一张照片，AI能脑补出整个世界？
9月1日，李飞飞创办的World Labs发布新一代世界模型Atlas 它不只想生成一段好看的视频，而是要让AI记住：物体在哪里、镜头从哪里看，以及这个空间接下来可能发生什么 举个最简单的例子 给AI一张房间照片，它能认出桌子、椅子和杯子。但镜头绕到桌子背后，那里是什么样？机器人推了一下杯子，杯子会不会滑落？ 识别物体和理解世界，其实是两回事。 Atlas主要有三个值得关注的能力： 1:不让AI猜运镜，直接给它镜头路线 普通AI视频依靠“镜头向左移动”“绕着主体旋转”这类文字指令，模型怎么理解，有点像抽卡。 Atlas可以把相机的位置、方向和运动轨迹直接作为输入。官方称，它能根据1～6张参考图，生成最长1分钟、最高1440p的视频。 创作者不是等AI随机发挥，而是像使用虚拟摄影机一样，提前安排每个镜头。 2:几张照片，补出一个3D空间 Atlas可以从一张到多张图片中生成新视角，并输出深度、点云和3D高斯泼溅场景。 图片越多，真实依据越充分；图片越少，AI需要“脑补”的区域越多。 这也是必须说清的一点： AI生成的背面看起来合理，不代表它就是现实中原本的样子。 3:一个模型，同时做生成、重建和模拟 Atlas采用多模态自回归扩散Transformer 不用被名字劝退。简单理解，就是它一边像大语言模型那样，根据已有上下文逐步生成；一边像扩散模型那样，通过去噪生成图像和视频 更关键的是，它不仅记住前面出现了什么，还会记录这些画面位于空间中的什么位置 但我觉得，Atlas真正值得关注的并不是拍视频，而是机器人训练 机器人要拿起杯子，只认出“这是杯子”还不够。它必须理解距离、角度、碰撞、滑落，以及一个动作可能造成的后果 Atlas可以把手机拍摄的现实环境重建成仿真空间，再改变物体位置、光线、背景和相机角度，为同一个任务制造大量训练场景 机器人可以先在虚拟世界里反复犯错，再把更有希望的策略放到真机上验证 这可能减少人工摆场景、反复重置设备和真机试错的成本李飞飞 Atlas WorldLabs 世界模型 具身智能 机器人 人工智能 空间智能