Justin Johnson

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。”

🔗 原始收听与视频来源： 为什么世界模型可能改变机器人、3D与创意产业

World Labs押注空间智能将与语言智能互补，成为下一代基础模型前沿，而算力终于大到足以攻克这一方向。 Justin Johnson估算，自AlexNet以来，单卡性能提升约1,000倍，训练规模也从单卡扩展到数百、数千乃至数万张GPU，使单个模型可调用的算力约多出100万倍。视觉、空间与世界数据需要更多处理，这让世界模型成为下一个合理的Scaling前沿。

Marble是一枚刻意设计成两面性的楔子：现在就是有用的3D产品，同时也是通向通用世界模型的第一步。 它接受文本、单张或多张图片，生成可编辑的3D世界，并支持精确布置摄像机和导出；游戏、VFX、电影、室内设计以及潜在的机器人仿真，都是正在出现的用例。World Labs有意避免把它做成纯粹的“科学项目”，而Fei-Fei Li称Marble是更大空间智能技术栈的“第一眼”。

当前的技术选择——Gaussian splats——把生成对象变成可导航的几何体，而不是一串视频帧。 Splats可以在手机和VR设备上实时渲染，但如果要在4年前的iPhone上以高分辨率跑到30–60 fps，就必须限制密度和保真度。其他系统已经采用基于帧的生成，未来也可能给粒子附加质量或弹簧，或者使用基于token的表示；数据结构并非永久不变。

物理是当前最大的未解能力缺口，也是创意工具与可信工程软件之间的分界线。 模式拟合或许能预测看似合理的轨道，却未必能推导力向量或“F等于MA”；Fei-Fei表示，尚“没有迹象”表明潜在建模能够得到因果定律，而Justin希望物理能力能在规模扩大后涌现。对电影背景来说，合理性已经足够；但对必须屹立不倒的建筑来说，还远远不够。

商业化的扩张路径是横向的，但先后顺序仍被刻意保留为开放问题。 创意产业是Marble的滩头阵地；室内设计Beta用户已经可以重建并编辑房间，而机器人则可能利用生成世界，填补稀缺真实世界数据与不可控互联网视频之间的“重要中间地带”。Fei-Fei表示，是否直接进入具身应用，“还有待决定”。

World Labs的讨论并不意味着要抛弃transformer，而是指向多模态与更丰富的学习闭环。 Attention仍然有效；Justin指出，transformer原生建模的是集合，1D顺序来自位置嵌入，因此空间token不必以架构推倒重来为代价。真正缺失的要素，可能是提出假设、采取行动、证伪并在线更新，而不只是改变模态。

人才与研究瓶颈不只是资本问题：学术界资源不足，也太容易被前沿实验室的Scaling路径吸引。 Fei-Fei为BEHAVIOR等开放基准辩护；Justin希望学术界去追逐“疯狂的想法”，包括在集群取代单GPU之后，探索矩阵乘法之外的分布式计算原语。他对硬件的警告很具体：从Hopper到Blackwell，单位功耗性能“基本没变”，这为押注10–20年的架构研究留下了空间。

🔗 原始收听与视频来源： LLMs之后：空间智能与世界模型——World Labs 的 Fei-Fei Li 与 Justin Johnson