摘要

World Labs刚推出的Atlas引入了一种真正全新的基础模型原语——新视角预测，并首次在单一架构中统一3D重建与生成。 Justin Johnson的表述是：“LLM建立在预测下一个token之上……视频模型建立在预测下一帧之上。Atlas真正预测的是新的视角。” Ben Mildenhall补充称，每张输入图像都带有一个3D相机位姿；相比之下，文本提示视频模型更像“老虎机”。
拍摄经济学的核心是实现50–100×的成本下降：过去每个房间需要100–300张照片的稠密重建，现在3张iPhone照片即可完成。 Matrix的子弹时间效果过去需要绿幕前环绕数百台相机，如今只需3个三脚架，无需昂贵标定；即使删掉旧素材中95%的照片，仍然可以完成重建。Ben称，这“彻底颠覆了我们对什么样的数据能够被重建的理解”。
团队坚持认为扩展才刚开始——此次发布的模型受限于发布期限，而非架构、规模或数据上限。 “我们还处在最初阶段”，算力是主要瓶颈；每次扩规模都“显著变好”。Fei-Fei Li也承认，令她意外的是，新范式预训练的“第一个周期”就能奏效——她原本预计要经历数轮迭代。
机器人论点的核心是数据，而非芯片：目前机器人领域最大的问题其实是数据；总有一天会变成芯片，但现在还是数据。 收购的机器人团队前身为Synapse，可以用Atlas改善痛苦的real-to-sim流程；Johnson提出，数据驱动的神经模拟器可能成为未来的基础设施。Casado随即追问，模拟器本身能否成为一个参与者——这与世界模型的普适性论点一致。
已知短板——动力学——据他们称已经潜藏在模型中，并非像Marble那样的架构限制。 反直觉的训练经验是：即便想得到静态结果，“最佳方式其实是向模型展示动力学”，让模型自行过滤；这一checkpoint只是通过后训练偏向静态，输出中已经能看到波浪和行驶中的汽车。
娱乐之外的商业切入口是设计迭代，因为把反馈转译成3D模型“就是95%的工作”。 建筑、施工乃至展会展台都适用；真正需要跨过的门槛是可编辑性：控制力必须“在不牺牲模型质量的前提下”实现，否则产品最终只会停留在娱乐层面。
收尾论点是AI完备性：“预测下一个视角，等价于预测下一个token。” Ben Mildenhall以进化论作结：“自然赋予动物眼睛，但没有赋予树木眼睛……当你移动时，你就会看到新的视角”（“Nature gave animals eyes. But nature did not give trees eyes… when you move, you see a new vantage point.”）；Martin Casado的评价是：“可能是今年最重要的模型发布。”

精读

1. Atlas的原语：预测下一个视角，而非下一帧

Justin Johnson在发布时总结，Atlas可以生成、重建并模拟世界：基于图像和运动轨迹的相机条件生成，从1帧到约100帧的稀疏3D重建，以及通过子弹时间视频和机器人模拟展示的仿真能力。底层原语是：“LLM建立在预测下一个token之上……视频模型建立在预测下一帧之上。Atlas真正预测的是新的视角。”只要把虚拟相机指向时空中的任意位置，Atlas就能渲染出对应画面。
Matrix演示的原版故事是：Neo坠落镜头需要在绿幕摄影棚周围架设数百台相机；Atlas则只用“3部放在三脚架上的iPhone”，就能重新合成一段时间冻结的飞越镜头——相机掠过空中的牛奶飞溅——无需摄影棚、绿幕或标定。
Mildenhall认为，Atlas与那些自称世界模型的视频模型的区别在于：Atlas中的“每张图像实际上都有对应的3D相机位姿”。因此，只要场景覆盖足够充分，重建就能以极高精度复现所观察到的空间，而不是靠文本提示反复协商生成结果，从而摆脱“每次都要重新生成”的“老虎机效应”。

2. 融合重建与生成，跨越计算机视觉半个世纪的分野

Fei-Fei Li从历史角度指出，重建与生成在过去半个多世纪一直是不同的会议赛道——围绕新视角合成，“我都数不清写过多少篇博士论文”——而一个“优雅地将两者结合或统一起来的模型”会“极其强大”。
促成这一点的是预训练阶段的原生多模态：文本、图像、视频，以及相机位置和深度图都作为一等输入进入模型。Johnson称，这种做法“我认为此前没有人在预训练阶段做过”。
在Fei-Fei的解释中，两部分缺一不可：传统重建可以通过三角测量还原可见点，但所有不可见区域都会留下空洞。即使是世界级专家拿着单反相机拍上数百张照片，也会漏掉麦克风下方和椅腿之间的空间，因此必须由生成来填补缺口，“因为你永远不可能把一切都拍到”。

3. 从Marble的Gaussian splat瓶颈到50–100×更稀疏的采集

World Labs成立已有2年半；去年的Marble以Gaussian splats输出，能够在手机和VR头显上渲染，但固定的输出表示构成了“瓶颈”。Atlas将不同模态拆开，以视角预测作为原语，按需生成RGB、3D或splat世界；这一表示重构经历了“汗水、鲜血和眼泪”般的取舍。
团队给出的稠密与稀疏采集数据是：传统采集“需要这个房间的100到300张照片”；Fei-Fei曾看到一名首次使用者花约2小时扫描一个多房间空间。Atlas将目标降至3张，实现“50–100×的下降”；Mildenhall从旧录制中删掉95%的照片，仍然得到重建结果，并将一栋房子的2,000张照片压缩成30–40张输入，生成几乎相同的飞越镜头。
Mildenhall将其类比为LLM的上下文竞赛：语言模型的上下文从128个token扩展到100万个token，但没有人以同样系统化的方式把上下文推入图像和视频模型——“重建其实就是拥有超长上下文的生成”。
Fei-Fei最喜欢、但最容易被忽视的演示，是用3–25张斯坦福庭院的地面照片生成一段空中飞行镜头——“你看到的一切都是生成的，但遵循的是重建规律”。

4. 信念、足球Slack消息与“我们还处在最初阶段”

Casado问他们是否一开始就知道这条路能走通。Johnson回答“我相当有信心”；Fei-Fei说，3人都“完全相信扩展定律”，但她也保留了诚实的限定：“第一个周期就能奏效，本身简直不可思议。”公司成立时，空间智能领域还没有任何扩展定律可供参考。
内部故事发生在初夏：当时团队还在使用一个较小的、前Atlas模型，Ben把著名的NeRF花园桌数据喂给模型；当天晚上，一条Slack消息显示，相机正从桌子下方飞过一只足球。“我们3人互相看了一眼，说，‘就是它了’……我们 literally 用了5秒就做出了决定。”
至于扩展空间，答案是：“不，不，我们还处在最初阶段。”目前不需要改变架构，算力是主要约束；发布模型的大小由“发布期限”决定，而不是由规模或数据上限决定。

5. 应用场景：3D一致的创意工作流、设计，以及机器人的数据难题

Mildenhall注意到，Marble用户往往上传一张图像，截几张splat场景的截图，然后就离开了；Atlas可以直接生成这些视角，把创意工作锚定在一个3D一致的世界中，而不是与那些“给我废墟的不同角度”却总会发生漂移的模型反复拉扯。“这种一致性和稳健性，是人类以空间类别思考的关键。”
他认为，娱乐之外的切入口在建筑、施工和展会展台搭建，因为把创意总监的反馈转化成3D模型“就是95%的工作，对吧？你开会、获得反馈，然后花一周时间修改。”
Fei-Fei谈到这支机器人团队时提到，它的前身是Synapse，过去依赖“极其痛苦”的稠密重建来完成real-to-sim-to-real流程，而Atlas正是“下一代技术”。她给出了明确判断：“目前机器人领域最大的问题其实是数据。总有一天会变成芯片，但现在还是数据。”这也包括随机化电缆弯曲方式、箱体尺寸和场景布局。
Johnson进一步解释，机器人策略不像代码或图像那样是静态产物，后两者可以从网上获得大量样本；机器人是处在一个“不总是按你预期做出反应”的世界中的智能体，因此训练必须让它接触所有可能出错的情况。由此，他提出数据驱动的神经模拟器；Casado随即追问：“为什么模拟器本身不能成为一个参与者？”

6. 动力学已潜藏，编辑能力是护城河，视角预测“AI完备”

Casado转述了一位专家最尖锐的批评：“需要更多动力学。”Fei-Fei的回应是，Marble在架构和训练上“从根本上是静态的”；Atlas的架构和数据则已经包含动力学信息，包括水面波浪和航拍画面中移动的小汽车。反直觉的经验是，只有静态数据无法扩展，因此“即便我想得到静态结果，最佳方式也确实是向模型展示动力学”，再让模型自行过滤；这一checkpoint只是经过后训练，朝静态结果偏移。
Mildenhall认为，下一个前沿是工业级控制：场景交互、布局、物体身份和时间，“同时不能牺牲模型质量，否则它最终只会成为娱乐产品”。
收尾论点是：正如预测下一个token已经足以构成“AI完备”，新视角生成预测也同样如此。Johnson谨慎地将侦探小说的例子归于Ilya：先读完整部小说，再预测“凶手是……”谁会出现。Mildenhall则给出进化论版本：“自然赋予动物眼睛，但没有赋予树木眼睛……当你移动时，你就会看到新的视角。”预测下一个视角，等价于预测下一个token。

Vol.233 媒体、社区与投资：与张鹏聊极客公园的发展史和宇树投资往事中国一级半市场的水下江湖-续集｜串台苔藓之火