2026年9月2日，AI圈被一则消息刷屏——李飞飞创办的World Labs正式发布了新一代世界模型Atlas。官方博客的标题平静地写着“Atlas: A World Model for Spatial Intelligence”，但社交媒体上早已炸开了锅：“全球首个多模态世界模型”“几张照片省掉几百个机位”“导演要失业了”……

这些标签夸张吗？也许。但Atlas所展现的能力，确实让人看到了AI从“生成画面”走向“生成世界”的质变。

Atlas生成的子弹时间画面（来源：World Labs）

一、Atlas是什么？一个能“理解空间”的AI

按照World Labs官方的定义，Atlas是一个面向空间智能的全模态世界模型（omni world model） 。它从零开始完成预训练，能够原生处理文本、图像、视频、相机位姿与3D深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟三大任务。

技术架构上，Atlas是一个多模态自回归扩散Transformer。文本、图像、视频、3D数据等各种输入都会被锚定在三维空间中，形成一个“空间上下文”（Spatial Context），然后模型根据这个上下文生成多模态输出。

类比一下大语言模型：LLM把输入编码成context，再基于context生成后续token。Atlas的流程相同，区别在于，进入context的每一张图像都被锚定在三维空间中的一个具体位置——它带着相机位姿一起进来。

换句话说，大语言模型靠“上文接下文”来理解文本，Atlas则靠“给每张图片绑死三维坐标和深度”来理解空间。这不是在画面上做文章，而是在三维空间里做文章。

二、技术：多模态自回归扩散Transformer拆解

Atlas的架构融合了大语言模型和视频生成模型两条技术线的精华。拆开来看：

多模态（Multimodal） ：Atlas可以原生处理文本、图像、相机位姿、3D深度图等多种数据类型，视频被表示为图像序列。每一张图像和每一幅深度图，都对应一个明确的相机位姿。

自回归（Autoregressive） ：Atlas操作的是一个由多种模态元素组成的序列，每次生成新的输出，都会以前面已经存在的序列内容作为条件。每个任务本质上只是一种不同类型的序列排列——前面是输入，后面是输出。

扩散模型（Diffusion） ：Atlas采用Rectified Flow（校正流）模型，通过逐步去噪来生成输出。推理时只需要改变去噪步骤的数量，就可以实现速度和质量的平衡。

Transformer：作为基础架构，保证了对现代硬件的适配。

这套设计让Atlas可以同时吃到LLM侧的推理优化（KV Cache、缓存感知路由、解耦式服务等）和视频侧的算法进展（扩散蒸馏、无分类器引导、移位噪声调度、先进VAE架构等）。

三、四大“炸场”能力

1. 相机控制生成：让运镜从“玄学”变“科学”

以前用视频生成模型，想在Prompt里控制镜头运动基本靠运气——“镜头缓慢向左拉升、绕着人物微仰角旋转”——回车之后全凭老天保佑。

Atlas的做法完全不同：直接把相机位姿参数当作底层原生输入。你要什么角度、什么轨迹、走多快？直接给坐标。只要丢进去1到6张普通照片，定好运镜轨迹，Atlas就能生成最长1分钟、1440p分辨率的大片。

更令人惊叹的是它的空间“脑补力”——输入一张只拍到机器人正面的照片，Atlas能把背影完整补出来；给一张泳池边角照，它能脑补出隔壁没拍到的草坪和远山。

仅凭单张图像，Atlas即可生成任意角度的视图

更惊人的是，你甚至可以往空间上下文里放两张毫不相关的参考图，指定它们在三维空间中的相对位置，Atlas会生成一个在两者之间平滑过渡的世界——它自己想象出门廊、走道和转角。

Atlas能想象出门道、走廊、角落等过渡空间，将原本不相关的画面串联起来

在盲测对比中，Atlas对竞品的胜率惊人：MiniMax H3达75%，Gemini Omni Flash达81%，阿里HappyHorse 1.1达86%，FLUX 3达93%，字节Seedance 2.5达94%——且运镜轨迹越复杂优势越大。

2. 空间重建：告别“扛设备转几十圈”

传统的3D高斯泼溅或点云扫描，需要扛着专业设备围着目标转几十圈，拍几百上千张照片。Atlas再次颠覆了这一流程——只需2到25张游客视角的地面平拍照片，就能还原出完整的3D场景。

重建结果不只是一组新的图片。Atlas可以输出点云和3D Gaussian Splatting。在DTU、ETH3D、ScanNet等公开数据集上，Atlas的稀疏视角重建误差（AbsRel ×10⁻³）达到了25.3。

World Labs官方有句精辟的总结：“The more it sees, the less it imagines.”（它看见的越多，需要“想象”的就越少。）

Atlas使用3到5个机位即可生成3D视角画面（来源：World Labs）

3. 时空模拟：让视频“可进入、可操控”

Atlas不仅能生成静态的3D世界，还能同时建模空间和时间。它可以转换已有视频的观察视角，制作戏剧性的视觉效果。

而最深远的意义在于——为机器人创建虚拟训练环境。仅需喂Atlas几张照片，它就能生成逼真的RGB和深度数据，让机器人能在更多不同的模拟空间中进行训练和测试。

拍几张地面照片，Atlas就能生成俯视图

4. 图像生成：文生图与360°全景

Atlas可以根据文字生成图片和360度全景图，能够遵循复杂提示词、渲染文字，并覆盖多种视觉风格。不过，这并非World Labs强调的主要方向。

四、理论奠基：李飞飞的“世界模型宣言”

Atlas的发布并非凭空而来。2026年6月4日，李飞飞与World Labs团队发布了一篇题为《世界模型的功能分类》的长文，系统拆解了当时被广泛使用却释义混乱的“世界模型”概念。

在这篇被媒体称为“世界模型宣言”的文章中，李飞飞提出了一个清晰的功能分类框架：

• 渲染器（Renderer） ：输出供人观看的像素画面

• 仿真器（Simulator） ：输出贴合客观规律的环境状态

• 规划器（Planner） ：输出智能体的动作指令

她指出，当下大量被冠以“世界模型”之名的产物，内涵截然不同——能生成绚丽但物理上不可能的火焰的视频模型、能即兴创作游戏的语言模型、能精准模拟燃烧过程的物理引擎，如今都被装进“世界模型”同一个筐里。

更重要的是，她提出三类模型底层共用同一套世界知识，当前最重要的趋势是三者边界正不断消融，最终将走向能够灵活切换输出形式的大一统世界基础模型。

“语言让机器能够谈论世界。而世界模型，将让机器最终能够理解、想象、推理并与世界互动。”

Atlas正是这一理念的技术落地——它同时具备渲染（生成视频）、仿真（重建3D场景）和模拟（为机器人生成训练数据）的能力。

五、学术版图：从Atlas到PointWorld、TrAct

Atlas是World Labs的产品化成果，而在学术界，李飞飞团队同样在持续输出重磅研究。

PointWorld（CVPR 2026）是一个大规模预训练的3D世界模型，将状态和动作统一在共享的3D空间中表示为3D点流。给定一个或少量RGB-D图像和一系列低层级机器人动作指令，PointWorld能预测对应动作的逐像素3D位移。它基于约200万条轨迹、500小时的真实与模拟数据训练，推理速度达到实时（0.1秒）。单个预训练检查点即可让Franka机器人执行刚体推动、变形物体操作、关节物体控制和工具使用等任务。

TrAct（2026年8月上线arXiv）则由李飞飞与吴佳俊联手，试图打通机器人的“动作控制”和世界模型的“预测画面”之间的语言障碍。机器人控制器输出的是十几二十个低维数字（末端位姿、关节角等），而世界模型需要输出的是数百万像素的画面。TrAct的解法是在中间配一位“同声传译”——用视觉轨迹（Visual Tracks） 作为中间接口。实验结果表明，TrAct将模拟环境中的任务成功率从27%提升到55%，真实环境从49%提升到76%。

六、开源生态与社区反响

虽然Atlas本身尚未开源（仅向部分合作伙伴开放早期访问），但世界模型领域的开源生态正在蓬勃发展。

InSpatio-World是首个开源的4D世界模型，由浙江大学章国锋教授团队开发。它能将一段普通视频转化为可探索、可导航、可回溯的动态世界。其核心是“State-Anchored World Modeling”技术——锚定世界状态，确保生成结果在时空上保持一致。模型参数13亿，单GPU运行速度达24 FPS，在李飞飞牵头的WorldScore-Dynamic榜单中位列实时方法第一。项目采用Apache 2.0许可证，已在GitHub上开源（github.com/inspatio/inspatio-world）。

英伟达机器人主管Jim Fan在评价Atlas时指出：“这是机器人领域Real-to-Sim的一大步”。这一评价精准点出了Atlas乃至整个世界模型方向的战略价值——让AI不仅会“看”世界，更要会“理解”和“模拟”世界。

七、结语：从“生成画面”到“生成世界”

李飞飞曾在她的“世界模型宣言”中引用维特根斯坦的名言：“世界即所发生的一切”。她指出，大语言模型让机器学会了遣词造句和逻辑推理，但物理世界运行的底层逻辑完全不同——光线如何落在物体表面、不在相机拍摄视角下的花园是什么模样、物体受外力后如何运动。

Atlas的出现，标志着AI正在从“生成画面”走向“生成世界”。它不再满足于输出一段好看的视频，而是试图在内部构建一个可理解、可操作、可模拟的三维空间。无论是对影视创作、机器人训练，还是对AI理解物理世界这一终极目标，这都是一次值得被记录的跃迁。

正如李飞飞本人所说：“Atlas为从视觉特效到机器人的众多应用场景打开了大门”。这扇门背后，是一个AI真正开始“理解”空间的新时代。

相关资源速览：

• Atlas官方博客：https://www.worldlabs.ai/blog/atlas

• World Labs官网：https://www.worldlabs.ai

• Marble体验平台：https://marble.worldlabs.ai

• PointWorld项目：https://point-world.github.io

• TrAct论文：https://arxiv.org/html/2608.24101v1

• InSpatio-World开源项目：https://github.com/inspatio/inspatio-world