李飛飛的Atlas，為具身智能推開新世界大門

超前實驗室2026.09.14 17:40 · 來自山東全文3672字00:00 / 10:18李飛飛的Atlas，為具身智能推開新世界大門文 | 超前實驗室，作者 |青苹吹果，編輯 | star皆空“世界即所發生的一切。”這是路德維希·維特根斯坦在1921年出版的《邏輯哲學論》中寫下的名言。一個世紀後，這句話被AI領軍人物之一李飛飛引用，而她創辦的World Labs正在讓AI理解空間。前段時間，World Labs發佈新一代世界模型Atlas，官方稱其為“全球首個”能同時處理文字、圖片、視頻和3D的多模態世界模型。

來看demo，十分驚豔：喂進兩三個視角的照片，它能重建出整個場景，再讓鏡頭飛到從沒人站過的位置。這無疑為行業打開了新世界大門：長期以來，傳統3D重建高度依賴密集拍攝，必須圍繞場景進行多角度、高覆蓋率的圖像採集，才能拼合出相對完整的模型。這種方式對設備、時間和人力要求極高，導致3D內容生產始終難以規模化，門檻居高不下。Atlas正在改變這一範式。依託大模型的強大先驗知識與生成能力，它僅需少量普通手機拍攝的圖像，就能實現高保真3D重建。由此，3D內容創作的門檻被大幅拉低，無需專業設備，也無需密集採集，海量舊照片、舊影像都有機會轉化為可用的3D資產，沉睡的數據潛力被重新激活。

不止於此，傳統AI生成模型主要服務於影視、遊戲等創意產業，核心是生成“看起來逼真”的內容；而Atlas通過構建可交互、可推演的“世界模擬器”，將AI生成能力拓展至機器人領域，即Real-to-Sim。它讓生成結果不再只是靜態畫面，而是能夠被進入、被操作、被驗證的動態環境。在機器人領域，這意味著機器人可以在AI生成的模擬環境中進行海量試錯與策略訓練，通過“想象”預測不同動作可能帶來的後果，在虛擬世界中快速積累經驗，再遷移到真實世界。這直擊機器人真實世界訓練數據匱乏、採集成本高昂的核心瓶頸，為具身智能提供了一條低成本、高效率、可擴展的訓練路徑，也將加速機器人從實驗室走向現實應用。

給Atlas一張照片，TA能造出一個世界先來看Atlas幹了件什麼事。過去兩年，視頻生成模型的相機控制全靠玄學抽卡。你給出一句話或一張圖，TA順著往下想象畫面，鏡頭怎麼動基本靠提示詞碰運氣，生成的畫面次次不一樣。而Atlas換了底層邏輯，把“相機”直接做進了模型。相機位姿參數作為原生輸入，要什麼角度什麼軌跡，直接喂數據給座標。World Labs將這套機制稱為“空間上下文”，每一張送進模型的圖片，都會被鎖定在三維空間裡的某個具體座標上，相機的姿態和深度信息，也連同圖像一起被帶進模型。模型手裡拿的不是一疊孤立的照片，而是一張帶座標的世界草圖。於是你就能像坐進導演椅一樣調度它。

官方demo裡最出圈的一段，是用三到五臺普通手機拍同一瞬間，模型就能凍結時間、把鏡頭繞進牛奶濺起的那一刻。放在二十多年前，《黑客帝國》那個子彈時間鏡頭靠的是上百臺相機圍著綠幕棚轉圈，如今幾臺手機就能復刻個大概。3D重建方面也是同樣驚豔。按World Labs官方博客的說法，斯坦福主方庭那段航拍，輸入只是2到25張站在地面隨手拍的遊客照。傳統三維重建講究把每個角落都拍全，圍著場地轉幾百圈是家常便飯；Atlas給三五張、幾十張就能交差。看到這裡，你可能會大受震撼，感嘆現在的AI已經開始懂物理世界了！但其實不然。

官方在博客和訪談中說了兩件事：一是Atlas已經在幾何層面做到了“空間上下文”理解，二是團隊的長遠目標是讓模型最終理解物理規律。很多人把兩者混為一談。可幾何和物理壓根不是一回事。幾何是入場券，物理才是難關幾何和物理的區別在哪裡？幾何回答“東西在哪、長什麼樣、換個角度還是不是原來的形狀”；物理則是回答“推它一下會怎麼動、會不會倒、捏多重會碎”。Atlas這次驚豔的部分，基本全落在幾何這一欄，碰撞、摩擦、形變這些要真物理的活兒，官方demo裡幾乎沒有體現。而World Labs本身也清楚這一點。

他們今年6月發過一篇梳理世界模型的長文，開篇就自嘲“世界模型是當下AI圈被用得最濫的詞”，接著按功能把各類產品劃成三檔：只會吐畫面的渲染器、能吐出經得起檢驗的物理狀態的模擬器、直接輸出動作的規劃器。照這把尺子量，Atlas只是從「渲染器」往「模擬器」的方向邁出了一大步，可離真正懂物理還差距甚遠。過去評一個世界模型好不好，基本只看畫面像不像，那類指標說白了是在比像素分佈：模型完全可以生成逼真但物理上錯得離譜的畫面，照樣拿高分。但這兩年開始換考卷了。面向具身智能的評測WorldArena，把“軌跡準不準”“物理遵不遵循”單拎出來當考題。值得一提的是，今年8月底WorldArena2.

0的首版榜單上，國內影溯的InSpatio-Curious拿下77個參評模型的總分第一。而其畫面質量分比第二名低了將近9分，居然還能照樣登頂，這是因為軌跡精度、深度準確度、時空一致性這些硬指標把它抬了上去。可見，在新考卷裡，“畫得美”越來越不值錢。除此之外，還有由UCLA、耶魯、索尼AI與美國陸軍研究實驗室今年1月聯合放出的WorldBench，把物理概念拆開逐項考。結論相當不留情面：所有被測模型在生成靠譜的物理交互這件事上，一個都沒過關。

這樣一看，Atlas這份成績單既沒發論文，也沒有model card，對比數據出自官方自測，而且同場比較的對手只能拿文字描述運鏡，它卻握著精確軌跡，贏面天生佔優。更準確地說，Atlas在官方設定的機位控制任務上展示了目前最強的能力。但它沒有經過第三方物理評測，不能直接說它“懂物理”。真正的物理關卡，Atlas還沒被嚴格考過；而WorldBench的結論是，現有模型在物理交互上都沒過關。既然如此，大家為什麼還一股腦往“物理對不對”這個方向卷？Atlas為代表的新路徑，有望成為具身智能“練功房” 因為物理是否正確，是仿真數據生成能不能用的前提。

李飛飛在發佈後的訪談裡說：機器人眼下最大的瓶頸是數據，芯片還排不上號。互聯網上現成的文字、圖片、視頻管夠，機器人卻學不會這些，它需要的是“從這個角度、用這個力度捏下去會發生什麼”這類帶物理後果的經驗。但真實採集貴得離譜。World Labs的創始團隊舉過例子：過去想重建一個空間，專業採集員也得圍著它拍幾百上千張，換普通人上手，在一間屋子裡轉悠一兩個小時是常事。這套成本降不下來，機器人訓練的數據就永遠攢不夠。

於是，“從仿真到現實”這套流程，從實驗室的冷門話題變成了兵家必爭之地：先把真實環境快速搬進虛擬世界，再批量做隨機化，電線換個方向彎、杯子換個顏色擺、光照隨時變，讓機器人在虛擬環境裡把該踩的坑先踩一遍。World Labs今年7月悄悄把專攻機器人仿真的SceniX收進囊中，Atlas正是這條戰略第一次以模型形態落地。而把鏡頭拉長一點，你會發現給AI造“練功房”這件事，人類其實練了很多年。上世紀30年代，美國人埃德溫·林克搗鼓出第一臺像樣的飛行模擬器，二戰期間數十萬盟軍飛行員先在模擬艙裡摔夠了，才被允許登上真機。那會兒連晶體管都還沒影兒，全靠機械裝置硬模擬儀表反應。

到了自動駕駛時代，這套打法捲土重來：Waymo曾公開披露，它的系統在虛擬環境裡跑出的測試里程，比真實路測高出兩個數量級不止。飛機靠模擬艙練出飛行員，汽車靠仿真路練出老司機，如今輪到AI，它要練手的對象是整個物理世界。把歷史看明白了，再看資本的動作就不難懂。這兩年湧進世界模型賽道的錢以百億計，資本賭的早不是哪家的畫面更漂亮，誰能用最低成本把真實世界搬進模型、讓AI在裡面反覆試錯，誰就站在下一代AI的上游。而Altas的方向，有望讓數據採集和仿真成本斷崖式下降，使得初創公司無需依賴鉅額硬件投資即可完成機器人訓練，有望推動“仿真優先、真機驗證”新範式普及。AI要想真正理解物理世界，還為時尚早。

但Atlas至少證明，幾何做對這件事，是個可以被工程化解決的，而且一旦做對，立刻能變成產品力。世界模型的競賽，正在從“誰生成的畫面更像真的”，轉向“誰生成的狀態更經得起算”。從渲染器到模擬器，這一步跨過去，AI才算真正摸到物理世界的門。Atlas是把門推開了一條縫，物理AI，終於有了第一塊踏腳石。