角色动画 50 年简史
从 1973 年 Catmull 的数字手，到 2025 年 Unity Muse Animate —— 5 代主流方法 是怎么一代代撞墙、被迫换路、最后走到"打字出动画"的。先有这张坐标系，你后面 11 章的所有论文 / 代码才不会迷路。
① 开场：动画师的痛
想象你是 3A 游戏工作室的动画总监。新项目要做 200 个 NPC，每个都要有自己的：
- 走路 / 跑步 / 站立 / 受击 4 套循环动画
- 5 段对话表情 + 手势
- 2-3 个战斗特殊动作
按 2024 年传统流程：每个 NPC 的全套动画大约要 1 个动画师做 1 周。200 个 NPC = 200 人周 ≈ 5 个动画师做 1 整年。预算 500 万人民币起步。
这就是为什么"AI 自动画动画"是必然方向。问题是：50 年来无数人试过，为什么直到 2023 才真正做出来？答案藏在 5 代方法的演进里。
② 五代演进总览
一句话路线图，先记住骨架，下面再展开：
| 代 | 时间 | 代表方法 | 关键人物 / 公司 | 一句话 |
|---|---|---|---|---|
| ① | 1970s-1990s | 手 K + Skinning | Pixar / Disney | 动画师手动调每个关键姿势 |
| ② | 1990s-2010s | Motion Capture | Vicon / OptiTrack | 演员穿动捕服，1:1 转数字角色 |
| ③ | 2000s-2020s | 物理仿真 + IK / FK | Havok / PhysX | 物理引擎模拟受力，自动算姿态 |
| ④ | 2015-2023 | 神经网络动画 | PFNN / NSM / Ubisoft La Forge | NN 学动作 latent 空间 |
| ⑤ | 2022-now | 文生动画 / Motion-LLM | MotionDiffuse / T2M-GPT / MotionGPT | 输入"a man walks left" → 骨骼动画 |
③ 交互时间轴：50 年的关键 11 个节点
下面这个时间轴有 11 个里程碑节点，颜色按 5 代分类。点任意一个圆点，看那一年到底发生了什么、谁做的、用什么方法、撞到什么墙。
第一个 3D 角色动画
Catmull 的手
Ed Catmull（后来 Pixar 联合创始人）在犹他大学拍了一段自己左手的 3D 数字动画，这是历史上第一段 3D 角色动画 —— 也是 CG 行业的起点。
Ed Catmull / University of Utah
把石膏手分成上百个多边形，手动标关键点，再插值。
这段动画几年后被剪进电影《Futureworld》(1976)，让好莱坞第一次看见"数字角色"的可能性。
极其昂贵：一段几十秒的动画要几个月手工建模 + 调点。
留意三件事：① 每一代都是上一代撞墙后被逼出来的；② 文生动画（红色）从 2022 到 2025 进展密度远超前 4 代；③ 商业化（Unity Muse / Adobe Project Motion）已经发生 —— 这本书教你的不是"未来"，是"刚发生的现在"。
④ 5 种方法的"擅长 vs 不擅长"对比
每一代方法都有自己的甜区。理解这一点至关重要 —— 文生动画不是来取代前 4 代的，是在前 4 代覆盖不到的场景（海量 NPC、原型设计、独立游戏）里另开一条路。
下面这张 6 维评分矩阵，点任意一列高亮该方法，下方会展开「擅长场景 / 真实游戏案例 / 致命弱点」。
| 维度 \ 方法 | |||||
|---|---|---|---|---|---|
精度 动作质量、关节准确度 | 5/5 | 5/5 | 3/5 | 4/5 | 3/5 |
可控性 导演能不能改 / 指挥 | 5/5 | 3/5 | 4/5 | 3/5 | 3/5 |
创造力 能不能做训练集里没见过的动作 | 5/5 | 2/5 | 2/5 | 3/5 | 5/5 |
速度 生成一个新动作要多久 | 1/5 | 3/5 | 5/5 | 5/5 | 4/5 |
成本 需要多少钱 / 多少人。分越高越便宜 | 1/5 | 2/5 | 4/5 | 4/5 | 5/5 |
风格化 能否做 Q 版 / 卡通 / 夸张风格 | 5/5 | 2/5 | 2/5 | 3/5 | 4/5 |
文生动画
2022-now输入文字 → 输出骨骼动画
原型设计、NPC 海量动画、小团队 / 独立游戏、创意探索
T2M-GPT / MotionGPT / MDM 开源、Unity Muse Animate、Adobe Project Motion
精度还不如 MoCap、不会多人交互、易穿模 / 不平衡、长动作易抖。这是本书要带你看清的"前沿"。
同时点亮"文生动画"和"MoCap"对比 —— 文生动画在「创造力 / 速度 / 成本」3 项满分碾压前 4 代，但「精度 / 可控性」目前还不如 MoCap。这就是为什么 2024-2025 年的研究重点全在"加可控性"（OmniControl / MoMask / 关节级条件控制）—— 不是要把 MoCap 干掉，而是要在保留前 4 代精度的同时，把"打字就出动画"这件事变成现实。
⑤ 为什么文生动画 2022 才能做？三件事凑齐了
Transformer 论文 2017 就发了，AMASS 2021 才整合好，VQ-VAE for motion 2022 才被验证。这三件事缺一不可。 任何一件早 / 晚 1 年，文生动画都不会在 2023 爆发：
LLM 课讲过的注意力 + 自回归。它的关键是"能扛得住规模" —— 把它从文字搬到动作上，几乎不用改架构。
MPI 把 20+ 个 MoCap 数据集统一到 SMPL 骨骼，40+ 小时高质量动作开源。文生动画第一次有了"ImageNet 级"训练集。
把连续动作离散化成 codebook token —— 一旦动作变 token，整个 GPT / Transformer / scaling law 都直接能用。
这就是历史规律：技术爆发从来不靠"一个天才的灵感"，靠"前置条件全部到位的那个时间点"。2022 之于文生动画，就像 2017 之于 NLP、2012 之于图像识别。
⑥ 类比 GPT：你已经懂的事
如果你看过本平台的 LLM 课，下面这张对照表会让你"哇塞" —— 文生动画在工程上就是文生文，几乎所有概念一一对应：
| 概念 | 文生文（GPT） | 文生动画（T2M-GPT） |
|---|---|---|
| 基本单位 | token（子词） | motion token（约 4 帧动作片段） |
| 词表 | BPE 子词词表（30k-100k） | VQ-VAE codebook（512-1024 个动作码） |
| 编码器 | BPE tokenizer | VQ-VAE encoder |
| 主架构 | Transformer decoder | Transformer decoder（同款） |
| 训练目标 | next-token prediction | next-motion-token prediction |
| 条件输入 | prompt 文字 prefix | 文字描述（CLIP / T5 编码） |
| 解码 | autoregressive 出文字 | autoregressive 出动作 token → VQ decoder 还原关节 |
哇塞点：你已经懂的 GPT 那一套，改一改"词表"和"编解码器"就是动作 GPT。这就是为什么这本书可以在 12 章里教完一个完整方向 —— 我们不是从零造火箭，是把 LLM 的火箭搬到动作领域。
⑦ 现在的真实能力 / 真实限制
实事求是非常重要。2025 年公开的文生动画模型能做到：
- 输入一句英文，输出 24 关节 SMPL 骨骼动画 100-200 帧（约 4-8 秒）
- 单一角色、标准骨骼
- 组合简单动作："walk forward then turn left and sit down"
- 单卡 4090 训练 / 推理
但仍然做不到：
- 多人交互（A 推 B、两个人握手）—— 几乎所有模型都崩
- 物理感知 —— 角色会穿模、不会平衡、脚滑（foot sliding）严重
- 手指 / 表情精细控制 —— SMPL-X 模型在跟，但效果差
- 长动作连贯（> 10 秒）—— 末段往往退化
- 实时（< 100ms）—— 大多数模型生成一段需要 1-5 秒
这些"做不到"就是 2025-2026 年学术界的研究热点。M11"前沿"章会一一展开 —— 但首先你得把 M2-M10 走完，才能看懂前沿在攻什么。
⑧ 学完整本书你会处在哪
完成 M2-M12，你会：
- ✅ 看懂第 5 代（文生动画）所有主流论文：T2M-GPT / MotionGPT / MDM / MotionDiffuse / MoMask
- ✅ 在单卡 4090 上完整复现 T2M-GPT（M6 章手把手）
- ✅ 用 LoRA 把模型微调到你自己的角色 / 风格（M9 章）
- ✅ 集成到 Unity / Unreal / Godot 实时调用（M10 章）
但实事求是，你不会：
- ❌ 训出比 Adobe Mixamo / Unity Muse Animate 商用闭源模型更好的版本 —— 那需要团队 + 百万美元级 MoCap 数据 + 几百万经费
- ❌ 从零提出新方法发顶会 —— 那是 PhD 级别投入，本书是"入门到中级"
但完成本书的能力已经够用了：独立游戏 NPC 动画、原型快速验证、自定义角色微调 —— 这些"个人 + 1 卡 + 几周"就能做到的事，2024 年之前根本不存在。
⑨ 检验理解
⑩ 下一节预告：骨骼系统与 SMPL
这一章我们建立了 50 年的"时间坐标"。下一章 M2 会从这张地图的第 5 代最底层钻进去：
- 24 个关节具体是哪 24 个？为什么是 24 不是 30？
- IK / FK 到底在算什么？什么时候用哪个？
- SMPL 的 72 个参数怎么编码全身姿态 + 体型？
- 旋转表示：欧拉角 vs 四元数 vs 6D rotation —— 文生动画为什么几乎都用 6D？
不会有大学线代 —— 用交互图 + 类比把"骨骼参数化"讲到高中生也能复述。
⑪ 想再深挖
- T2M-GPT: Generating Human Motion from Textual Descriptions with Discrete Representations (CVPR 2023) —— 本课主线复现论文，建议读完 M1 之后就先翻一遍 abstract。
- MotionGPT: Human Motion as a Foreign Language (NeurIPS 2023) —— 标题本身就是哇塞点："把动作当成一种外语"。
- AMASS 数据集主页 —— 文生动画的"ImageNet"，M3 会带你下载 + 可视化。
- SMPL 模型主页（MPI） —— 下一章 M2 整章在拆它。
- 横向对照：LLM 50 年简史 → 同款时间轴交互，对比文字 / 动作两条线的演进异同会很有意思。