李飞飞发布Atlas世界模型 能否撑起12亿美元的想象？｜科技观察

封面新闻记者 边雪

当地时间2026年9月1日，“AI教母”李飞飞创办的World Labs发布了新一代世界模型Atlas。官方称其为“全球首个多模态世界模型”，一个可以原生处理文本、图像、视频、相机位姿与3D深度信息，并在同一套模型中完成世界生成、空间重建和时空模拟的全模态世界模型。

World Labs生成模型。（图源官网）

2024年9月，李飞飞以2.3亿美元启动资金创办World Labs，两年之后，一张照片可以生成三维世界，从“生成好看的世界”转向“生成够用的世界”。

从“生成画面”到“生成世界”

Atlas最直观的突破，在于它将相机控制从“文字玄学”变成了“像素级精确”。

过去，用户在视频生成模型的提示框里输入“镜头缓慢向左拉升、绕着人物微仰角旋转”，结果全凭运气。Atlas的做法是把“相机位姿参数”当作底层原生输入，你要什么角度、什么轨迹、直接给坐标。

只需输入1到6张普通照片，定好运镜轨迹，Atlas就能生成最长1分钟、1440p分辨率的视频。官方演示中，输入一张只拍到机器人正面的照片，Atlas能补全机器人背面；给一张泳池边角照，它能脑补出隔壁没拍到的草坪和远山。

World Labs将Atlas的能力划分为四类：相机控制生成、空间重建、时空模拟和图像生成。

空间重建方面，传统3D高斯泼溅或点云扫描需要扛着专业设备围着目标转几十圈、拍几百上千张照片。Atlas在斯坦福大学Main Quad的演示中，仅用2到25张游客视角的地面平拍照，就还原了草坪、拱廊和纪念教堂外墙的全部细节，并生成了上帝视角航拍漫游。在DTU、ETH3D、ScanNet等公开数据集上，Atlas的稀疏视角重建误差（AbsRel ×10⁻³）达到了25.3。

时空模拟则让Atlas能根据输入视频同时建模空间和时间，支持视频重新构图和机器人的Real-to-Sim（真实到模拟）工作流，

“空间上下文”：给每张照片一个三维坐标

Atlas的核心设计，World Labs称之为“空间上下文”。

架构上，Atlas是一个多模态自回归扩散Transformer。类比大语言模型：LLM把输入编码成context再生成后续token，Atlas流程相同，区别在于进入context的每一张图像都被锚定在三维空间中的一个具体位置，它带着相机位姿一起进来。

这意味着你可以往空间上下文里放两张毫不相关的参考图，并指定它们在三维空间中的相对位置，Atlas会生成一个在两者之间平滑过渡的世界，自己想象出门廊、走道和转角。

李飞飞本人将Atlas视作World Labs的“里程碑式”成果，在社交平台置顶称：“Atlas为从视觉特效到机器人的众多应用场景打开了大门。”其高徒、英伟达机器人主管Jim Fan评论：“这是机器人领域Real-to-Sim的一大步。”

12亿美元与“空间智能”的终局

Atlas的发布，正值World Labs资金弹药充足的时刻。

2026年2月，World Labs宣布完成10亿美元（约合人民币72亿元）融资，投资方包括芯片巨头AMD和英伟达，Autodesk单独出资2亿美元。在此之前，李飞飞2024年9月已筹集2.3亿美元启动资金。

累计超过12亿美元的融资规模，押注的正是“空间智能”这条赛道。

李飞飞与World Labs联合创始人李昀烛曾指出，人工智能的未来绝不能仅依赖缺乏物理约束的语言和文本理解，更要让机器具备感知、推理并与物理空间实时交互的“空间智能”。World Labs始终认为，机器人是空间智能和世界模型极其重要的应用场景。

2026年7月，World Labs推出了Real2Sim2Real物理AI解决方案。而Atlas的机器人模拟能力正是这一路径的延伸——仅需输入几张照片，它就能生成逼真的RGB和深度数据，让机器人在更多不同的模拟空间中进行训练和测试。

竞品方面，Meta的LeCun、Google Project Genie、NVIDIA Cosmos都在布局世界模型。李飞飞认为市场足够大，World Labs有先发认知优势与顶尖团队，专注做“真正理解物理世界的模拟层”。

Atlas目前仅向少数合作伙伴开放早期访问。有开发者公开表示，在Atlas使用过程中，镜头一旦进入原图没有拍到的区域，模型仍需依赖先验去“猜”。“视角跨度越大、生成路径越长，局部几何漂移、物体形状变化和纹理闪烁也越容易暴露。”开发者罗佟锡向记者解释道，所以Atlas生成的更像是一个视觉上合理的三维世界。

从“理解文字”到“理解空间”，李飞飞正在走一条与主流大语言模型截然不同的路。这条路能否跑通，Atlas能否成为AI物理世界的关键拼图，尚需时间检验。