9月1日，李飞飞创办的World Labs发布了下一代世界模型Atlas。
在大多数媒体的报道中，Atlas被定义为一个颠覆之作，比如称其为全球首个多模态世界模型，认为它让世界模型进入新时代、打开了通往“空间智能”大门等等。
当然，在语言严重通货膨胀的AI行业里，这样的颠覆其实每天都在发生，世界模型更是一个已经被严重泛化的概念，现在是个企业，都在标榜自己是世界模型。
比如，做LLM的公司声称自己是世界模型，因为它可以让智能体在内部预测“采取一个动作后，世界会变成什么样”；
视频生成公司也在标榜自己做的是世界模型，因为它能连续生成看起来合理的画面；
机器人领域更是世界模型的“重灾区”，因为具身智能模型需要描述空间、物体、运动、物理规律以及动作后果......
但恰恰是在这样的情况下，李飞飞的Atlas仍然被定义为颠覆之作，那么这个Atlas和原来哪些已经烂大街的世界模型又有什么不同？它又会给现在的AI行业，带来一些什么样的改变？
把空间放进上下文：
Atlas究竟是什么？
按照官方定义，Atlas是一款面向“空间智能”的全模态世界模型。
它能在统一架构中处理文本、图像、视频和3D信息，完成世界生成、现实空间重建和时空模拟等任务。
简单来说，就是它既可以像大语言模型一样，根据已有上下文逐步生成后续内容；又可以像图像和视频扩散模型一样，通过去噪生成高质量视觉结果。
从技术架构来看，Atlas是一种从头预训练的“多模态自回归扩散Transformer”。它融合了LLM的自回归Transformer范式与图像、视频模型的扩散机制，并将相机位姿和深度等三维信息纳入共享空间上下文。
因此，与主要根据提示词生成单张图片或一段视频的模型不同，Atlas会把图片、相机位置、观察角度和深度信息放入同一个“空间上下文”。
在此基础上，模型不仅要理解画面中有什么，还要判断这些内容在三维空间中的位置，并根据已有信息，生成相机移动到其他位置后应该看到的画面。
这一点从Atlas的演示视频中能够很直观地看到，传统多模态模型生成的画面，要么是一张静态图，要么是一个确定轨迹的视频。而Atlas生成的却是一个空间，就像中介看房时给你的3D视频一样，你可以自由切换视角，调整位置，查看整个空间的不同地方。
因此，如果说LLM通过逐个生成Token延续语言上下文，Atlas则是在由图像、相机位姿和深度共同构成的空间上下文中，逐步生成新的图像与三维信息，并尽量维持不同视角之间的一致性。
整体来看，World Labs将Atlas的能力概括为四类：
第一类是相机控制生成。
用户可以输入一张或多张参考图片，直接指定相机的位置、角度和运动路径，生成新视角下的图像或视频。相比通过提示词描述“镜头向左移动”“围绕人物旋转”，Atlas将相机几何参数作为原生输入，可以更精确地控制构图和镜头运动。
根据官方展示，Atlas支持输入1至6张参考图片，结合人工设计的相机路径，生成最长1分钟、分辨率最高1440p的视频。即使相机移动到原图没有拍摄的位置，模型也可以结合输入内容和自身的世界知识，补全物体背面及周围环境。
第二类是空间重建。
Atlas可以根据一张到数十张图片重建真实场景，也可以接收超过100张图片，以获得更加完整的空间信息。输入图片越少，模型需要自行补全的区域越多；输入视角越丰富，重建结果越接近真实环境。
Atlas输出的不只是一组新视角下的二维画面。它可以同时预测深度和三维几何，将场景输出为点云或3D Gaussian Splat（高斯泼溅），从而形成可以实时渲染和继续使用的三维空间。
World Labs称，在部分场景中，Atlas只需两三张图片就能完成较为可信的重建，并在官方测试中超过了一些专门用于3D重建的模型。
第三类是时空模拟。
Atlas可以根据多机位拍摄的视频重新构建观察视角。例如，使用3至5台普通手机或运动相机完成拍摄后，模型可以让画面在某一时刻“冻结”，再从原本没有摄像机的位置重新观察，生成类似“子弹时间”的视觉效果。
这一能力也被用于机器人仿真。
World Labs展示了使用手机视频中的24帧画面重建大型环境，再让不同类型的机器人在虚拟场景中沿不同路径移动。Atlas可以同步生成机器人机身摄像头理论上应该看到的RGB画面和深度数据，为机器人导航、操作训练和测试提供环境。
在操作任务中，Atlas还可以辅助构建包含刚性物体、可动部件和柔性物体的仿真场景。任务被转化为仿真环境后，开发者可以改变物体种类与位置、机器人运动、光照和背景，从一个真实场景中衍生出更多训练条件。
第四类是图像生成。
尽管这不是Atlas的主要定位，它仍然可以根据文本生成图片和360度全景图，支持复杂提示词、文字渲染以及多种视觉风格。
World Labs表示，Atlas的能力会随着训练数据、模型规模和计算量增加而提升。现阶段，Atlas仍处于早期访问阶段，只向部分合作伙伴开放，未来将成为World Labs旗下3D世界生成产品Marble及其他产品的底层模型。
Atlas改变了什么？
目前，ChatGPT带动的这一轮AI浪潮，主要建立在大语言模型之上。
模型通过学习海量文本，掌握语言、知识和推理之间的统计关系，再根据上下文预测下一个Token。
但现实世界并不是由文字组成的。
一个真正能够进入现实环境的AI，不仅要知道“杯子”“桌子”和“重力”分别是什么意思，还要理解杯子放在桌子的什么位置，从不同角度观察时是什么样子，被推一下之后会向哪里移动，以及一个动作会对周围环境造成什么影响。
视频生成模型已经向这个方向迈出了一步，让AI从静态图像走向动态画面，但核心仍是视觉合理性：画面看起来真实即可，背后是否存在稳定的三维结构、物体切换视角后能否保持一致，并非其首要目标。
Atlas进一步把空间关系纳入模型：图像被锚定到三维空间，相机位姿可以直接控制，输出还包括深度、点云和3D Gaussian Splat等三维信息。这标志着基础模型正从处理多种模态，走向用多种模态共同建模同一个世界——不仅生成画面，也尝试维持、操作和模拟画面背后的空间。
所以，在Atlas之后，未来更完整的AI，可能不再是某一个孤立模型，而是不同模型的能力与长期记忆的组合。
比如语言模型负责理解任务和抽象推理，世界模型负责建立并模拟空间，行动模型负责规划执行，视频生成则提供视觉呈现。
相应地，基础模型的竞争也将从参数规模、推理能力和生成画质，扩展到三维一致性、状态持续性、行动后果预测，以及生成的世界能否被机器人和三维软件实际使用。
如果说Atlas对AI行业的影响，是将基础模型的竞争对象从语言和像素扩展到空间，那么它对机器人行业更直接的意义，就是提供了一种规模化生产训练经验的方法。
机器人训练一直面临严重的数据瓶颈。
LLM可以利用海量互联网文本，但机器人行动数据却依赖真机采集，需要反复布置场景、复位物体并承担设备损耗；环境或本体变化后，往往还要重新采集。
这其中，传统仿真虽能降低成本，但仍然要依赖人工搭建高质量三维环境，并面临仿真与现实之间的差距。
现在，Atlas给出了一种新的解法。其展示的Real-to-Sim路线，是先用少量照片或手机视频重建真实环境，再将其转化为机器人能够反复进入的模拟空间。
这种变化对两类公司的意义并不相同：对基础模型公司，它扩展了模型竞争的能力边界；对机器人公司，它提供了一种规模化生产训练环境和测试数据的新工具。
因为Atlas为Real-to-Sim提供了环境重建和传感器观测生成能力。在此基础上，机器人团队可以在仿真中训练和评估策略，再回到真机验证，并用真实结果继续修正仿真，形成World Labs所强调的Real-to-Sim-to-Real闭环。
所以就现阶段而言，Atlas就像是机器人的“训练场”，它的价值更多体现在上游，如果通用世界模型逐步成为标准化工具，机器人公司有望以更低成本扩展训练场景，数据竞争也将从采集规模转向经验质量和迁移能力。
从谈论世界，到进入世界
但随着世界模型的发展，另一种观点也在被不断强化，即语言可以帮助AI描述和推理世界，真正的通用智能还需要理解空间、维持状态、预测变化，并在行动之前模拟不同选择可能产生的结果。
从这个角度看，Atlas带来的是基础模型竞争维度的扩张：大模型公司不仅要继续提升语言与推理能力，还要补上空间和物理世界建模能力；机器人公司则可能借助通用世界模型，以更低的成本获得训练环境和行动经验。
当然，这也是李飞飞一直坚持的观点。
与杨立昆（Yann LeCun）对大语言模型表现出的强烈质疑不同，在李飞飞看来，语言是人类知识与抽象思维的重要载体，LLM已经展现出强大的“语言智能”。
因此，李飞飞提出的并不是用世界模型取代语言模型，而是补上当前AI缺失的一块能力：语言智能让AI能够描述世界，空间智能则让AI能够理解、创造并参与世界。
不过，从“创造世界”到“理解世界”，Atlas仍然要跨过一道关键门槛。
创意行业需要世界模型拥有足够丰富的想象力，影视和游戏可以接受模型补全原本不存在的空间；机器人训练则要求模型尽可能忠于现实，错误的尺寸、位置或物理规律，都可能导致机器人在真实环境中做出错误判断。
同一个模型能否兼顾视觉创造力与物理准确性，将决定Atlas最终只是更强的内容生成工具，还是能够成为机器人训练的基础设施。
这也关系到行业对AGI实现路径的重新判断。
Atlas是否足以通向AGI，现在还无法判断。但它至少让行业更加清楚地看到：一个只会谈论世界的AI，距离真正进入世界，还有多远。
* 文中图片来自World Lab官方
- END -
