Atlas世界模型:空间智能新时代的开创性突破与全方位应用解析

加密交易所新闻 加密税务与合规 去中心化金融 (DeFi) 新闻

在人工智能技术飞速发展的当下,空间智能正成为继语言智能之后AI领域的下一个前沿高地。World Labs于2026年9月1日正式发布的Atlas世界模型,以其突破性的技术架构和强大的多模态能力,重新定义了AI对三维空间的理解与生成方式。这一被誉为"全能世界模型"的创新成果,不仅在相机控制生成、三维重建、时空模拟等多个核心任务上超越了专业模型,更为内容创作、机器人技术、视觉特效等领域带来了前所未有的可能性。 空间智能作为人类认知世界的基础能力,一直是AI研究的核心挑战之一。与传统语言模型不同,空间智能要求AI系统能够理解物体的三维结构、空间关系、物理规律以及场景随时间的演变。Atlas的诞生正是为了解决这一难题,它能够生成、重建和模拟任何可能的世界,理解世界的呈现方式、行为模式和演化过程,从而为创意用户渲染想象的世界,以高保真度模拟真实世界,并助力机器人规划行动。

Atlas的核心创新在于其"全模态"设计理念。作为一个从零开始预训练的全能模型,Atlas原生支持文本、图像、视频和三维数据的处理,这使其能够在一个统一的架构下完成多种复杂任务。其底层架构是一种多模态自回归扩散变换器,所有输入都被整合到一个共享的空间上下文中。基于这一上下文,Atlas能够生成后续内容,并在三维空间中保持与已有信息的一致性,同时想象出超出可见范围的部分。这种独特的能力使得Atlas能够像人类一样基于有限信息构建完整的三维场景认知。 在模型性能方面,Atlas展现出了卓越的可扩展性。

研究团队发现,随着训练计算量的增加,Atlas的表现持续提升,这一规律为未来模型的进一步优化提供了明确的方向。基于这种规模效应,World Labs团队相信Atlas将在未来实现更加强大的能力,为空间智能的发展奠定坚实基础。 Atlas的功能体系覆盖了世界生成、重建和模拟三大核心领域。在相机控制生成方面,Atlas能够从一个或多个参考图像出发,根据用户指定的相机位置和角度生成新视角的内容。最为惊艳的是,它能够输出长达一分钟的1440p分辨率视频,这一突破使得高质量长视频的生成成为可能。更重要的是,Atlas能够处理多种场景类型、视觉风格和相机运动,为创作者提供了极大的灵活性。

像素级精确的相机控制是Atlas的另一大亮点。与依赖粗略文本描述进行相机控制的传统方法不同,Atlas将精确的相机几何作为原生输入类型。这意味着用户可以精确地框定每一个镜头,控制每一个运动。举例来说,当用户输入一张机器人的单张图像时,Atlas不仅能从新角度生成机器人的背面图像,还能基于其丰富的世界知识,合理想象出泳池旁应该存在的草地等场景元素。这种从单张图像到完整三维场景的生成能力,展现了Atlas对世界结构的强大理解能力。 在空间上下文管理方面,Atlas的工作方式与大型语言模型有着异曲同工之妙。

它首先将输入编码为上下文,然后基于上下文生成输出。然而,Atlas的独特之处在于每张图像都被锚定在三维空间中的特定位置,形成了一个真正的空间上下文。这种创新设计解锁了全新的创意控制方式:用户可以将两个不相关的参考图像放入上下文,在三维空间中定位它们,Atlas便能生成一个在这两个图像之间平滑过渡的世界。这种能力在场景拼接、空间叙事等领域具有巨大的应用潜力。 可控长视频生成是Atlas展现导演级创作能力的重要体现。通过结合相机运动控制和空间上下文管理,Atlas让用户能够设计每一个场景和每一个相机角度,真正坐上"导演椅"。

在实际演示中,研究团队仅使用少量参考图像,便成功生成了一分钟长的1440p分辨率视频。整个过程中,用户完全掌控场景布局和镜头语言,而非依赖随机生成结果。 空间重建是Atlas的另一核心能力,它解决了三维计算机视觉领域一个长期存在的根本性难题 - - 稀疏输入图像的新视角合成。Atlas不需要特殊的采集设备或数百个密集视角,便能从一到几十张输入图像中重建真实世界场景。它能够生成新视角的图像帧和显式的三维输出,在性能上超越了专门为三维重建训练的专业模型。 Atlas在多图像重建方面表现尤为出色。

当输入图像无法覆盖整个场景时,Atlas能够利用其丰富的世界知识,合理想象并填补空白区域。随着输入图像数量的增加,Atlas的想象成分会相应减少,重建精度逐步提升。实验表明,仅需两三张图像,Atlas便能给出忠实于原场景的重建结果,其性能优于多个专门的三维重建模型。同时,Atlas的上下文能够容纳超过一百张输入图像,使其能够精确重建真实世界环境。 在重建过程中,Atlas还展现出了强大的多样性生成能力。针对同一组输入图像,它能够生成多条不同的相机轨迹,为同一场景提供多个全新的视角。

无论是强调场景的不同部分,还是通过速度、长度或复杂度的变化营造不同氛围,Atlas都能保持场景的一致性,同时提供丰富的变化选择。 显式三维输出能力使Atlas在专业领域的应用价值大幅提升。它原生操作二维图像帧和三维深度图,能够输出点云或三维高斯泼溅等三维表示形式。从单张图像出发,Atlas能够联合生成新视角并估计其几何结构,最终生成完整的三维世界。对于真实空间的视频输入,Atlas能够预测每一帧的深度信息,并将它们组合成三维重建。在任何情况下,Atlas都能填补任何相机都未捕捉到的区域空白。

将点云转换为三维高斯泼溅后,便可在设备上实现高分辨率、高帧率的渲染,这与Marble产品采用的技术完全兼容。 时空模拟能力展现了Atlas作为世界模拟器的强大潜力。它不仅理解世界的空间结构,还能把握世界随时间演变的方式。时空能力的结合为视觉特效、机器人技术等领域开辟了全新的应用前景。 视频重构是Atlas在时空模拟领域的重要应用之一。Atlas能够将少数普通摄像机转变为"子弹时间"多视角捕捉工作室。

仅使用三台摄像机的素材,Atlas便能冻结时间并重构镜头,让用户从不可能的角度观看事件。这些镜头的拍摄过程极为简便 - - 仅需工程师和研究人员使用普通手机和三脚架即可完成,完全摆脱了对专业摄影师和专业设备的依赖。Atlas能够从三到五个相机视角重建场景,之后用户便可以随心所欲地重构镜头。 机器人模拟是Atlas最具变革性的应用领域之一。它为机器人导航和操作任务中的真实到模拟转换提供了全新途径。Atlas不仅能从少量图像重建空间,还能在模拟机器人在空间中移动时,生成其传感器沿途观察到的RGB和深度数据。

世界和机器人对世界的观察来自同一个模型,这确保了模拟的高度一致性。 在机器人导航模拟中,研究团队仅使用手机视频和24帧图像便成功重建了两个大型环境。随后,他们模拟不同类型机器人沿不同路径导航的场景,并使用Atlas生成机器人身体摄像头的视角图像。传统上,扫描此类空间需要复杂昂贵的设备,而Atlas彻底改变了这一现状。 机器人操作模拟则更进一步。基于少量日常录制,Atlas能够构建模拟环境,捕捉物体的运动和交互方式。

一旦任务被模拟,便可轻松实现多样化:更换物体、调整位置、改变机器人运动方式、调整光照和背景等。这种灵活性为机器人技术的规模化和测试提供了丰富多样的训练数据和环境。 图像生成能力虽不是Atlas的主要焦点,但同样表现出色。它能够遵循复杂提示、渲染文本,并生成多种视觉风格。Atlas还支持从文本或图像提示生成360度全景图像,覆盖各种场景类型和视觉风格。这种全面的图像生成能力使其能够满足不同创作者的多样化需求。

在技术架构层面,Atlas采用了创新的多模态自回归扩散变换器设计。多模态特性使其原生处理多种数据类型,包括文本、图像、相机姿态和三维深度图,其中视频被表示为图像序列。每个图像和深度图都基于显式相机姿态进行条件化,使空间控制成为架构的核心组件。自回归特性使Atlas能够处理元素序列,每个输出依次生成,条件于序列中的先前部分。这种灵活设计使各种任务自然适配 - - 每个任务只是不同类型的序列,输入后接输出。扩散特性采用整流流模型,通过逐步去噪生成输出,在高维连续数据建模方面表现出色,同时支持通过调整去噪步骤数量来平衡速度和质量。

变换器架构主要由大型矩阵乘法运算组成,非常适合现代硬件,是世界建模的强大支柱。 这种架构融合了现代大型语言模型和视频模型的优点。作为自回归变换器,Atlas能够利用键值缓存、缓存感知路由、分离服务等大型语言模型的创新。作为潜在扩散模型,它能够利用扩散蒸馏、无分类器引导、偏移噪声调度、变分自编码器设计等先进算法。这种融合使Atlas兼具两类模型的优势。 在基准测试方面,Atlas展现出了超越专业模型的性能。

在相机控制生成任务中,研究团队将其与多个顶级视频模型进行比较。每个模型接收单张输入图像和一至三个电影级相机运动指令。由第三方人类评估员评判哪个模型更好地遵循预期相机路径,结果显示Atlas在所有对比模型中均获得显著优势,包括MiniMax H375%、Gemini Omni Flash81%、Happy Horse 1.186%、FLUX 393%和Seedance 2.594%的胜率,且随着相机轨迹复杂度的增加,优势进一步扩大。 在稀疏输入视图的三维重建任务中,Atlas同样表现出色。研究团队在多个最先进的基准上进行评估,并重现所有基线结果以确保评估协议的公平性。在DTU、ETH3D、KITTI、NRGBD、7-Scenes、ScanNet、T&T等基准测试中,Atlas在平均误差等指标上均优于π³、Pi3X、VGGT-Ω 1B、Depth Anything 3、MapAnything等专门的开源重建模型。

模型规模效应是Atlas技术路线的重要支撑。研究团队从零开始在大规模多样化多模态数据语料库上预训练Atlas,并在开发过程中训练了一系列规模递增的模型。每个新的计算水平都解锁了新的模型能力,强烈预示着Atlas在未来通过持续扩展将实现能力的显著提升。这种可预测的规模效应为World Labs未来的世界模型发展提供了清晰的方向。 目前,Atlas已进入早期访问阶段,面向精选合作伙伴开放使用。World Labs正在积极寻求与各领域的合作者共同探索Atlas的应用潜力。

无论是创意内容制作、机器人技术研发、还是视觉特效创作,Atlas都有望成为各行业的首选世界模型。同时,World Labs也在招募研究与工程领域的人才,以推进空间智能的发展。 从更宏观的视角来看,Atlas的发布标志着AI技术从语言智能向空间智能的重大跨越。它不仅在技术层面实现了多项突破,更在应用层面为各行各业带来了新的可能性。在创意内容领域,Atlas让导演级的精准控制成为可能;在机器人技术领域,Atlas为真实到模拟的转换提供了高效解决方案;在视觉特效领域,Atlas让"子弹时间"等高级效果变得触手可及。可以预见,随着Atlas技术的持续迭代和应用场景的不断拓展,空间智能将成为推动AI技术发展的新引擎,为人类与机器的交互方式带来根本性变革。

。