferença entre um modelo 3D que parece correto e um objeto que realmente funciona depois de fabricado.
Batizada de InstructMesh, a tecnologia permite gerar um modelo com inteligência artificial, selecionar apenas a região que apresenta um problema e pedir uma alteração em linguagem natural ou por meio de controles simples.
A ideia é tornar correções que normalmente exigiriam conhecimento de softwares especializados acessíveis também a quem nunca trabalhou profissionalmente com modelagem 3D.
A IA sabe como uma caneca parece, mas não necessariamente como ela funciona
Os atuais modelos generativos de objetos tridimensionais aprenderam com enormes conjuntos de imagens e modelos 3D. Isso os tornou muito eficientes em criar formas visualmente convincentes.
Se alguém pedir uma caneca em formato de dragão, por exemplo, a inteligência artificial pode produzir algo que imediatamente se parece com uma caneca decorada com um dragão.
Mas reconhecer a aparência de uma caneca não significa compreender todas as propriedades necessárias para que ela cumpra sua função.
Ela precisa ter um interior adequado, uma abertura utilizável, paredes suficientemente espessas, uma base estável e uma geometria que possa ser efetivamente fabricada. É justamente nesse ponto que os pesquisadores identificaram uma fragilidade dos sistemas atuais.
Segundo a equipe, os geradores de modelos 3D tendem a priorizar a plausibilidade visual, enquanto erros geométricos importantes podem permanecer escondidos até o momento da fabricação.
Na tela, portanto, o objeto pode parecer pronto. Depois de impresso, não necessariamente estará.
Quase 80% dos modelos recriados apresentaram algum problema estrutural
Para medir a dimensão desse problema, os pesquisadores utilizaram o sistema generativo TRELLIS para tentar recriar modelos populares encontrados no Thingiverse, uma plataforma amplamente utilizada para compartilhar arquivos destinados à impressão 3D.
O resultado mostrou por que uma etapa de correção pode ser necessária. Quase 80% dos modelos gerados apresentaram algum tipo de falha estrutural, segundo o MIT.
Esses problemas podem assumir diferentes formas. Um modelo pode conter uma abertura onde deveria existir uma superfície fechada, uma região fina demais para ser fabricada com segurança ou uma cavidade que deveria existir, mas acabou bloqueada pela geometria criada pela inteligência artificial.
Corrigir isso manualmente é possível, mas pode exigir conhecimento considerável de softwares de modelagem. O InstructMesh foi criado para colocar uma camada mais intuitiva entre o usuário e essa geometria.
Usuário pode simplesmente apontar onde está o problema
O funcionamento começa de maneira relativamente simples. Depois que o modelo 3D é criado, o usuário pode selecionar diretamente a região que deseja modificar.
A partir daí, é possível descrever o problema em linguagem natural ou utilizar controles visuais para orientar a alteração. Entre as operações suportadas estão, por exemplo, abrir ou fechar cavidades e modificar a espessura de partes específicas do objeto.
Isso é diferente de pedir para uma IA gerar o objeto inteiro novamente. Em vez de jogar fora uma versão quase correta e torcer para que uma nova tentativa resolva o defeito sem criar outros, o sistema procura preservar o restante do modelo e atuar apenas na área selecionada.
Essa possibilidade de refinamento seletivo é uma das principais propostas do trabalho.
A correção acontece dentro da representação usada pela própria IA
Por trás da interface existe uma abordagem mais complexa. O InstructMesh trabalha diretamente sobre a chamada representação latente utilizada pelo sistema generativo.
De maneira simplificada, essa representação funciona como um espaço matemático no qual características do objeto são codificadas antes de serem convertidas na geometria final.
Ao modificar essa representação intermediária, o sistema consegue fazer alterações interpretativas no objeto sem exigir que o usuário manipule manualmente cada vértice, face ou superfície.
O InstructMesh combina o gerador tridimensional TRELLIS com um grande modelo de linguagem, permitindo transformar instruções dadas pelo usuário em operações sobre o modelo.
A pessoa pode então visualizar o resultado, avaliar se a mudança ficou correta e aprová-la ou continuar ajustando.
Controles deslizantes ajudam quando palavras não são suficientes
Os testes também revelaram algo interessante sobre a maneira como as pessoas preferem editar objetos tridimensionais. Linguagem natural é útil para instruções como “deixe esta parte mais grossa” ou “abra esta região”.
Mas nem sempre uma frase é a forma mais eficiente de comunicar quanto uma mudança deve ser feita. Por isso, o InstructMesh também inclui controles deslizantes.
Depois de solicitar determinada alteração, o usuário pode ajustar sua intensidade visualmente, aumentando, diminuindo, extrudando ou refinando uma parte até chegar ao resultado desejado.
Nos estudos conduzidos pelos pesquisadores, os participantes demonstraram preferência justamente por essa abordagem híbrida, que combina comandos em linguagem natural com controles manuais simples.
Ela mantém a facilidade da IA sem retirar totalmente o controle da pessoa que está projetando o objeto.
Pessoas sem experiência conseguiram encontrar e corrigir os defeitos
Uma das perguntas mais importantes era saber se alguém sem experiência profissional em modelagem realmente conseguiria perceber os problemas antes de apertar o botão de imprimir.
Os pesquisadores apresentaram modelos defeituosos a usuários iniciantes e pediram que identificassem e corrigissem as falhas usando o InstructMesh.
De acordo com o MIT, os participantes conseguiram identificar e reparar os problemas em cerca de 90% dos casos, quando os resultados foram posteriormente avaliados por um especialista.
Isso sugere que não é necessariamente preciso conhecer profundamente a estrutura matemática de uma malha 3D para perceber que uma caneca precisa estar aberta ou que determinada peça parece fina demais.
A experiência cotidiana com objetos físicos fornece parte da intuição necessária. A ferramenta tenta transformar essa intuição em uma alteração geométrica válida.
Os pesquisadores imprimiram os objetos para conferir o resultado
A equipe produziu fisicamente diversos objetos criados e modificados com a ferramenta. Um dos exemplos foi uma caneca envolvida por um dragão, em que a cauda do animal funciona como alça.
Outro foi um apito com aparência semelhante a uma concha. Os pesquisadores também produziram óculos decorados com asas de borboleta e um distribuidor em formato semelhante a um polvo, no qual líquidos podem sair por diferentes tentáculos para alcançar vários copos.
O objetivo desses exemplos não era apenas demonstrar criatividade. Eles ajudaram a verificar se aquilo que aparecia no modelo digital continuava fazendo sentido quando transformado em um objeto físico.
Até uma joelheira foi personalizada para parecer parte da roupa
Os pesquisadores criaram, por exemplo, uma joelheira personalizada com aparência semelhante a tecido jeans, permitindo que o dispositivo combinasse visualmente com a roupa do usuário. Isso mostra uma possível aplicação da tecnologia em dispositivos personalizados.
Em vez de escolher apenas entre um produto funcional e um produto esteticamente agradável, ferramentas generativas podem produzir objetos ajustados às preferências de cada pessoa, desde que os requisitos físicos continuem sendo respeitados. O InstructMesh tenta manter justamente esse equilíbrio entre criatividade e fabricação.
O sistema também foi usado para construir um pequeno robô
Outra demonstração foi um pequeno robô de cerdas, ou bristle bot. Esse tipo de dispositivo utiliza vibração para se deslocar sobre uma superfície.
A equipe criou para ele uma carcaça colorida semelhante a um camarão, com espaço interno para esconder motor e componentes eletrônicos.
Depois de ligado, o pequeno robô consegue deslizar sobre a superfície. Nesse caso, a geometria externa não poderia simplesmente parecer correta.
Ela precisava deixar espaço suficiente para os componentes que fariam o sistema funcionar. Esse tipo de exemplo mostra como a geração 3D por IA pode se aproximar de projetos que combinam estética e requisitos mecânicos.
Ainda falta ensinar a IA sobre física
Mesmo com essas correções, o InstructMesh não resolve todos os problemas envolvidos na fabricação. Um modelo pode ter a geometria correta e ainda quebrar quando utilizado.
Um suporte pode ser impresso perfeitamente, mas não aguentar o peso colocado sobre ele. Uma tigela pode ter paredes fechadas e espessura aparentemente adequada, mas se partir ao cair. Diferentes materiais também reagem de maneiras completamente distintas à mesma geometria.
Por isso, uma das próximas etapas imaginadas pelos pesquisadores é integrar simulações físicas ao sistema. A ferramenta poderia então avaliar não apenas se o modelo pode ser fabricado, mas também prever como ele se comportaria durante o uso.
Segundo o MIT, uma versão futura poderia ajudar a responder perguntas como se determinado recipiente quebraria ao cair ou qual material seria mais apropriado para determinada peça.
A própria geração 3D também continua evoluindo
Outra possibilidade é integrar o InstructMesh a gerações mais novas de sistemas de criação tridimensional. A implementação apresentada pelos pesquisadores utiliza o TRELLIS, mas a equipe menciona a possibilidade de incorporar versões mais recentes, como o TRELLIS.2, para trabalhar melhor com detalhes pequenos.
Quanto maior a precisão da geração original, menor tende a ser o trabalho necessário na etapa de correção. Mas os próprios resultados do estudo mostram que aparência e fabricação continuam sendo problemas diferentes.
Mesmo um modelo visualmente excelente pode esconder defeitos que só se tornam importantes quando o objeto precisa ser impresso, montado ou utilizado.
IA pode transformar a maneira como objetos personalizados são produzidos
Ferramentas desse tipo apontam para uma mudança interessante na impressão 3D. Durante muito tempo, transformar uma ideia em objeto exigia dominar programas de CAD ou depender de arquivos criados por outras pessoas.
A IA generativa começou a reduzir essa barreira ao permitir criar modelos diretamente a partir de descrições e imagens. O novo desafio é garantir que esses modelos não sejam apenas bonitos, mas fabricáveis.
O InstructMesh tenta preencher justamente essa etapa intermediária. Em vez de substituir completamente programas profissionais de engenharia, a proposta é permitir que pessoas sem treinamento avançado consigam detectar problemas óbvios, selecionar a região afetada e dizer ao sistema o que precisa mudar.
O trabalho também reforça uma limitação importante das ferramentas generativas atuais: uma inteligência artificial pode conhecer muito bem a aparência de um objeto sem compreender totalmente as regras físicas que fazem esse objeto funcionar.
Transformar geração visual em fabricação confiável exige aproximar essas duas coisas.
O estudo “InstructMesh: Selective Refinement of Generative 3D Models for Fabrication” é liderado por Faraz Faruqi e reúne pesquisadores do MIT, Google e Northeastern University. O artigo foi disponibilizado em agosto de 2026 e o projeto foi divulgado pelo MIT em 1º de outubro de 2026. A equipe apresentará o trabalho no ACM Symposium on User Interface Software and Technology (UIST), em novembro.
