Atlas：让机器学会"进入"

2026-09-20 · 人工智能

九月初，李飞飞创办的 World Labs 发布了一款新模型，叫 Atlas。

在希腊神话里，阿特拉斯是用肩膀扛天的巨人。我不知道取名字的人有没有想到这一层，但这个名字让我愣了一下——因为李飞飞这次要扛的东西，比"让机器看懂一张图"重得多，而且重得有点不讲道理。

从"看见"到"进入"

我最早记住李飞飞，是因为 ImageNet。

在那之前，计算机视觉在原地打转了挺久。大家都忙着改进算法，收效甚微。李飞飞的判断和别人不一样：问题不在模型，在数据。她花了三年，顶着同行"这是浪费时间"的质疑，建起了一千四百多万张人工标注的图像库。后来的事我们都知道了——2012 年 AlexNet 在这个数据集上一战成名，深度学习换了赛道。

那是让机器第一次"看见"。

而 Atlas 要做的，是让机器第一次"进入"。从"看见"到"进入"，听着像是一小步，其实隔着一整座山。

几张照片，一个可以走进去的世界

Atlas 的本事，我尽量用大白话说。

给它两到三张真实场景的照片，它能重建出一个三维空间。不是那种只能转着看的模型，是你可以走进去、可以动手改的那种。官方说，它对空间的理解，已经超过了专门做三维重建的最先进模型。

再给它一条相机路径，它能生成一分钟的视频，最高 1440p。让我觉得有意思的，不是"能生成视频"——这年头会生成视频的模型比会做饭的人还多——而是它把相机的移动当成一种精确的输入。镜头往哪走、走多快，像导演一样指，而不是靠一句"镜头缓缓推近"这种糊弄人的话去猜。

还有一件事，普通观众大概不会在意，但做机器人的人会。从一段手机拍的视频里抽二十四帧，它就能重建一个大环境，顺便把机器人传感器要用的那些数据也生出来。这意味着什么，先卖个关子。

语言已经到顶了

李飞飞不止一次说过一个判断：语言模型正在撞墙。

她的理由我大致明白。文字是扁平的。它没有深度，没有运动，没有后果。一句话说错了，改回来就是，天塌不下来。但物理世界不是这么好说话的地方。一个机器人伸出手，抓错了位置，东西会掉下来；一辆车判断错了距离，是会真的撞上去的。

所以 Atlas 要解决的，不是"生成更漂亮的视频"，而是让机器真的懂空间——懂物体之间的远近、遮挡、因果。这不是个图像问题，是个世界问题。世界问题，向来比文字问题难伺候得多。

为什么是现在

把时间线铺开，会发现这次发布不是孤零零冒出来的。

今年二月，World Labs 完成了十亿美元的融资，估值到了五十亿美元上下，英伟达、AMD 都在名单里。七月，它收购了一家做机器人仿真的公司 SceniX。再到九月，Atlas 发布，官方明说：Atlas 会驱动它现有产品 Marble 的下一代。

这三步连起来，指的都是同一个地方：机器人。

训练一个机器人，最难的不是算法，是数据。真实世界的数据又贵又慢，所以行业的土办法是"先在数字世界里练，再回现实里用"。一个能高保真重建物理世界的模型，正好是这个环节里最值钱的那块。Atlas 的价码，也许不在它自己身上，而在它让"训练机器人"这件事头一回有了个可规模化的入口。翻译成大白话就是：以前得真金白银搭场地、抓数据，现在可以先在电脑里折腾了。

一点私人的想法

读完这些材料，我脑子里挥之不去的，是很久以前读到的一句话。李飞飞在她的 TED 演讲里说，她梦想有一天能唤醒一台电脑，让它"看见一个充满温暖、同情与爱的世界"，但眼下，我们得先教会它"看见"。

从 ImageNet 到 Atlas，中间隔了差不多十五年。她当年要教机器"看见"，现在要教机器"进入"。

我有时候会想，技术走到最后，真正难的从来不是算法，而是我们愿不愿意把自己对世界的理解，一点点地，教给一个还什么都不懂的机器。这既是一种托付，也是一种冒险。换个角度讲，这事儿还挺像养孩子的——只不过这个孩子，学东西快得吓人，而且不太会抱怨。

本文事实均来自 World Labs 官方发布与公开融资记录，逐条信源见「[AI 动态追踪](../notes/AI 动态追踪.md)」。本期只写 Atlas 一个主题。