微博李飞飞发布Atlas：不向公众开放，先给机器人造数据
美西时间9月1日、北京时间9月2日，李飞飞创办的World Labs在官方博客发布新一代世界模型Atlas。与2025年11月直接对所有人开放的上代产品Marble不同，官方称这个新一代模型目前只进入早期访问、面向部分合作伙伴：页面上只有一个申请表单，没点名任何合作方，也没有API和定价。
官方给出的演示口径却不保守。输入1到6张图片，配上手工设计的相机路径，最长可输出1分钟、1440p分辨率的视频，并强调“像素级相机控制”；把2到25张地面照片放进去，斯坦福主方庭就能被重建成可以从空中飞越的三维场景。
一家把“生成三维世界”当生意的公司，为什么在更强的模型上主动把门关上？答案藏在它反复强调的另一个用途里：给机器人造数据。
“全球首个”是媒体标签，官方自己的说法不同
围绕Atlas的传播里，最抢眼的是“全球首个多模态世界模型”这一表述，财联社9月2日以此为题把它放上头条。但对照原始来源，这个定语立不住：官方博客标题是“Atlas: A World Model for Spatial Intelligence”，正文称其为“我们的新一代全模态世界模型（new omni world model）”，作者落款是World Labs团队，通篇没有“首个多模态世界模型”之类的说法。更直接的反证在公司自己的时间线上——2025年11月Marble那篇博客的标题就叫“Marble: A Multimodal World Model”，正文称其为“frontier multimodal world model”。
所以“首个”属于转述标签，既不是厂商宣称，更不是第三方认证。真正能立住的技术表述是另外一句：Atlas同时输出像素和显式三维结构。官方描述，重建任务的输出既包括新视角下的图像帧，也包括点云或3D高斯泼溅（一种把场景表示为大量带颜色参数的三维点的表示方法，可以被程序直接读取）；它的输入也不只是图片，还包括每张图绑定的相机位姿和深度图——官方把这套把图像、视频与三维统一编码的机制称为“空间上下文（Spatial Context）”，模型本体则是一个多模态自回归扩散Transformer，从文本、图像、视频和3D数据上从零预训练。
这一步的区分度不在“画面更像真的”，而在输出物能否被下游程序接着用。视频生成模型的产物是给人看的，Atlas声称自己交出的东西可以被导入仿真器、参与计算、被机器读取。
四个能力，加一个更值得盯的第五个
官方博客把Atlas的能力列成四类：像素级相机控制的新视角视频生成；从1张到上百张图的稀疏视角三维重建（官方称通常2到3张即可较忠实重建）；用3到5个手机机位的素材重拍“子弹时间”镜头；以及文本生成图像与360度全景。官方还称，为机器人场景重建环境时，每个环境只用了手机视频里的24帧画面。
第五类能力只出现在一小段话里，却是这家公司真正的意图：官方称，“当仿真的机器人在空间中移动时，Atlas同时会生成它的传感器本应看到的RGB图像和深度数据”。也就是说，模型不只造场景，还顺手把机器人“眼睛”要用的那批观测数据一并生成出来。
这条线索早就埋下。7月28日的官方博客《Building Worlds That Train Robots》中，公司写下过一句更直白的话：与训练语言模型所用的互联网数据不同，“机器人的经验采集昂贵且难以控制”，具身智能的关键瓶颈“不只是架构，而是大规模的经验与评测”。该文的方案是把一个真实任务重建进仿真，再批量改变外观、物体配置、杂乱程度、物理参数、机器人初始状态和相机视角，官方对此的口号是“一个真实任务，上千个变体”。
机器人最贵的不是算法，是“经验”
那篇博客披露了World Labs自己的评测协议：每个模型检查点跑2000次仿真试验（1000次分布内、1000次分布外），外加100次真机试验；在笔、马克笔等抓取任务上，使用RB-Y1、YAM、Flexiv、xArm等机器人平台“自主运行一小时无干预”，而策略训练阶段用的是“零真实世界训练数据”。
需要强调，以上全部是厂商自述，没有第三方复现，也没有给出成功率百分比。但组织与资本层面的动作可查：7月21日，机器人与仿真公司SceniX并入World Labs（博客标题使用“Acquires”，正文只写“joined”，金额与条件均未披露）；2月18日，官方博客称公司已获得10亿美元新融资，列出的投资方包括NVIDIA、AMD、Autodesk、Fidelity、Sea等，但未披露估值。给世界模型出钱的，同时是卖算力和机器人仿真工具链的那批公司。
这条赛道也没有独家秘密。英伟达官网对Cosmos 3的定位是“开放的物理AI基础模型”，明确写着“把视频生成当作想象来训练物理AI，从而不受真实拍摄内容的限制”，并把模型权重开源在Hugging Face上。分歧在于路线：英伟达走开源权重加工具链、把生态留在自家GPU上；World Labs走闭源模型加自有产品分发（Marble、1月21日上线的World API）；谷歌的Genie系列更偏向可交互世界生成。Atlas在其中的差异点，仍是它把“像素+显式三维+传感器数据”绑在同一个模型里输出。
它现在还不能证明什么
第一，效果没有独立验证。官方关于“优于近期视频模型”“优于最好的专用开源重建模型”的结论，来自第三方人工评测者打分，基准表以图像形式呈现，可读正文里没有数据集名称与具体误差数值。国内报道中被引用的“DTU数据集25.3‰重建误差”，在官方博客正文中找不到对应数值和单位口径，只能存疑。官方自己也承认，“没有单一基准能完整刻画它的通用性”。
第二，输入越少，模型补得越多。官方在演示中承认，单张图片案例里“其余场景是被想象出来的”，并写下“它看到得越多，想象得就越少”。对做影视的人来说这是优点，对做训练环境的人来说这是风险——没拍到的区域属于模型推断，这些区域能不能拿来训机器人，取决于几何与物理误差能否被量化。长路径生成还可能出现几何漂移与纹理闪烁。
第三，商业入口还没打开。未点名合作伙伴、没有API、没有定价、没有公开上线时间。参照公司自身节奏，Marble从研究预览到全面开放大约用了两个月，而Atlas的官方表述是它将“驱动未来版本的Marble”。
因此更准确的判断是：Atlas在内容生成端的价值是可见的效率提升，在具身智能端的价值目前只是一个自洽的技术方案。假如后一条路被验证，成本结构最先被撬动的不是机器人本体制造，而是手工搭建仿真环境、外包数据采集和遥操作示教这条链。反过来讲，机器人能力的提升也不取决于有没有一个逼真的虚拟世界，力控、本体可靠性和真实部署数据仍是硬约束。
接下来值得盯的是四个信号：会不会公布可复现的定量基准（重建误差、位姿误差、长程一致性）；早期访问名单里有没有具名的机器人或自动驾驶客户；是否接入World API并公开定价与推理成本（RTFM当年的口径是单张H100实时生成，可作为算力成本参照）；以及，会不会有人公布sim-to-real的迁移成功率。
一个只向少数伙伴开放的模型，至少说明厂商自己判断它还没到“给人用”的阶段——但它显然已经在准备“给机器用”。
参考数据来源
- World Labs · Atlas: A World Model for Spatial Intelligence · 2026年9月1日 · https://www.worldlabs.ai/blog/atlas
- World Labs · Building Worlds That Train Robots（Real-to-Sim-to-Real） · 2026年7月28日 · https://www.worldlabs.ai/blog/real-to-sim-to-real
- 财联社·科创板日报 · AI教母披露“里程碑式”成果！全球首个多模态世界模型来了 · 2026年9月2日 · https://www.cls.cn/detail/2471956
