李飞飞团队发布Atlas世界模型：重新定义AI对三维空间的理解

编辑｜徽声在线科技频道

今日，人工智能领域迎来重磅消息：李飞飞创立的初创公司World Labs正式发布新一代世界模型Atlas。该模型演示视频中，李飞飞在办公室叠衣服的场景以惊人真实度呈现，引发科技圈热议。据官方视频链接显示，模型不仅还原了人物动作细节，连衣物褶皱和光影变化都达到以假乱真程度。

李飞飞在社交平台转发时幽默表示：「我们办公室确实在叠衣服，不过这次是AI帮我们完成的！」这条推文引发网友对技术原理的热烈讨论。

技术解析：全模态模型的革命性突破

Atlas被定义为omni model（全模态模型），其核心优势在于从零开始预训练，原生支持文本、图像、视频、3D空间四种数据模态的统一处理。World Labs官方技术文档强调，这是「全球首个实现像素级相机控制、图像视频生成与3D重建的多模态世界模型」。

四大核心能力矩阵

• 相机可控生成：支持1-6张参考图输入，用户可指定任意机位角度生成新视角视频，最高输出1440p分辨率、时长1分钟的动态画面。在测试中，模型成功完成从地面视角到航拍视角的无缝转换。
• 空间智能重建：通过1-50张输入图即可重建真实场景，输出包含点云数据、3D高斯泼溅等显式空间结构。在斯坦福校园重建测试中，仅用25张地面照片就生成了完整的航拍飞行路径。
• 时空动态模拟：突破传统视频处理框架，实现空间与时间的联合建模。该技术已应用于机器人训练场景，通过模拟不同光照条件下的环境变化，提升AI代理的适应能力。
• 全场景图像生成：支持文本生成图像、360度全景图生成等任务。在花园场景测试中，单张地面照片即可生成包含建筑结构的航拍视图，添加第二张小屋照片后自动修正场景布局。

空间上下文：三维世界的「记忆宫殿」

Atlas的创新性体现在其空间上下文（spatial context）架构设计。该模型采用多模态自回归扩散Transformer结构，将每张输入图像锚定在三维空间坐标系中，携带相机位姿信息直接参与上下文构建。这种设计彻底改变了传统视频模型的运作方式：

• 过去：通过文字描述控制相机运动（如「向左平移」），模型理解存在不确定性
• 现在：相机几何参数作为原生输入，实现精确的轨迹控制。测试显示，当输入复杂运镜指令时，Atlas对MiniMax H3的胜率达75%，对字节Seedance 2.5的胜率高达94%

更令人惊叹的是上下文编排能力。当输入两张无关图片并指定空间关系时，模型可自动补全中间场景。例如将站点图片与地面图片组合后，Atlas生成了包含门廊、走廊的完整过渡空间，展现出强大的空间推理能力。

技术架构与性能基准

Atlas采用混合架构设计，融合了LLM与视频模型的双重优势：

• 多模态输入：原生处理文本、图像、相机位姿、深度图，视频数据被分解为图像序列处理
• 自回归生成：通过逐元素生成机制，统一处理不同模态的序列数据
• 扩散模型：采用rectified flow技术，通过逐步去噪实现高质量生成
• Transformer骨干：优化对现代GPU架构的适配，支持千亿参数规模训练

在性能评测方面：

• 3D重建任务：在稀疏视角重建测试中，AbsRel误差指标达25.3×10⁻³，优于Pi3X（28.7）、π³（34.7）等开源模型
• 规模扩展性：训练过程中逐步增加模型规模，每提升一档算力即解锁新能力，但官方尚未公布具体参数量和训练数据规模

应用场景：从内容创作到工业仿真

Atlas展现出广泛的应用潜力：

• 影视制作：实现「子弹时间」特效的平民化制作。测试显示，用3-5台普通相机拍摄的素材，即可生成专业级的多角度回放画面
• 机器人训练：通过统一的世界模型，同步生成环境观测数据与机器人传感器数据。在仓库导航测试中，模型成功模拟不同形态机器人的运动轨迹
• 工业设计：支持物体交互模拟，可批量生成不同光照、背景条件下的产品展示方案

回顾World Labs的发展轨迹：2024年9月完成2.3亿美元融资，2025年推出Marble平台，2026年先后完成10亿美元融资（估值达50亿美元）并收购仿真公司SceniX。此次Atlas的发布，标志着公司从「视觉内容生成」向「物理世界建模」的战略转型。

正如李飞飞在技术白皮书中所言：「当世界模型不仅能创造美丽画面，还能构建可操作的物理环境时，AI将真正获得理解三维空间的能力。」Atlas的诞生，或许正是这个转折点的开始。

更多技术细节与演示案例，请访问World Labs官方博客