单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

只用 3 部固定在三脚架上的 iPhone，Atlas 就能重现《黑客帝国》式的“子弹时间”，让镜头绕着凝固的动作移动。

这是 World Labs 最新发布的世界模型 Atlas 展示的能力之一。据 DeepTech 此前报道，这是全球首个多模态世界模型。它能以像素级精度控制镜头，根据参考图生成最长 1 分钟、最高 1,440p 的视频，还可用 1 张至数十张图像重建真实空间，输出新视角画面和显式 3D 结果。

近日，World Labs 联合创始人李飞飞、Justin Johnson 和 Ben Mildenhall 做客 a16z Show，与主持人 Martin Casado 讨论 Atlas。谈话从设计选择展开，也回顾了团队由多模态世界模型 Marble 转向 Atlas 的过程。

对谈中，团队将 Atlas 的核心能力称为“新视角预测”。区别于一般视频模型沿时间轴预测下一帧，Atlas 能够根据已有画面与相机位姿等，判断镜头移动到另一个时空位置后会看到什么。

李飞飞认为，生成具有空间语境和现实依据的像素，是通往空间智能的一步。这种能力既能帮助创作者维持场景与物体的一致性，也可能把现实环境转成机器人训练所需的模拟空间。

谈及后续路线，团队计划增强模型对动态变化和场景编辑的支持，并探索与机器人行动规划的结合，使其从呈现三维世界逐步走向理解和参与其中。

预测一个未被拍下的视角

对谈从 Atlas 如何生成、重建和模拟世界出发。据 World Labs 团队介绍，Atlas 在预训练阶段共同处理文本、图像、视频、相机位姿和 3D 信息，并将其编码为“空间上下文”。每张图像都关联着三维相机位姿，位置和朝向得到明确标记。

除了相机参数，Atlas 还把深度图作为原生输入。RGB 图像记录某个位置看上去是什么样，深度图则描述物体与相机之间的距离，帮助模型判断前后遮挡和空间结构。换句话说，模型处理的不只是连续画面，还包括画面背后的三维关系。

图｜播客对谈现场（来源：a16z 视频）

李飞飞提到，计算机视觉发展半个多世纪以来，像素生成、识别和三维重建通常分属不同研究方向。Atlas 以视点和相机位姿估计为锚点，把像素生成与像素重建放进同一个模型，使两类任务可以在一套架构中相互配合。

图｜Atlas 统一生成与空间重建（来源：World Labs官网）

此外，Atlas 还试图降低三维重建对密集拍摄的依赖。Ben Mildenhall 表示，传统方法需要让每处表面至少出现在 3 至 4 个视角中，拍摄一个房间可能需要 100 至 300 张照片。Atlas 有望将数量降到约 3 张，相当于减少 50 至 100 倍。

让空间进入真实工作

图｜Atlas 生成机器人模拟视角（来源：World Labs 官网）

不过，要训练机器人策略，模拟环境不能只停留在静态画面的复现。当机器人策略采取动作，环境还可能以意料之外的方式响应，训练就需要覆盖尽可能多的异常与失败情形。

参考资料：

1.https://www.youtube.com/watch?v=qn1QDDBnTA0

2.https://www.worldlabs.ai/blog/atlas#spatial-reconstruction

3.https://www.worldlabs.ai/blog/atlas#robotics-simulation

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事