李飞飞的世界模型是什么——从Atlas的发布说起，它可能改变什么？

（来源：金科之家网）

2026年9月1日，斯坦福大学教授李飞飞联合创立的World Labs发布了新一代世界模型Atlas。官方给它的定义是“面向空间智能的全能世界模型”，也是他们口中的“全球首个多模态世界模型”。

这不是李飞飞第一次提出“世界模型”这个概念。2025年11月，她发表了一篇题为《从文字到世界：空间智能是人工智能的下一个前沿领域》的长文，系统阐述了空间智能的理论框架。

2026年6月，她又和团队发表了《世界模型的功能分类：渲染器、模拟器、规划器，以及连接它们的循环》，试图厘清当时市面上对“世界模型”这个概念的混乱使用。

这篇文章试图把李飞飞的世界模型说清楚：它是什么，怎么工作的，对哪些行业可能有影响。

一、什么是世界模型

世界模型不是某一个具体产品，而是一类AI系统的统称。李飞飞的定义是：能够理解、推理并交互于语义、物理、几何及动态维度上的复杂世界（包括真实与虚拟环境）的生成模型。

说得直白一点：大语言模型（Large Language Model，LLM）处理的是文字，视频生成模型处理的是像素，而世界模型处理的是空间本身——物体的位置、形状、距离、空间关系，以及这些关系随时间的变化。

李飞飞在2026年6月的一篇文章中，把市面上各种被称为“世界模型”的系统分成了三类：

1.渲染器

输出的是人类能看的像素画面。目前主流的AI视频生成模型基本都属于这一类——输入文字，输出视频。它们擅长让画面“看起来真实”，但不一定理解画面背后的物理逻辑。

2.模拟器

输出的是状态数据——几何、物理、动力学层面的信息，而不只是画面。对于工程师来说，这意味着可以进行计算和验证；对于机器人来说，意味着可以在虚拟环境中训练。

3.规划器

输出的是行动——下一步该做什么。对于机器人，是向前走、向左转还是伸手抓取；对于自动驾驶系统，是何时刹车、何时变道。

李飞飞自己的判断是：渲染器商业化最成熟但有天花板（好看不等于物理正确），规划器最令人兴奋但离真实部署最远，模拟器是被严重低估的关键枢纽。

Atlas属于哪一类？从技术上看，它同时覆盖了渲染器和模拟器的功能——既能生成画面，又能重建空间结构。World Labs接下来的目标是补上动态、编辑和交互能力，让模型不只是生成世界，还能理解世界怎样响应动作。

二、Atlas具体能做什么

Atlas的核心能力可以用一个词概括：新视角预测。

大语言模型预测的是下一个词元（token），视频模型预测的是下一帧画面，Atlas预测的是从另一个位置看过去会是什么样。

具体来说，Atlas有三项基本能力：

1.生成

输入一张图像和一条相机运动轨迹，模型可以沿着指定的视角生成视频帧。

2.重建

输入一帧或多帧现实世界的图像（最多100帧），模型可以从这些不同视角重建出三维空间——既可以生成穿行于这个空间的视频，也可以输出显式的3D重建结果。

3.模拟

利用重建或生成的空间进行仿真。

官方演示中有一个例子：拍摄一个人投篮，或者一颗草莓落进一碗牛奶——只需要三台iPhone，分别架在三脚架上拍摄。

过去拍这种“子弹时间”效果，需要把数百台相机围成一圈。Atlas拿到三段视频后，可以重新设计镜头路径：比如把时间冻结，让相机在牛奶溅起的瞬间飞进场景。

从技术架构上看，Atlas被描述为一种“多模态自回归扩散Transformer”。这个名称包含四层含义：

• 多模态：可以原生处理文本、图像、相机位姿和三维深度图。

• 自回归：按序列逐步生成，每一步参考此前已输入和已生成的内容。

• 扩散生成：采用整流流模型逐步去除噪声生成数据。

• Transformer：模型计算可转化为适合现代加速硬件的大规模矩阵运算。

Atlas与普通视频生成模型最本质的区别在于：相机几何信息不再是“向左移动镜头”这类文字的间接描述，而是成为模型的原生输入。

用户可以指定相机的位置、姿态与运动路径，模型据此生成新视角画面，最高可输出一分钟、1440p的视频。

不过需要说明的是，以上关于“像素级相机控制”“重建效果优于专用模型”等结论，目前主要来自World Labs自身的演示与内部评测，尚未有独立的第三方验证结果。

三、世界模型可能用在哪些地方

从目前公开的信息来看，世界模型可能影响的领域主要有以下几个。

1.影视与虚拟制作

Atlas可以用少量相机拍出传统需要数百台相机才能完成的镜头效果。这对影视预演、虚拟制片意味着什么，不难想象。Marble（World Labs于2025年11月发布的商用世界模型平台）已覆盖视觉特效和虚拟制片场景。

2.建筑与工业设计

Marble已覆盖建筑与室内设计可视化场景。Atlas可以把真实环境搬进数字空间。但一个重要的提醒是：由单张或少量照片推断出的三维结构，不能直接当作测量结果使用，必须与激光扫描、CAD模型或现场实测进行交叉验证。

3.机器人训练

这是李飞飞本人最看重的方向之一。她在访谈中说，机器人眼下最大的瓶颈是数据而非芯片。真实世界中采集机器人训练数据成本高、速度慢、场景有限。Atlas可以把真实环境更快搬进仿真世界，再通过随机化生成大量训练场景。

2026年7月，World Labs发布了名为R2S2R（Real-to-Sim-to-Real，真实-仿真-真机）的闭环框架。

这个框架的工作方式是：从真实世界采集数据构建高保真仿真环境，在仿真中大规模训练策略，再将训练好的模型部署回真实世界。同月，World Labs收购了机器人仿真公司SceniX。

4.游戏开发与3D资产生成

Marble已覆盖游戏开发资产生成与下载集成场景。Atlas的3D重建和生成能力在这个领域也有直接的应用价值。

5.其他领域

Marble还被提到可以用于心理与临床研究的沉浸式实验环境。

四、行业格局：三条路线在竞争

Atlas发布的时间点不是孤立的。

2026年9月1日，Anthropic推出Claude Fable 5.1，同一天World Labs发布Atlas。

9月3日，OpenAI发布GPT-6 Astra。据媒体报道，字节跳动也在研发实时空间视频生成模型。

这三条技术路线有所不同：

1.OpenAI和Anthropic走的是大语言模型路线

靠LLM的推理和工具调用能力，操作Blender、Unreal Engine等专业软件来生成3D内容。

2.字节跳动的Seedance代表视频模型路线

3.World Labs走的是原生世界模型路线

从零训练一个理解三维空间的世界模型，在底层表征层面就做出空间一致性。

三条路线起点不同，但指向同一个方向：可进入、可交互的三维空间。

五、需要注意的几个事实

1.Atlas目前仍处于面向少数合作伙伴的早期访问阶段

World Labs尚未公开完整的模型参数、训练数据、推理成本、接口规范及第三方测试结果。

2.世界模型这个概念本身还在发展中

李飞飞自己在2026年6月的文章中就指出，当时市面上对“世界模型”的使用存在混乱。不同公司、不同研究团队说的“世界模型”，可能指的是完全不同的东西。

3.从概念到工业级部署还有距离

Atlas目前更应被视作一个值得跟踪的技术方向，而非一款已经成熟的产品。李飞飞自己说，世界模型现在的位置大概相当于2019年的语言模型。

4.生成内容可能带来识别难题

有分析指出，Atlas这类世界模型生成的视频，在后续编辑过程中，水印可能被破坏，导致人眼和检测器双重识别失效。

六、关于World Labs这家公司

World Labs成立于2024年初，2024年9月正式亮相。公司在2024年完成超过2.3亿美元融资，估值超过10亿美元。

2026年2月，World Labs宣布完成新一轮10亿美元融资。投资方包括英伟达（Nvidia）、AMD、欧特克（Autodesk）、Emerson Collective、富达管理研究公司等。其中Autodesk单家投资2亿美元。融资后公司估值达到50亿美元。

World Labs总部位于旧金山。

七、小结

李飞飞的世界模型，简单来说就是让AI理解三维空间的一套技术路线。Atlas是目前这条路线上的最新成果——一个能同时做生成、重建和模拟的多模态模型。

它对行业的意义可能体现在几个层面：降低3D内容创作的门槛、为机器人训练提供更高效的仿真环境、推动AI从处理文字和像素走向理解物理空间。

但也要看到，这项技术目前仍处于早期阶段，从演示到大规模商用还有相当的距离。关于它的能力、成本和可靠性，目前主要信息来自World Labs自身，独立验证尚不充分。

免责声明：自媒体内容仅用于记录和分享，请勿用于商业用途。所有内容来自于网络，或由人工智能服务生成。如有文字或图片涉及侵权，请联系修改或删除。文章内容不代表本人观点，亦不代表本人所在机构观点，不构成任何投资建议。