WORLD LABS · ATLAS · 2026.09.01
AI 终于学会
转过头看世界。
Atlas 是李飞飞创办的 World Labs 发布的新一代多模态世界模型。它从头训练，能把文字、图片、视频、相机位置和 3D 深度放进同一个“空间记忆”，再用它生成、复原和模拟世界。
目前仅向部分合作伙伴开放，不是人人可用的公开产品
不是聊天机器人，也不只是视频生成器。它把多种输入统一到带位置和视角的 3D 空间上下文中。
控制摄影机生成最长 1 分钟 1440p 视频；由照片复原新视角与 3D；把实拍变成机器人训练场。
普通模型听“镜头向左”这句话；Atlas 直接接收相机的位置、角度和深度信息，空间控制更明确。
Atlas 处于合作伙伴早期访问阶段，将驱动未来版本的 Marble；当前公开 Marble 不是这次 Atlas 本身。
30 秒先听懂
以前，AI 在“猜下一张画”；
现在，它开始“搭一个世界”。
像一位画师，一张接一张地画。画面能很漂亮，但镜头一绕，桌椅和墙的位置可能悄悄变了。
像先用积木搭好房间，再拿摄像机进去拍。换角度时，它尽量守住同一套空间关系。
一张照片不是一张扁平的纸，而是一扇窗。Atlas 想做的，是推开窗，走进它背后的世界。
它的意义，不是“又会一种生成”
会说世界，和
知道世界在哪里，是两回事。
大语言模型读过“杯子在桌上”，能够把这句话解释得很好。但真正去拿杯子的机器人还要知道：杯子离桌边多远、杯口朝哪里、手从哪条路线伸过去不会撞到水壶。语言提供概念，空间智能提供位置、形状、视角和行动后果。
“这是一个厨房，桌上有杯子。”
语言模型已经很擅长认出杯子、桌子、门和人的动作。
视觉模型正在快速进步知道它们在空间里的关系，并能从新角度继续观察。
Atlas 重点跨越的一层推演“推一下、走过去、抓起来”之后会发生什么。
世界模型的长期目标对创作者不用每换一个镜头就重新抽卡，搭一次世界，可以拍许多条路线。
对企业用普通照片和视频建立空间底稿，数字孪生与仿真采集门槛可能下降。
对机器人先在成千上万个可变化的数字场景里犯错，再把更成熟的策略带回现实。
先看官方视频，再听我们拆解
Atlas 的价值，
用眼睛看最快。
以下均为 World Labs 官方发布视频，保留原始链接。点击播放时，视频从 World Labs 的内容服务器加载；如果网络环境无法播放，可点“打开官方原页”。
实验一 / 给它几张照片？
看得越少，
它就越需要想象。
只给一张客厅照片，沙发背后完全看不见。Atlas 会根据常识补出一个“说得通”的答案。再给几张侧面照，它就少猜一点；给得足够多，它才更像在认真复原。
合理，不等于真实。没拍到的门、窗和家具，是模型猜出来的，不能拿去做事故取证或精密测量。
拖拽旋转 · 滚轮缩放
实验二 / 把两张不相干的图放进同一张地图
左边是森林，右边是客厅，
中间的路谁来修？
Atlas 的“空间上下文”不是把图片简单贴在一起。你可以告诉它：这张图在左边，那张图在右边，相隔多远。模型会尝试在中间补出门洞、走廊、院子或转角，让两个画面变成一个可以连续穿行的世界。
这很像给建筑师两张效果图和一张空白平面图：两头已经确定，中间怎么连接，由他利用经验补全。结果可以有创意，但不是唯一正确答案。
实验三 / 把“镜头向左”换成坐标
它不是听导演喊口号，
而是直接拿到了摄影机轨道。
多数视频模型听到“镜头绕人物半圈”，只能猜这句话是什么意思。Atlas 把相机位置和角度当成一种原生输入，就像摄影师面前铺好了精确轨道：从哪里出发、升多高、朝哪里看，都能明确告诉它。
官方展示可由 1–6 张参考图和人工设计的镜头路径，生成最长 1 分钟、1440p 的视频。
它到底能干什么？
同一个“大脑”，
换三份工作。
让镜头穿过一个保持连贯的世界
适合电影预演、广告、游戏过场和视觉特效。它的优势不是单张图更漂亮，而是导演能更具体地决定“怎么拍”。
输出：最长 1 分钟的 1440p 视频名字很吓人，拆开都是熟人
“多模态自回归扩散 Transformer”
其实是四个人一起搭积木。
文字、图片、相机位置、3D 深度都能放进同一本空间笔记。
像写下一句话，也像铺下一块积木；后面的生成会参考前面已经搭好的内容。
先是一团噪点，再一点点去掉“雪花”，让图像和深度逐渐清楚。
它让远近不同的线索互相对照，并能借用大语言模型已有的加速技术。
四个词合起来：Atlas 把各种空间线索排成一条队伍，一项一项往后生成；遇到图片和 3D，就用“从模糊到清楚”的方式画出来。
别把四种东西混在一起
Atlas 不是 ChatGPT，
也不只是一个视频生成器。
真正的大故事：空间生产成本可能被重新计算
过去要“造一个数字世界”，
现在可能先拍几段视频。
传统流程里，拍摄、3D 扫描、建模、贴图、动画、仿真常常是几套工具、几批人。Atlas 的野心是让同一个基础模型在这些环节之间来回切换：既能从现实重建，也能从想象生成；既给人看视频，也给机器输出深度和 3D。
多机位摄影棚 / 激光扫描 / 3D 美术 / 手工布光 / 仿真工程
少量照片或视频 → 空间底稿 → 镜头、3D、模拟等多种输出
先确定场景和机位，再反复设计运动路径；补拍、转场与子弹时间的成本有机会下降。
老建筑、景区、展览和故事场景，可以更快做出数字原型，再交给专业工具继续加工。
不只换背景，而是保持空间关系，围绕商品重新走镜头、改陈列和观察视角。
仓库、门店、办公室的空间底稿可能不再完全依赖昂贵扫描设备，但精确测量仍需专业工具。
一段现实录像可以衍生不同物体、灯光和路线，制造现实里稀缺或危险的训练情况。
未来的智能体不仅要点按钮，还要理解房间、设备和人的位置，先预测行动后果再动手。
别急着喊“物理世界 AGI”
它迈过了一道门槛，
但还没走到终点。
相机不是一句模糊提示词，而是带位置和角度的正式输入；2D 画面与 3D 深度也能由同一个模型处理。
官方展示了刚体、关节物体和软物体的模拟流程，但这不等于它已掌握所有摩擦、重量、液体和破坏规律。
官方称在相机控制和稀疏视图 3D 重建上胜过所比较的专用模型；更广泛结论还需独立测试与真实项目验证。
它将驱动未来版本的 Marble 和 World Labs 其他产品。现在能公开使用的 Marble，与刚发布的 Atlas 不是同一个产品版本。
人物彩蛋 / 为什么又是李飞飞？
她先让 AI 认清猫和狗，
现在又想让 AI
走进那张照片。
很多年前，计算机视觉有个尴尬：算法再聪明，也没有足够多、足够整齐的图片可学。李飞飞推动创建了 ImageNet——可以把它想成一本超级厚的“看图识物练习册”。后来深度学习在这本练习册上大显身手，现代计算机视觉由此加速。
但她显然不满足于让机器回答“这是一只猫”。人看见猫，会同时知道它趴在沙发上、离桌边有多远、下一秒可能跳到哪里。于是问题从“这是什么？”变成了“它在哪里？这个世界会怎样变化？我能怎么行动？”
ImageNet 用大规模标注图像推动视觉识别，让机器先学会叫出万物的名字。
在斯坦福长期研究视觉与智能，并共同领导以人为本人工智能研究，强调技术最终服务于人。
把研究重心推向空间智能：让 AI 不只理解互联网里的词和图，还能生成、推理并模拟三维世界。
同一个模型接收文字、图片、视频、相机和 3D，让“看见、搭建、模拟”第一次更紧密地合在一起。
如果说 ImageNet 教 AI 给世界万物贴上名字，Atlas 想做的，就是把这些万物从卡片上拿下来，重新摆回一个有前后左右、能够变化的世界。