mylogs.cn

李飞飞Atlas世界模型：一张照片生成3D世界

2026 年 9 月 14 日

发布于

李飞飞创立的 World Labs 于 9 月 1 日发布 Atlas，官方称其为“全球首个多模态世界模型”。它的核心能力是：输入一张或几张普通照片，就能生成带像素级相机控制、最长 1 分钟 1440p 的可探索视频，并重建出包含点云与 3D Gaussian 显式表示的真实 3D 场景。这意味着 AI 从“生成一段好看的画面”迈向“生成一个可以走进去、用起来的世界”。

Atlas 和普通视频生成模型有何不同？

过去两年的 AI 视频工具（如 Sora、可灵、Runway）本质是“像素预测”：模型学习“下一帧长什么样”，但不一定理解画面背后的几何、物理与空间结构，一旦要求复杂运镜就容易变形穿帮。

Atlas 的官方口号直白地划清了边界：建模世界（Model worlds）、移动相机（Move cameras）、模拟空间和时间（Simulate space and time）。它不学习“下一帧”，而是学习“一个可由移动相机观察的三维世界”。其架构为“多模态自回归扩散 Transformer”，从零预训练；关键设计是“空间上下文”——把相机位姿、3D 深度图作为原生输入，空间成为模型的先验，而非像素的附庸。

Atlas 能做哪四件事？

– 相机控制生成：输入 1 至 6 张图片并指定相机轨迹（推近、环绕、摇移），生成带像素级相机控制的视频，最长 1 分钟、1440p 分辨率。相比传统视频模型“靠提示词猜运镜”，这里是用户直接给定坐标。- 空间重建：基于输入图像重建真实场景，典型场景 2 至 3 张图即可保真，最多可接受 100 张以上输入；输出点云与 3D Gaussian Splats。官方演示中，斯坦福校园仅用 2 至 25 张地面照片就生成了航拍漫游路径。- 时空模拟：输入一段视频，同时建模其中的空间与时间，转换观察视角、制作戏剧性运镜，相当于给已有素材一个“虚拟导演”。- 图像与全景生成：文本生成图片与 360° 全景图，能准确渲染画面中的文字并覆盖多种视觉风格（官方称这并非主攻方向，而是“每个图像都是一扇通往可能世界的窗口”的自然副产品）。

评测表现如何？

以下为 World Labs 官方自报数据（第三方人类评分 + 官方复现基线），供参考：

评测维度	Atlas 结果	对比基线
—	—	—
相机控制人类评分胜率	75%–94%	优于 MiniMax H3、Gemini Omni Flash、FLUX 3、Seedance 2.5
稀疏视角 3D 重建 AbsRel 误差(×10⁻³)	25.3	低于 Pi3X(28.7)、π³(34.7)、VGGT-Ω(36.4)、Depth Anything 3(39.3)

需要说明的是，Atlas 的参数量、训练数据与算力规模目前均未公开，上述基准属于厂商自报，独立验证仍待进行。

它最大的价值在哪里？

Atlas 最受关注的落点在具身智能（Embodied AI）。机器人训练的最大瓶颈是缺乏廉价、可控、可规模化的真实经验——真实数据采集成本极高且难覆盖多样场景。Atlas 打通了一条路径：几张照片即可生成逼真的 RGB 与深度数据，让机器人在多样化的模拟空间中训练与测试。这正是英伟达机器人业务负责人 Jim Fan 所称“机器人 Real-to-Sim（真实到仿真）的一大步”，也是李飞飞团队 7 月底发布的 Real-to-Sim-to-Real 系统闭环的关键一环。对影视行业同样意义重大：传统特效需数百机位采集、人工建模，而 Atlas 用几张照片就能补全可探索的三维场景。

和谁在竞争？

世界模型赛道已不孤单。Google DeepMind 的 Genie 3（2025 年 8 月发布）可生成 20 至 24 帧每秒、720p 的交互世界；NVIDIA 的 Cosmos 世界基础模型直指机器人与自动驾驶，下载量已超 200 万次。学术路线也存在分歧：Yann LeCun 主张表征派（I-JEPA），认为生成式像素预测是“幻觉”，应预测抽象状态表征；World Labs 则押注“持久、可编辑、物理一致的显式 3D 空间”。批评者指出，Atlas 目前公开的评测只覆盖相机条件生成与 3D 重建，流体、布料等复杂物理仍是全行业未解难题。

现在能用吗？

Atlas 目前处于早期访问（early access）阶段，优先面向合作伙伴，开发者可通过官网提交申请；它将成为未来 Marble 及 World Labs 其他产品的底层基础模型。World Labs 累计融资约 12.3 亿美元（投资方含英伟达、AMD、Autodesk、富达等），估值约 52.9 亿美元。