来源：a16z（公众号）（a16z human five（主持人 Martin Casado）） · 2026-09-05 · 原文链接

分类：世界模型 / 空间智能（高度相关）

一句话概括

World Labs 三人组把 Atlas 的核心原语定义为 new view prediction（新视角预测），并宣称它与 next-token prediction 等价、同属 AI-complete——用"相机位姿作为模型原生输入"统一了此前分裂的像素生成与 3D 重建两条赛道，把稀疏重建的拍照量降低 50–100 倍，并通过收购 SceniX 把这条线接到 Real-to-Sim-to-Real 的机器人数据闭环上。

核心要点

  • Atlas 三大能力：① camera-controlled generation（一张图 + 一条相机轨迹，沿任意视角生成视频帧）；② sparse-view 3D reconstruction（1–100 帧真实视图重建，输出可为 fly-through 视频或显式 3D）；③ 模拟（bullet time 视频 + 机器人仿真）。
  • 核心原语是 new view prediction：输入视图/描述进入 spatial context，隐式描述"我们在讨论哪个世界"，然后把虚拟相机指向时空任意一点，模型输出从那里看到的样子。每一张输入图像都绑定一个相机位姿——这是它与普通视频模型的根本区别，也让它能精确重建而不是"猜"。
  • 统一了生成与重建：历史上是 CV 里两个独立子领域。做法是——可见的部分做三角测量，输入视图中不可见的部分本质上必须靠"想象"来填补，所以生成不是补丁而是必需的另一半机制。FE 强调这是五十多年来第一次在一个模型里统一。
  • Marble → Atlas 的关键改动是输出模态：Marble 把输出瓶颈在 3D Gaussian Splatting 上，且上下文只能塞几张图；Atlas 把基本原语换成 new view prediction，需要时再生成 3DGS，上下文扩到 64 帧（2000 帧的捕捉降到 30–40 帧，fly-through 效果基本一致）。
  • 稀疏 vs 密集重建：dense reconstruction 要求场景中每个点被 3–4 个视图覆盖（现实中扫一个多房间环境要 1–2 小时）；Atlas 把 100–300 张降到 3 张，宣称 50–100× 减少，从而让互联网存量视频和旧素材首次变得可重建。
  • “重建 = 超长上下文的生成”：Ben 认为这两者是连续体，重建就是把很多东西塞进上下文里做生成。
  • Scaling 现状：Justin 称目前主要瓶颈是训练算力，不是架构也不是数据，且"无需改架构、仍处于非常早期的阶段"。发布的最大模型受限于发布日期倒推的训练预算。
  • 动态（dynamics）：Marble 架构上完全静态；Atlas 架构与训练数据已支持动态（水波、移动的小车），但当前发布的 checkpoint 后训练更聚焦静态。承认动态还不够。
  • 机器人路线：收购 SceniX（Real-to-Sim-to-Real）解决数据瓶颈——FE 明确说"机器人现在最大的问题是数据，有一天会是芯片，但现在不是"；域随机化（电缆不同弯法、盒子不同尺寸颜色）必须靠 sim 获得。
  • 下一步：神经模拟器即规划器。Justin：“一旦你有了学习到的模拟器，它已经在’心智大脑’里理解世界将如何响应动作——为什么模拟器本身不变成规划器？“理解"世界如何响应动作"与"想象我该做什么动作让世界以特定方式响应"高度相关。
  • 可编辑性是下一个轴：Ben 强调”必须加控制但不妥协模型质量，否则就成了派对花招——你给他们额外旋钮但质量下降，没人会把前沿模型换成你的”。

金句

我们知道大语言模型建立在 next-token prediction 之上。我们见过视频模型建立在下一帧预测之上。Atlas 真正做的是 new view prediction。——Justin Johnson

从进化的视角看，new view prediction 正是进化通过让动物移动必须解决的。自然给动物眼睛，但自然没有给树木眼睛。为什么？因为当你移动时你看到新视角。——李飞飞

智能不是坐在那里堆叠只是看某事或解释某事……它真正是闭合看到、体验和交互之间的循环。——李飞飞

你必须添加控制但不妥协模型质量，否则它就变成派对花招。没有人会考虑把他们的前沿视频模型换成你的，如果你给他们额外旋钮但质量下降。——Ben Mildenhall

机器人策略不是产生一个静态东西，它根本上是一个会出去到世界中、采取动作、试图达成目标的 agent，而世界不总是以你期望的方式响应。——Justin Johnson

每一次我们把模型做得更大，每一次我们训练得更久，它都显著变得更好。——Justin Johnson

质疑与核查

  • 信源严重利益相关：a16z 是 World Labs 与 SceniX 的投资方（a16z 官方免责声明明确写着"a16z 及其关联方可能持有讨论中公司的投资"）。这是投资人的频道采访自己的被投公司，全程零质疑，属于内容营销而非独立访谈。所有宣称按"公司自述"权重处理。
  • 零量化：三大能力、“50–100× 减少”、“AI-complete”——全篇没有一个数字。相机控制误差、重建几何精度、与专用重建模型（COLMAP/MASt3R/VGGT 类）的定量对比，全缺。“50–100ד这个区间本身就跨了两倍，且没定义基线。
  • “AI-complete"是修辞借用，论证有缺口：next-token prediction 的 AI-complete 论证依赖"任何任务都可编码为文本续写”；他们给 new view prediction 的对应论证是悬疑片"预测谁走出来”——这只能说明"观察"可归约，说明不了"动作"可归约。而且即便原则上可归约，归约的样本效率可能极差。更关键的是它预测的是"从那里看是什么样”，不是"我该做什么"。这个 framing 有宣传价值，别当定理用。
  • “瓶颈是算力不是数据"是最方便的说法：对一家刚融完大钱、估值 50 亿美元的公司，把瓶颈归为算力而非数据或方法，是最不会伤害叙事的表述。李飞飞自己就在同一场补了一句"数据非常重要”——但两位联创的口径是算力。内部并不完全一致。
  • 动态是公开的能力缺口：承认当前 checkpoint 后训练聚焦静态、只有 “baby dynamics”。而机器人恰恰最需要动态——静态世界训练不出接触动力学。这是他们路线图上的最大未知，也是你可以盯的地方。
  • 机器人部分还是路线图不是成果：收购 7 月 21 日才宣布，到这篇访谈只有一个多月；“接受动态数据、弥合动作规划"明确被 Justin 称为 future direction。不要把 SceniX 的能力当成已兑现的。

本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文