渲染器、模拟器、规划器——先定义，再施工。9月2日，图纸上最难的那一格有了第一个成品
9月2日，World Labs发布Atlas。要读懂它，得先回到6月4日那篇长文。
9月2日，李飞飞创办的World Labs发布了Atlas，官方称之为"全球首个多模态世界模型"。它不再满足于生成图片和文字，而是把输入的图像和视频重建为三维世界：一张照片能推出物体的背面，几张游客随手拍的地面照片能撑起一段高空航拍，三个手机镜头能复刻《黑客帝国》的子弹时间。
李飞飞在发布当天说，这是团队的一个"里程碑式"成果，"这是迄今为止最优秀的相机控制世界模型，为从视觉特效到机器人等众多应用场景打开了大门。"
但真正让Atlas显得特别的，不是这些演示。是它出现的时间点——三个月前，2026年6月4日，李飞飞和World Labs团队刚在Substack上发表了一篇长文，《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》。那篇文章把业界吵了一年多的"世界模型"概念拆成了三块，并且明确说：最难、最关键的那块，眼下没人真正做出来。
现在，图纸上最难的那一格，有了第一个成品。看懂那篇论文，才能看懂Atlas到底想干什么。
李飞飞的出发点很朴素：一个词被用坏了，就先把它拆开。
2025年以来，"世界模型"成了AI行业最热也最含混的词。计算机视觉、机器人、强化学习、生成式AI，每个领域都在宣称自己造世界模型。一个能生成火焰视频的模型、一个能即兴生成可玩游戏的语言模型、一个忠实模拟燃烧过程的物理引擎——三件完全不同的事，共用同一个名字。李飞飞在长文里说，这是当今AI领域"最重要也最被滥用"的术语。
拆解从一张比所有相关技术都古老的图开始：强化学习教科书里画了几十年的POMDP（部分可观测马尔可夫决策过程）循环。智能体采取行动，行动改变世界的状态，智能体看不到状态本身，只拿到一部分观测——落在视网膜上的光子、传感器读数、视频帧的像素。新的观测引发新的行动，循环持续。今天所有被称为"世界模型"的东西，本质上都是这个循环在不同方向上的投影：它们各自输出的，是循环里的不同部分。
渲染器输出像素，服务人眼，唯一标准是视觉上够不够逼真。一句话生成电影级航拍镜头的视频模型是渲染器，谷歌的Genie 3、World Labs自家的RTFM这类交互式系统也是。这是商业化跑得最快的方向——谷歌的相关模型已经通过手机应用送到了数亿用户手里。
但渲染器只管"看起来像"，不管"实际上对不对"。李飞飞举过一个例子：AI生成的航拍镜头，从天上看城市建筑群完美无瑕；可一旦你想开车在街道里穿行，建筑物的结构瞬间暴露出各种错误，画面崩塌。原因很简单——这类模型不掌握三维空间结构，它还原的是观看者会看到的画面，而不是事物本身的真实构造。输出再精美，也没法拿来做建筑设计，更没法训练一台需要在真实环境里精准操作的工业机器人。
模拟器输出状态：几何数据、材质参数、碰撞网格。它追求的不是"看起来像"，而是结构上的正确——几何经得起测量，运动遵守牛顿定律，动力学行为符合物理法则。它的用户有两类：一类是建筑师、设计师、影视和游戏开发者，需要超越视觉效果的精确数据；另一类是强化学习智能体、机器人控制器、自动驾驶算法，需要一个安全的环境去大规模复现那些现实中太危险、太贵或者根本没法实测的场景。仅英伟达Omniverse瞄准的工厂、仓库、数字孪生市场，潜在规模就超过万亿美元。
模拟器也最难做。训练它需要带精确几何和物理标注的三维数据，这种数据比训练渲染器用的互联网视频稀缺好几个数量级；仿真环境与真实世界之间永远隔着一条"sim-to-real"的鸿沟；同时模拟刚体、柔体、流体和织物，算力成本比单一领域模拟高出几个数量级。李飞飞的判断是：模拟器得到的公众关注最少，却可能是让AI真正理解物理世界的基础，"领域内最困难的未解问题也都集中在模拟器"。
规划器输出动作。给定当前的观测和一个目标，下一步做什么。机械手抓取、机器狗越障，这些演示视频背后是视觉-语言-动作（VLA）模型一类的规划器技术。问题在于，几乎所有演示都局限于严格受控的实验室环境：物体种类有限，任务周期很短。还没有一个在真实部署要求的复杂度、多样性和长周期里被验证过。
三类模型底层共用同一套世界知识，当前最重要的趋势是三者的边界正在消融，终局是一个能够灵活切换输出形式的统一世界基础模型。在同一套模型架构中平衡各项需求，是当下世界模型领域最核心的攻关课题。
语言模型学会了遣词造句，但物理世界运行在另一套基质上。
李飞飞的论证从一条分界线开始：大语言模型让机器掌握了概念、词汇和推理，但语言模型学的是文本的统计结构，世界模型学的是时空的统计结构——光怎么照在物体上，花园从没被相机拍过的角度看是什么样子，东西受力之后怎么运动。这是两种不同的智能原料。
AGI的完整含义，不是一台更会聊天的机器，而是一个能在物理世界里感知、预测、行动的智能体。感知靠观测，行动靠规划，而预测——判断"我这么做之后，世界会变成什么样"——靠的正是对世界状态的理解。这条链路缺了任何一环，智能就永远被关在屏幕里。纯语言模型再大，也只是把世界压缩成了词；没有空间和时间的世界模型，机器人的每一次动作都是盲的。
这也解释了为什么World Labs把公司使命定在"空间智能"上。李飞飞多次引用科幻寓言《平面国》：主角生活在二维平面，被三维球体带入空间国之后，才知道"高度"的存在。在她看来，今天的AI就处在那个平面国里——读懂了像素，摸不到空间。世界模型，就是那艘把AI从平面国里带出来的船。
表面答案是"三种都是"。真正的答案是：灵魂在模拟器。
按官方定位，Atlas是一个omni world model（全模态世界模型），从零开始预训练，原生处理文本、图像、视频、相机位姿与3D深度信息，在同一个模型里完成世界生成、空间重建和时空模拟三件事。对照李飞飞的分类法，它似乎三种都占了。
但判断一个模型属于哪一类，标准不是它能生成多漂亮的画面，而是它输出什么。渲染器输出像素，模拟器输出状态。Atlas输出什么？它输出新视角的图像和视频，这是像素；但它同时输出点云、3D高斯泼溅和深度图——这是几何，是"状态"。李飞飞定义里模拟器的标志，Atlas一样不缺。
证据在跑分上。稀疏视角重建是三维视觉领域几十年的基础难题，此前一直是专用模型的天下。World Labs在DTU、ETH3D、ScanNet等公开数据集上做了统一协议的测试（重建误差AbsRel×10⁻³，越低越好）：Atlas拿到25.3，专门为3D重建训练的Pi3X是28.7，Depth Anything 3是39.3，MapAnything是47.7。一个全能模型，打赢了所有专用模型。这就像一个全科生，在别人的专业课上考了第一名。
更硬的证据来自机器人。Atlas的Real-to-Sim工作流是这样的：World Labs的研究员用手机拍摄两处大型环境的视频，每处只取24帧做重建——传统上这种扫描需要昂贵设备围着目标转几十圈——然后在这个重建出的环境里模拟不同机器人沿不同路径导航，由Atlas生成机器人身上相机"将会看到"的RGB画面和深度数据。官方博客里有一句话值得单独摘出来："世界，和机器人眼中的世界，来自同一个模型。"这不是渲染器的自我介绍，这是模拟器的自我介绍。
当然，规划器那一格还空着。Atlas不输出动作，没有VLA，不决定"下一步做什么"。不过World Labs的动作早就埋下了：7月21日收购机器人仿真公司SceniX，7月28日公开Real-to-Sim-to-Real系统——规划这一环，大概率由公司的机器人技术栈去补，Atlas负责供给它一个足够真实的世界。
Atlas的全部魔法，来自一个架构层面的替换。
Atlas的官方架构名称很长：多模态自回归扩散Transformer（multimodal autoregressive diffusion transformer）。四个词各有来历。多模态，指它原生处理文本、图像、相机位姿和深度图，视频被表示为图像序列，每张图都绑定一个显式的相机位姿。自回归，指它像大语言模型一样在序列上逐个元素生成，每个输出以前面的内容为条件——这意味着KV缓存、缓存感知路由、分离式服务这些LLM基础设施它都能直接用。扩散，指它是一个整流流（rectified flow）模型，通过逐步去噪生成输出，推理步数可以在速度和质量之间换。Transformer，指主干是矩阵乘为主的标准架构，对现代硬件友好。官方的说法是，Atlas是LLM和视频模型两种血统的混合体，两边的算法与系统工程成果都能继承。
但真正的创新不在四个词的任何一个里，而在它们共同支撑的那个东西上：空间上下文（Spatial Context）。
大语言模型的工作方式，是把输入编码成上下文，再基于上下文生成后续内容。Atlas做的事情一样，区别在于：它编码进上下文的每一张图、每一段视频帧，都被锚定在三维空间中一个精确的位置上，附带相机位姿和深度信息。打个比方，这相当于给模型配了一本带坐标轴和比例尺的三维草稿本——AI理解世界时，第一次有了明确的几何参考。
这个替换带来一连串能力。第一是像素级相机控制。过去玩视频生成模型，你在提示词框里敲"镜头缓慢向左拉升、绕着人物微仰角旋转"，回车之后全凭运气。Atlas把精确的相机几何作为原生输入：你直接给坐标和轨迹。1到6张参考图，一条手工设计的运镜路径，就能生成最长1分钟、1440p分辨率的视频。官方博客有句俏皮话："你坐上的是导演椅，不是老虎机前的赌徒。"
第二是稀疏视角重建，也就是上一节跑分背后的事。传统3D高斯泼溅或点云扫描，需要扛着专业设备围着目标转几十圈、拍几百上千张照片。Atlas通常2到3张图就能给出准确重建；输入越多，它想象得越少，最多可以吃下100多张图，做到对真实环境的精确复刻。最典型的案例是斯坦福大学主方庭：从草坪主入口，到拱廊，再到纪念教堂外墙上色彩斑斓的马赛克——Atlas只收到2到25张游客视角的地面平拍照片，就重建了整个方庭，并且生成了从高空俯瞰的飞行漫游路径。那些机位，从来没有一台相机真正拍到过。
第三是时空模拟，招牌应用是"子弹时间"。《黑客帝国》里那个冻结时间、转换视角的经典特效，原本需要几百台相机组成的环形阵列。Atlas的演示素材是几个工程师用背包里装得下的东西拍的：普通手机、运动相机，配三脚架和夹具，3到5个机位。视频丢进去，Atlas从这些视角重建场景，之后你就可以冻结时间，随意重新构图每一个镜头。
还有一个近乎超能力的细节：把两张完全不相关的照片——比如一条车站走廊和一座宴会厅——扔进空间上下文，Atlas能推理出连接二者的门廊、过道和角落，生成一个在两个世界之间平滑过渡的完整场景。想象力被空间约束住了，这是"世界知识"最直观的样子。
最后是缩放。World Labs从头预训练了一系列规模递增的模型，发现每一级新的算力都解锁新的能力，官方明确表示"预期这一趋势随规模继续成立"。这句话翻译过来是：Atlas还远没到scaling curve的平缓段。这是World Labs在向整个行业下注——世界模型这条曲线，还会继续陡下去。
短期看是影视工具，长期看是机器人的预训练基础设施。
对内容行业，Atlas的意义直接而具体。复杂运镜和子弹时间特效的制作成本被坍塌式压缩——几百个机位的预算，变成几台手机加一条设计好的相机路径。World Labs现有产品Marble已经展示了新的生产方式：输入文字、图片或草图，生成可自由漫游的3D环境，同时输出两套数据——用于视觉呈现的高斯泼溅，和用于物理计算的碰撞网格。一套给眼睛看，一套给物理引擎算，这正是李飞飞分类法里模拟器的标准双输出。Atlas将驱动Marble及World Labs后续产品的未来版本。
但李飞飞的星辰大海从来不是好莱坞。是机器人。
具身智能当下的最大瓶颈，业内有个朴素的说法：真实数据匮乏。让机器人真的去工厂、仓库和家庭里反复试错，数据采集慢，成本高，还危险；换到仿真环境里训练，又得先花大量人力搭建3D场景、材质、光照和物体。Atlas给出的是一条新流水线：少量真实照片或一段手机视频，生成逼真的三维模拟环境，连同机器人传感器会观察到的RGB和深度数据，让机器人在仿真世界里海量训练，再迁移回现实。任务一旦被模拟，变体唾手可得——换物体、换位置、换机器人运动、换光照、换背景，刚体、铰接体、可变形物体都能处理。训练数据从此可以规模化生产。
把时间线连起来看，这个意图更加清楚：
三个月，五步，每一步都踩在6月那篇论文画好的格子里。这不是灵感闪现的产品，是按图施工的工程。
跑分和演示之外，有几件事需要说清楚。
Atlas擅长的是构建几何连贯的空间。对于物体碰撞、复杂动力学的通用物理模拟，能力仍待验证——李飞飞论文里点出的模拟器那些最难的未解问题（数据稀缺、sim-to-real鸿沟、多物理场算力成本），Atlas并没有全部回答，它回答的主要是"几何与视角"这一层。
还有一个容易被演示掩盖的细节：当镜头转向输入图像完全没有覆盖的区域时，Atlas仍然需要"想象"，依靠先验知识补全画面。输入越少，想象越多。它生成的更像是一个视觉上合理的三维世界，未必是原来那个世界的精确数字复刻。随着生成路径变长，局部几何漂移、物体形状变化和纹理闪烁也会逐渐暴露。换句话说，模拟器要的"结构上正确"，Atlas在几何维度接近达成，在动力学维度才刚刚起步。
目前Atlas处于早期访问阶段，只向部分合作伙伴开放。距离一个开放可用、驱动千万机器人的世界基础模型，中间还隔着无数个版本迭代。
回到那张循环图。
三个月前，李飞飞把"世界模型"这个词拆成三块，说最难的那块没人做成。三个月后，Atlas把渲染器和模拟器焊进同一个模型，在最难的方向上交出了第一份答卷。规划器那一格还空着，但SceniX已经买好，Real-to-Sim-to-Real的管线已经铺开。
POMDP那张图上，智能体行动，世界变化，观测回来。人类之所以是智能体，是因为我们脑子里装着一个世界；Atlas补上的，正是"世界"那一环——世界第一次被装进了机器的上下文里。
接下来的问题只剩一个：谁先在这个世界里，学会行动。