当全行业还在比拼"谁能预测下一个Token"时，李飞飞团队已经换了一条赛道：不预测文字，不预测画面，而是预测"你换个角度看世界，会看到什么"。

9月1日，由"AI教母"李飞飞创办的空间智能公司World Labs发布了新一代世界模型Atlas，官方称之为"全球首个多模态世界模型"。这个模型想用同一个基础模型，同时完成视频生成、3D重建和时空模拟三件事，把AI从"看懂世界"推向"理解空间"。

一、从"预测Token"到"预测新视角"

大语言模型的核心是预测下一个Token，视频生成模型的核心是预测下一帧画面，而Atlas的核心动作只有一个：换一个位置，继续看。给它几张照片，它要理解这些画面在空间里是什么关系，然后告诉你——从另一个位置看过去，世界应该长什么样。

这种能力被李飞飞团队称为"新视角预测"（New View Prediction），被看作是通往空间智能的终极原语。空间智能，就是AI对三维世界的理解能力：物体在哪里、彼此什么关系、从别的角度看会是什么样。这是人类与生俱来的能力，却是AI长期缺失的一块。

二、从零训练：不走视频模型的"老路"

与很多人预想的不同，Atlas并不是在现有视频模型或3D模型上改造而来的。World Labs从零开始对它进行预训练，让文本、图像、视频和3D数据从训练起步阶段就融合在一起，最终共享同一个"空间上下文"。

技术上，Atlas采用多模态自回归扩散Transformer架构。它能够借助共享的空间上下文，在三维空间中与已见信息保持连贯一致，甚至能"推想"视野之外的内容——也就是说，哪怕你只看到房间的一角，它能补全整个空间的想象。

三、机器人训练场：两段手机视频就够了

Atlas最落地的应用方向之一，是机器人仿真训练。传统机器人训练往往需要昂贵的3D扫描建模，而World Labs的演示显示：用两段手机视频，每段只取24帧，就能重建两处大型空间，再让不同机器人沿不同路线在其中移动，生成机器人第一视角的画面和深度信息。

这意味着，把现实环境快速搬进仿真系统，门槛被大幅降低了。灯光、物体、摆放位置和机器人视角，都能从一段普通视频里"长"出来，机器人训练的成本和速度有望迎来质变。

四、世界模型，为什么值得如此关注？

世界模型，简单理解就是让AI在"头脑里"建立一个关于世界的模型：理解了规则，才能预测下一步会发生什么。这也是为什么业界认为世界模型是通往AGI的核心能力之一。

李飞飞在a16z的对谈中多次强调"空间智能"。Atlas发布后，国内外对世界模型的押注明显加速：OpenAI的Sora 2.0在做物理级视频生成，xAI推出可模拟城市交通与工业产线的世界模型，国内也有团队沿着"从真实世界起步"的路线反向逼近通用世界模型。无论是云端大模型还是端侧芯片，都开始把"空间理解"当作新的兵家必争之地。

总结

从预测Token到预测下一帧，再到预测新视角，AI的学习目标正在从"语言逻辑"向"物理世界"进发。Atlas未必是终点，但它标志着一个清晰的分水岭：AI不再满足于"像人一样说话"，而是开始学着"像人一样看世界"。空间智能，很可能就是下一代AI的主战场。