李飞飞的Atlas，为具身智能推开新世界大门

文 | 超前实验室，作者 |青苹吹果，编辑 | star皆空

“世界即所发生的一切。”

这是路德维希·维特根斯坦在1921年出版的《逻辑哲学论》中写下的名言。一个世纪后，这句话被AI领军人物之一李飞飞引用，而她创办的World Labs正在让AI理解空间。前段时间，World Labs发布新一代世界模型Atlas，官方称其为“全球首个”能同时处理文字、图片、视频和3D的多模态世界模型。

来看demo，十分惊艳：喂进两三个视角的照片，它能重建出整个场景，再让镜头飞到从没人站过的位置。

这无疑为行业打开了新世界大门：

长期以来，传统3D重建高度依赖密集拍摄，必须围绕场景进行多角度、高覆盖率的图像采集，才能拼合出相对完整的模型。这种方式对设备、时间和人力要求极高，导致3D内容生产始终难以规模化，门槛居高不下。

Atlas正在改变这一范式。依托大模型的强大先验知识与生成能力，它仅需少量普通手机拍摄的图像，就能实现高保真3D重建。

由此，3D内容创作的门槛被大幅拉低，无需专业设备，也无需密集采集，海量旧照片、旧影像都有机会转化为可用的3D资产，沉睡的数据潜力被重新激活。

不止于此，传统AI生成模型主要服务于影视、游戏等创意产业，核心是生成“看起来逼真”的内容；

而Atlas通过构建可交互、可推演的“世界模拟器”，将AI生成能力拓展至机器人领域，即Real-to-Sim。

它让生成结果不再只是静态画面，而是能够被进入、被操作、被验证的动态环境。

在机器人领域，这意味着机器人可以在AI生成的模拟环境中进行海量试错与策略训练，通过“想象”预测不同动作可能带来的后果，在虚拟世界中快速积累经验，再迁移到真实世界。

这直击机器人真实世界训练数据匮乏、采集成本高昂的核心瓶颈，为具身智能提供了一条低成本、高效率、可扩展的训练路径，也将加速机器人从实验室走向现实应用。

给Atlas一张照片，TA能造出一个世界

过去两年，视频生成模型的相机控制全靠玄学抽卡。

你给出一句话或一张图，TA顺着往下想象画面，镜头怎么动基本靠提示词碰运气，生成的画面次次不一样。

而Atlas换了底层逻辑，把“相机”直接做进了模型。

相机位姿参数作为原生输入，要什么角度什么轨迹，直接喂数据给坐标。

World Labs将这套机制称为“空间上下文”，每一张送进模型的图片，都会被锁定在三维空间里的某个具体坐标上，相机的姿态和深度信息，也连同图像一起被带进模型。

模型手里拿的不是一叠孤立的照片，而是一张带坐标的世界草图。

于是你就能像坐进导演椅一样调度它。

官方demo里最出圈的一段，是用三到五台普通手机拍同一瞬间，模型就能冻结时间、把镜头绕进牛奶溅起的那一刻。

放在二十多年前，《黑客帝国》那个子弹时间镜头靠的是上百台相机围着绿幕棚转圈，如今几台手机就能复刻个大概。

3D重建方面也是同样惊艳。

按World Labs官方博客的说法，斯坦福主方庭那段航拍，输入只是2到25张站在地面随手拍的游客照。

传统三维重建讲究把每个角落都拍全，围着场地转几百圈是家常便饭；Atlas给三五张、几十张就能交差。

看到这里，你可能会大受震撼，感叹现在的AI已经开始懂物理世界了！

但其实不然。

官方在博客和访谈中说了两件事：一是Atlas已经在几何层面做到了“空间上下文”理解，二是团队的长远目标是让模型最终理解物理规律。很多人把两者混为一谈。

可几何和物理压根不是一回事。

几何是入场券，物理才是难关

几何回答“东西在哪、长什么样、换个角度还是不是原来的形状”；物理则是回答“推它一下会怎么动、会不会倒、捏多重会碎”。

Atlas这次惊艳的部分，基本全落在几何这一栏，碰撞、摩擦、形变这些要真物理的活儿，官方demo里几乎没有体现。

而World Labs本身也清楚这一点。

他们今年6月发过一篇梳理世界模型的长文，开篇就自嘲“世界模型是当下AI圈被用得最滥的词”，接着按功能把各类产品划成三档：只会吐画面的渲染器、能吐出经得起检验的物理状态的模拟器、直接输出动作的规划器。

照这把尺子量，Atlas只是从「渲染器」往「模拟器」的方向迈出了一大步，可离真正懂物理还差距甚远。

过去评一个世界模型好不好，基本只看画面像不像，那类指标说白了是在比像素分布：模型完全可以生成逼真但物理上错得离谱的画面，照样拿高分。

但这两年开始换考卷了。

面向具身智能的评测WorldArena，把“轨迹准不准”“物理遵不遵循”单拎出来当考题。

值得一提的是，今年8月底WorldArena2.0的首版榜单上，国内影溯的InSpatio-Curious拿下77个参评模型的总分第一。

而其画面质量分比第二名低了将近9分，居然还能照样登顶，这是因为轨迹精度、深度准确度、时空一致性这些硬指标把它抬了上去。

可见，在新考卷里，“画得美”越来越不值钱。

除此之外，还有由UCLA、耶鲁、索尼AI与美国陆军研究实验室今年1月联合放出的WorldBench，把物理概念拆开逐项考。

结论相当不留情面：所有被测模型在生成靠谱的物理交互这件事上，一个都没过关。

这样一看，Atlas这份成绩单既没发论文，也没有model card，对比数据出自官方自测，而且同场比较的对手只能拿文字描述运镜，它却握着精确轨迹，赢面天生占优。

更准确地说，Atlas在官方设定的机位控制任务上展示了目前最强的能力。但它没有经过第三方物理评测，不能直接说它“懂物理”。真正的物理关卡，Atlas还没被严格考过；而WorldBench的结论是，现有模型在物理交互上都没过关。

既然如此，大家为什么还一股脑往“物理对不对”这个方向卷？

Atlas为代表的新路径，有望成为具身智能“练功房” 

因为物理是否正确，是仿真数据生成能不能用的前提。

李飞飞在发布后的访谈里说：机器人眼下最大的瓶颈是数据，芯片还排不上号。

互联网上现成的文字、图片、视频管够，机器人却学不会这些，它需要的是“从这个角度、用这个力度捏下去会发生什么”这类带物理后果的经验。

但真实采集贵得离谱。

World Labs的创始团队举过例子：过去想重建一个空间，专业采集员也得围着它拍几百上千张，换普通人上手，在一间屋子里转悠一两个小时是常事。

这套成本降不下来，机器人训练的数据就永远攒不够。

于是，“从仿真到现实”这套流程，从实验室的冷门话题变成了兵家必争之地：

先把真实环境快速搬进虚拟世界，再批量做随机化，电线换个方向弯、杯子换个颜色摆、光照随时变，让机器人在虚拟环境里把该踩的坑先踩一遍。

World Labs今年7月悄悄把专攻机器人仿真的SceniX收进囊中，Atlas正是这条战略第一次以模型形态落地。

而把镜头拉长一点，你会发现给AI造“练功房”这件事，人类其实练了很多年。

上世纪30年代，美国人埃德温·林克捣鼓出第一台像样的飞行模拟器，二战期间数十万盟军飞行员先在模拟舱里摔够了，才被允许登上真机。那会儿连晶体管都还没影儿，全靠机械装置硬模拟仪表反应。

到了自动驾驶时代，这套打法卷土重来：Waymo曾公开披露，它的系统在虚拟环境里跑出的测试里程，比真实路测高出两个数量级不止。

飞机靠模拟舱练出飞行员，汽车靠仿真路练出老司机，如今轮到AI，它要练手的对象是整个物理世界。

把历史看明白了，再看资本的动作就不难懂。

这两年涌进世界模型赛道的钱以百亿计，资本赌的早不是哪家的画面更漂亮，谁能用最低成本把真实世界搬进模型、让AI在里面反复试错，谁就站在下一代AI的上游。

而Altas的方向，有望让数据采集和仿真成本断崖式下降，使得初创公司无需依赖巨额硬件投资即可完成机器人训练，有望推动“仿真优先、真机验证”新范式普及。

AI要想真正理解物理世界，还为时尚早。

但Atlas至少证明，几何做对这件事，是个可以被工程化解决的，而且一旦做对，立刻能变成产品力。

世界模型的竞赛，正在从“谁生成的画面更像真的”，转向“谁生成的状态更经得起算”。

从渲染器到模拟器，这一步跨过去，AI才算真正摸到物理世界的门。

Atlas是把门推开了一条缝，物理AI，终于有了第一块踏脚石。