科幻寓言《平面国》中，主角生活在2D的平面世界，后被3D球体带入空间国，才知晓高度的存在。如今，AI也有望迎来类似的顿悟时刻。

9月2日，“AI教母”李飞飞旗下创企World Labs发布了“全球首个多模态世界模型”——Atlas，该模型不再满足于生成图片、文字，而是可生成具有像素级精确的图像和视频帧，并将其重建为3D世界。

Atlas的核心能力围绕“理解与模拟3D世界”展开，旨在让AI真正理解3D世界的物理法则和几何结构，而不仅仅是生成看起来合理的2D画面，底层创新在于用“空间上下文”（Spatial Context）替换“文本上下文”。

不同于大模型处理文本上下文，Atlas采用多模态自回归扩散Transformer架构，将输入的每一张图片和视频都锚定在三维空间中的一个精确位置，并附有相应的相机位姿和深度信息。这相当于给模型提供了一个带有“坐标轴”和“比例尺”的三维草稿本，让AI在理解世界时有了明确的几何和物理参考。

据World Labs官方介绍，其从头开始对Atlas进行预训练，使其能够接受多模态输入，并将其转化为3D视图。Atlas展现出的关键能力包括：

像素级相机控制：只需1到6张图片，就能生成最长1分钟的1440p视频。更重要的是，用户可以像真正的导演一样，精确规划相机的运动轨迹，让AI生成连续、一致的新画面。

“少即是多”的空间重建：传统3D重建需要成百上千张照片，而Atlas在稀疏视角下表现卓越。在DTU等公开数据集测试中，其重建误差（25.3‰）优于多个专用模型。在一个案例中，它仅凭2到25张地面拍摄的照片，就重建了斯坦福大学的整个主方庭，并生成了高空俯瞰的飞行路径。

“子弹时间”与时空模拟：Atlas能处理普通手机拍摄的视频，组成一套多视角拍摄系统，创造出《黑客帝国》般的“子弹时间”特效，让时间“冻结”并转换视角。

图像生成：Atlas可根据文本描述生成图像及360°全景图，不仅能遵循复杂指令，精准呈现文字，还能驾驭丰富多样的视觉风格。

Atlas更深远的意义，在于打通那条通往“具身智能”的路。该模型被李飞飞本人视为其团队的一个“里程碑式”成果，“这是迄今为止最优秀的相机控制世界模型，为从视觉特效到机器人等众多应用场景打开了大门。”

可以预见，一个用3D视角理解现实世界的AI，能和人类一样看待时间和空间，这将推动多个物理AI场景落地。

视觉特效与内容创作：创作者可以像导演一样精准地控制AI生成视频的每一个镜头，极大地降低了复杂运镜和难度特效的制作成本和门槛。

机器人预训练：这是Atlas意义最深远的一个应用。它解决了机器人训练中“真实数据匮乏”的难题。通过少量真实照片，Atlas就能生成一个逼真的三维模拟环境以及机器人传感器会观察到的RGB和深度数据，让机器人在仿真世界里进行海量训练，再迁移到现实世界，效率将得到质的飞跃。

3D内容生成：改变了3D场景的构建方式。以往需要昂贵设备扫描的场景，未来或许仅凭几张随手拍摄的照片就能在电脑里重建，这将为游戏设计、AR/VR等领域带来新的可能性。

不过，值得注意的是，尽管Atlas展现了强大的能力，但它仍存在明显的技术边界，并非成熟的通用世界模拟器。比如它擅长构建几何连贯的静态空间，对于物体碰撞、复杂动力学的通用物理模拟能力仍待验证。当镜头转向完全未拍摄的区域时，模型依然需要进行“想象”，依靠先验知识补全画面，生成的画面可能并非真实世界的精确复刻，随着生成路径变长，也可能出现局部几何漂移或纹理闪烁。

目前，Atlas已进入早期访问阶段，仅向部分合作伙伴开放，未来它将用于驱动World Labs自家的Marble等产品。