World Labs 發表 Atlas：能夠生成、重建與模擬任何世界的全模態世界模型

2026 年 9 月 1 日，由 AI 先驅李飛飛（Fei-Fei Li）創辦的空間智慧公司 World Labs，正式揭曉了新一代「全模態世界模型」Atlas。大型語言模型預測下一個 token，影片模型預測下一格畫面，而 Atlas 的目標更為宏大：在一個統一架構下原生跨越文字、影像、影片與 3D，去生成、重建與模擬整個世界。

這是該公司自 2024 年 12 月首次展示「單張照片生成 3D 世界」以來最重要的研究里程碑，也正值「世界模型」成為 AI 領域最激烈的戰場之一。World Labs 於 2026 年 2 月完成 10 億美元融資（其中 2 億美元來自 Autodesk），收購了機器人模擬新創 SceniX，並於 2025 年底推出首款商業化產品 Marble。該公司表示，Atlas「將驅動未來版本的 Marble 與其他產品」。

Atlas 究竟是什麼

在技術層面，Atlas 是一個從零預訓練的多模態自回歸擴散 Transformer，這三個詞各自承載著關鍵意義：

• 多模態（Multimodal）——Atlas 原生處理文字、影像、相機姿態與 3D 深度圖，影片則表示為影像序列。最關鍵的是，每張影像與深度圖都以明確的相機姿態為條件，讓空間控制成為架構的一級公民，而非事後補上的外掛。
• 自回歸（Autoregressive）——如同 LLM，它處理序列資料，一次生成一個輸出元素，並以先前的所有內容為條件。每種任務都只是另一種序列。
• 擴散（Diffusion）——Atlas 是一個 rectified flow 模型，透過逐步去噪生成輸出，擅長處理高維度連續資料，並可在推論時透過調整去噪步數在速度與品質之間取捨。

貫穿全局的核心概念，是 World Labs 所稱的空間上下文（spatial context）：所有輸入被整合進一個共享表徵，其中每張影像都錨定在 3D 空間中的特定位置。Atlas 據此生成「接下來的內容」，與所見的一切保持幾何一致——同時想像視野之外的世界。該公司指出，這個設計刻意從兩個世界取經：LLM 側的 KV 快取、快取感知路由與分離式服務，以及影片模型側的擴散蒸餾、classifier-free guidance、位移噪聲排程與現代 VAE 設計。

四大能力支柱

相機控制生成。 Atlas 從一張或多張參考影像出發，以「像素級精準」的相機控制生成影像與影片——相機幾何是原生輸入類型，而非「向左平移」這類粗糙的文字指令。輸出可達最長一分鐘的 1440p 影片。在一個令人印象深刻的示範中，模型僅憑一張照片就建構出完整可探索的場景，正確推斷出機器人的背面，並猜到泳池旁應該有一片草地。

空間重建。 Atlas 僅需一到三張輸入影像即可重建真實場景——不需要捕捉設備、不需要密集視角——同時產生新視角畫面與明確的 3D 輸出（點雲與 3D Gaussian splats）。輸入影像越多，它「想像」的成分就越少：給它上百張影像，它能如實重現完整的真實環境。在一個例子中，它用 2 到 25 張地面照片重建了史丹佛主校區（Main Quad），進而生成高空中飛越校園的鳥瞰路徑。

時空模擬。 Atlas 也是一個世界模擬器。視覺特效方面的亮點：只需三支架在腳架上的普通手機拍攝的片段，它就能凍結時間、從不可能的角度重新取景——等於把「子彈時間」攝影棚塞進一個後背包。機器人學方面的意義更大：用一段隨手拍攝的 24 格手機影片，Atlas 先把空間重建為 3D，再生成模擬機器人身載相機沿任意路徑行進時會觀察到的 RGB 與深度資料——還能改變物體、位置、光線與背景，大規模產生涵蓋剛體、關節與可變形物件的 Real-to-Sim 訓練資料。

影像生成。 雖非主要定位，Atlas 仍是能幹的影像生成器：能遵循複雜提示詞、渲染文字、生成 360° 全景，並橫跨多種視覺風格。

數據會說話

在相機控制生成方面，第三方人類評測員針對相同的輸入影像與相機路徑，對 Atlas 與各家領先影片模型進行頭對頭評比。結果一面倒：評測員偏好 Atlas 的比例，對上 MiniMax H3 為 75%、Gemini Omni Flash 為 81%、Happy Horse 1.1 為 86%、FLUX 3 為 93%、Seedance 2.5 為 94%——而且相機軌跡越複雜，Atlas 的優勢越大。

在稀疏視角 3D 重建方面，作為通才的 Atlas 以平均 25.3（×10⁻³） 的絕對相對點圖誤差，擊敗了最好的專用開源重建模型，領先 Pi3X 的 28.7、VGGT-Ω 1B 的 34.7、Depth Anything 3 的 36.4、π³ 的 39.3 與 MapAnything 的 47.7（七個標準基準平均）。逐資料集的勝績包括 DTU（8.6 對 11.1）、ETH3D（9.3 對 18.7）、ScanNet（12.4 對 15.7）與 7-Scenes（37.8 對 39.3）。

規模化才是重點

World Labs 同時發布了規模化證據：團隊訓練了一系列規模與訓練算力遞增的 Atlas 模型，發現「每一級新的算力都解鎖了新的模型能力」。該公司表示預期這個趨勢將隨著持續擴大規模而延續——這是一個明確的訊號：Atlas 是被設計來持續堆疊的地基，而非一次性的展示。

為什麼重要

在聊天機器人與編碼代理之後，世界模型已悄然成為 AI 熱潮的第三條戰線。機器人公司需要不必手工打造數位分身的模擬器；遊戲與電影工作室想要可控的世界生成；而企業級 3D 世界——CAD、BIM、數位孿生——正是 Autodesk 透過 World Labs 投入 2 億美元想切入的市場。

Atlas 的賭注在於：純 LLM 路線與純影片模型路線都無法獨自抵達終點。藉由讓相機姿態與深度成為原生輸入類型、把一切錨定在共享的空間上下文中，World Labs 主張：空間智慧——李飛飛長年倡導的命題——需要從第一層就為空間而設計的架構，而不是事後縫補。基準數字顯示，這個通才已經在專才自家遊戲中勝出——而這正是當年 LLM 吞噬 NLP 之前出現過的模式。

Atlas 現已透過早期存取計畫向特定合作夥伴開放，有興趣的團隊可向 World Labs 申请存取權限。如果規模化曲線繼續成立，今天的 Atlas 未來可能被視為一個轉捩點：世界模型從展示品變成基礎設施的那一刻。