2026 年 11 月,机器人学习顶会 CoRL 在奥斯汀开幕,斯坦福教授、ImageNet 发起者、World Labs 创始人李飞飞发表演讲,正式介绍 World Labs 与斯坦福团队研发的新模型 Atlas——一个统一的生成与重建世界模型。这场演讲也被外界视为她在 AMD 收购 World Labs 后的首次公开亮相,AMD CEO 苏姿丰随后与她同台对话。

李飞飞从机器人学的根本问题切入:给定世界状态、目标和机器人,每一步该做什么?她认为机器人需要解决三件事——理解并表示世界状态、预测有后果的动作并规划、以及应对数据稀缺的长尾难题。这三者恰好对应世界模型的三大维度:渲染、规划与仿真。Atlas 主要聚焦渲染与仿真,尤其是模拟世界的几何与 3D/4D 动态。

从技术路线看,Atlas 试图用一个模型架构、一套训练配方,把长期分离的 3D 重建与生成式 AI 统一起来。传统三维重建依赖大量带位姿的图像,位姿覆盖不足时重建区域充满不确定性;扩散架构虽适合多视角生成,但空间一致性难维持、计算昂贵且难以实时。Atlas 的核心思路是“视角即一切”,以强相机条件下的下一视角预测为目标函数,采用多视角自回归扩散 Transformer。

这种设计让 Atlas 能在不同任务间自由切换:输入多张图像时做稠密重建;只给文本提示时做纯生成,输出多帧视角一致的图像;只给极少量视角甚至单张图时,先估计相机位姿,再生成尽可能多的视角,完成稀疏重建。李飞飞以斯坦福主广场为例:仅给两张图时,模型“幻觉”出一个神似但非真实的广场;给 8 张图时能还原全貌但缺失纪念教堂;给 33 张地面拍摄图后,模型不仅重建出完整广场,还生成了输入中不存在的航拍视角。

量化表现方面,李飞飞提到,一家事先并不知情的第三方机构用约 50 万次人工判断对多个先进视频模型做相机控制生成盲测,Atlas 排名榜首且明显领先第二名。Atlas 能生成超过 60 秒、视角一致的视频。她还对比了一年半前的上一代模型,当时生成范围和几何一致性有限,曾被批评为“橱柜模型”,如今已从橱柜走进大得多的世界。

重建能力上,Atlas 在深度预测任务跨 7 个数据集测试中超过专用 3D 重建与深度预测模型;后置接上高斯泼溅表示后,在 6 个数据集上的重建误差也达到很强的 SOTA 水平。输入视角数量可从稀疏平滑过渡到稠密。演示中,仅用 3 台 iPhone 就重建出《黑客帝国》式的“子弹时间”时空动态场景;模型蒸馏后实现 15fps 实时运行,保真度和视角一致性依然良好。

机器人仿真方面,李飞飞表示 Atlas 有潜在应用,团队正在测试将其用于训练导航机器人,以及把真实世界接入仿真、再回到真实机器人操作——这些机器人只在仿真虚拟世界中训练,却能零样本部署到真实世界。她透露 Atlas 很快将向全世界开放。

从产业视角看,Atlas 的意义在于把生成与重建从两套割裂的流程压缩进单一自回归模型,这既降低了高质量 3D 内容与仿真环境的生产门槛,也对底层算力吞吐提出更高要求——多视角自回归扩散加实时生成正是典型的重算力场景。对机器人行业而言,若仿真到真实的零样本迁移得到验证,数据稀缺这一长尾瓶颈有望部分缓解;对创意与游戏产业,精确相机控制和物体交互则打开了新的内容生产工具。不过,这些应用目前多处于测试或演示阶段,实际部署效果仍需观察。