AI教母李飞飞的创业公司 World Labs 正式发布了一款专注于「空间智能」（Spatial Intelligence）的全能世界模型——Atlas。作为云栈社区持续关注的前沿动态之一，Atlas 的定位很明确：生成、重建和模拟任意可能的世界，从底层理解物理世界的呈现、行为与演变。
Atlas 基于多模态自回归扩散 Transformer 架构，通过独创的「空间上下文」将文本、图像与 3D 深度无缝锚定在同一空间坐标系中。它不仅能生成带像素级相机控制的超长视频，还能从稀疏视角重建高保真三维世界，并凭借高精度时空模拟为机器人领域提供 Real-to-Sim 训练仿真。伴随算力与数据的持续规模化扩展，Atlas 有可能重新定义人类生成、重建与模拟物理世界的技术范式。
一、Atlas 核心架构特性
Atlas 从零开始预训练，原生支持文本、图像、视频和 3D 数据。它通过逐步去噪的流匹配（Rectified Flow）方式生成高维度连续数据，并能以自回归的方式每次生成序列中的一个元素，从而灵活适配多种输入与输出任务。这也是它与传统生成模型最本质的区别之一：不是一个工具去「套」另一个任务，而是同一种模型框架同时处理多模态信号。
2、空间上下文（Spatial Context）
语言模型把词元（Tokens）编码为上下文，Atlas 的思路与之类似——它将每张图像和深度图都关联到 3D 空间中的具体位置，形成独特的「空间上下文」。这让 Atlas 能够在不同图像、视角之间平滑过渡，同时维持三维空间的一致性。换句话说，它不是在「猜」下一帧长什么样，而是在空间坐标里推算下一帧应该出现在哪里。
实际使用中，你可以先选择左侧和右侧的框架构建空间上下文，Atlas 会自动把这些框架连接起来，形成连贯的空间轨迹。
3、技术融合与可扩展性
Atlas 融合了现代 LLM（如 KV 缓存、离散化服务）与潜在扩散模型（如扩散蒸馏、无分类器指导）的技术优势。实验显示，模型性能会随着训练算力与多模态数据规模的扩大而持续显著提升。也就是说，这并非一个「差不多能用」的演示模型，而是沿着规模化路径不断变强的底座型架构。
二、四大核心功能与应用
1、相机控制生成
Atlas 支持像素级的精确相机控制。它把精准的相机几何参数直接作为原生输入，摆脱了传统视频模型靠模糊文字描述相机运动的局限。用户可以设计特定的镜头轨迹，模型能从单张或多张参考图像中生成长达 1 分钟、分辨率达 1440p 的高保真视频，并对未见过的场景区域进行合理的空间想象与外推。
当然，这只是能力之一。真正让人在意的是它的泛化表现。
Atlas 能够处理各种场景类型、视觉风格以及摄像机运动方式。从单张图片出发，它可以生成任何角度的视图，点击图片即可切换不同视角。
2、空间重建（Spatial Reconstruction）
Atlas 能够从一个或多个输入图像中重建真实世界的空间场景，不需要特殊采集设备，也不需要几百张高密度视图。这恰恰解决了 3D 计算机视觉中长期存在的「稀疏视角合成」难题。
基于多张图片进行重建：仅凭一到数十张稀疏输入图像，Atlas 即可高保真地重建真实世界的物体与场景。举个例子，Atlas 仅根据 1 到 3 张地面照片就生成了场景的鸟瞰图。
重建不同的路径：Atlas 可以对同一场景生成多种不同轨迹，从而从不同角度观察相同的输入图像。只要提供一组合适的输入图像，它就能生成多条相机路径来遍历同一场景。
直接输出 3D 结果：除了生成 2D 视角，Atlas 还能直接输出 3D 点云或 3D 高斯泼溅（3D Gaussian Splats）。这些结果可直接用于游戏、机器人、VFX 等工作流，并与 World Labs 的 Marble 等产品无缝集成。例如，从一张图片出发，Atlas 可以先生成新视图和 3D 几何模型，再将这些模型转换为 3D 高斯光斑效果。
从单一输入图像开始，Atlas 能够生成完整的 3D 世界模型。它一边生成新视图，一边估算几何结构，从而构建 3D 场景。对于真实空间的视频画面，Atlas 会预测每一帧的深度信息，并将这些信息整合成 3D 重建结果。无论哪种情况，Atlas 都会填补那些从未被任何相机捕捉到的区域。例如，Atlas 可以直接从输入视频中重建出 3D 点云数据。
点云数据可用来估算场景几何结构，而 3D 高斯斑点则让这些结构真正具备实用价值。将点云转化为完整的高斯斑点场景后，就可以在设备上以高分辨率和高帧率渲染。这种表示方式与 Marble 所用的一致，使 Atlas 能自然地与其他产品集成。下面展示的就是由 Atlas 技术重建的高斯分片场景。
3、时空模拟（Space-Time Simulation）
Atlas 既能理解世界的空间结构，也能捕捉世界随时间变化的趋势。空间与时间能力结合后，它在视觉特效、机器人技术等领域都有很现实的落地可能。
视频重构：仅需 3 到 5 个普通手机在不同角度拍摄的视频，Atlas 就能「冻结时间」，重构出任意视角的「子弹时间」画面。
机器人模拟：Atlas 能显著加速 Real-to-Sim（真实到模拟）工作流。它可以模拟机器人导航时传感器可能观察到的 RGB 和深度数据；在物体操作方面，仅凭少量录像就能模拟刚体、关节体和可变形物体的物理交互，并任意改变光照、背景和材质，为机器人训练提供多元化的虚拟测试数据。
Atlas 还能辅助构建仿真模型，捕捉物体之间的运动与互动方式。一旦某个任务被模拟出来，就能灵活修改：更换物体、调整位置、改变机器人运动方式、切换照明效果和背景环境，从而得到多样化的训练数据和规模化的机器人测试环境。
图像生成：虽然图像生成不是 Atlas 的首要定位，但它同样具备出色的表现。Atlas 能遵循复杂提示词、精准渲染文本，并生成各种艺术风格的 360 度全景图。
三、性能与评测表现
1、相机控制超越主流视频模型
在与 MiniMax H3、Gemini Omni Flash、FLUX 3 等近期主流视频模型的对比测试中，第三方人类评估显示 Atlas 展现了极强的相机轨迹遵循能力。轨迹越复杂，Atlas 的领先优势越明显。
2、重建精度击败专门模型
在 DTU、KITTI、ScanNet 等多项 3D 重建基准测试中，作为全能模型的 Atlas 在点图误差（AbsRel Error）上击败了 Pi3X、Depth Anything 3 等多款专门针对 3D 重建优化的开源模型。一个通用模型能在专业基准上压过专用模型，这一点多少有些出人意料。
结语
Atlas 把文本、图像、视频和 3D 数据原生地、自回归地融合进统一的「空间上下文」中，彻底打破了传统生成模型局限于二维平面或孤立帧的桎梏。从超高画质、像素级精准的相机路径控制，到攻克三维计算机视觉中稀疏视角场景重建的长期难题，再到赋能机器人学关键的 Real-to-Sim 时空模拟，Atlas 让创作者和工程师坐上了设计、模拟与重塑世界运行规律的「导演席」。
随着计算算力与多模态数据规模持续扩展，作为通用世界模型的 Atlas 很可能开启一个由空间智能主导、虚实深度交融的全新技术范式。
参考资料：
- 李飞飞的 Twitter：https://x.com/drfeifei
- Atlas: A World Model for Spatial Intelligence：https://www.worldlabs.ai/blog/atlas
发表于 4 天前
|
查看: 2|
回复: 0
