世界模型的新基元：不是预测下一帧，而是预测下一个视角
语言模型靠预测下一个 token，Atlas 靠预测下一个视角。它把生成和重建放进同一个模型，用三台 iPhone 复现《黑客帝国》几百台摄像机才拍出的子弹时间。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
Atlas 把生成和重建塞进同一个模型
Justin 说 Atlas 有三件事：生成、重建、模拟。核心变化是它第一次把像素生成和像素重建统一在一个架构里——历史上重建是计算机视觉的独立子领域，有自己的专门模型；生成则是扩散模型的强项。Fei-Fei Li 强调这个统一「anchoring on viewpoints」，靠视角估计把两条传统赛道缝在一起。为此模型从预训练阶段就是原生多模态：文本、图像、视频、相机位姿、3D 都是原生输入，相机位姿作为预训练输入此前没人做过。
— Justin Johnson / Fei-Fei Li三台 iPhone 拍出子弹时间
《黑客帝国》里 Neo 后仰那一镜，是绿幕前几百台摄像机围成一圈拍的。Atlas 用三台 iPhone 就能复现：拍下有人投篮、有人把草莓丢进牛奶，然后重新取景、冻结时间、让镜头飞进牛奶溅起的瞬间。Ben 说这是「no studio capture, no green screen, no expensive calibration」。这个画面是理解 Atlas 能力最直观的入口——它不只是生成好看的像素，而是能在任意时空点重新架设虚拟摄像机。
— Justin Johnson稠密重建要几百张照片，Atlas 要三张
Ben 解释稠密重建为什么稠密：要让某个东西出现在重建里，你至少需要它的三四个视角。这个房间的麦克风底下、桌子底下、椅腿之间、植物叶子，全都要覆盖到，训练有素的人要拍几分钟，普通消费者第一次扫一个多房间环境可能花两小时。Atlas 把这个数字压到三张，Ben 说这是「50, 100 X reduction」。他拿自己以前拍的两千张多房间房子的素材，砍到三四十张输入，飞越效果基本一样。
— Ben Mildenhall重建必然有洞，所以必须生成
Justin 给出生成和重建必须耦合的机制：传统重建靠多视角三角化同一个 3D 点，任何没被输入视角看到的像素就是洞。就算让 Ben 拿单反拍几百张，也永远拍不到所有麦克风底下和桌腿之间。所以模型必须有生成能力去「想象」没拍到的部分。他把这类比成 LLM 的上下文：重建就是上下文极长的生成，Atlas 能塞进 64 张图的采集做整栋房子的飞越，而 Marble 时代根本塞不进超过几张图。
— Justin Johnson瓶颈是算力，不是架构，也不是数据
被问是否到了这个架构的扩展尽头，Justin 说「No, no, we're at the beginning」，而且不用改架构。他明确说当前主要瓶颈是训练算力：开发时训了一串模型，每加大、每训久、每上更多芯片，都显著变好；这次发布的模型大小是被发布日期倒推决定的，不是被规模或数据限制的。Fei-Fei Li 补充，他们早期就押注两个假设——scaling law 和 next viewpoint prediction，但没料到第一轮预训练就能到这个质量。
— Justin Johnson / Fei-Fei Li那张桌子下的镜头让三人五秒内拍板
Fei-Fei Li 讲了一个内部时刻：初夏某天，还不是现在这个 Atlas 规模，是个更小的模型，Ben 把视角生成接进去，用 Nerf 论文那张著名的花园桌子，镜头从桌子底下飞过，还带着一个足球。她强调「no one has ever seen this result」。那天早上三个人对视，说就是它了，五秒内做了决定。这个细节说明技术判断不是靠路线图，是靠一个具体画面。
— Fei-Fei Li机器人最大的瓶颈是数据，不是芯片
Fei-Fei Li 说机器人现在最大的问题是数据，芯片是以后的事。要训一个做线缆操作的机械臂，需要真实到仿真、仿真到真实的循环，还要做 randomization——同一根线缆要能往不同方向弯，盒子要有不同尺寸、颜色、盖子。收购的 Cinex 团队原本就在做稠密重建，极其痛苦、拖慢仿真速度，Atlas 是这一环的下一代技术。Justin 补充机器人和别的 AI 应用本质不同：策略不是产出静态 artifact，而是要在真实世界里行动、遭遇意外，所以必须靠仿真暴露所有可能的失败。
— Fei-Fei Li / Justin Johnson新视角预测和下一 token 预测一样是 AI 完备的
Justin 用 AI completeness 论证 Atlas 基元的地位：三 SAT 是 NP 完备的经典例子，因为任何 NP 难问题都能归约到它；下一 token 预测被认为 AI 完备，因为可以构造一个推理小说，最后一句是「凶手是」然后预测下一个 token。他说生成式新视角预测同样 AI 完备——你可以让 Martine 在黑板上写黎曼猜想的证明，Cameron 在隔壁白板把它解出来。Fei-Fei Li 补了进化论版本：大自然给了动物眼睛却没给树眼睛，因为动物会动，动了就能看到新视角。
— Justin Johnson / Fei-Fei Li原话 · 已逐字校验
But now with Atlas, we can do this with as few as three cameras. So no studio capture, no green screen, no expensive calibration.
但现在用 Atlas，三台摄像机就能做到。不需要摄影棚采集，不需要绿幕，不需要昂贵的标定。
Justin Johnson3:18
With Atlas, every image actually has an associated three-dimensional camera pose.
在 Atlas 里，每一张图像实际上都关联着一个三维相机位姿。
Ben Mildenhall4:25
I've seen someone for their first time trying to scan a multi-room environment, spend like two hours walking through it and get enough coverage.
我见过有人第一次扫一个多房间环境，走了两个小时才拿到足够的覆盖。
Ben Mildenhall15:42
No, no, we're at the beginning.
不，不，我们才刚开始。
Justin Johnson22:56
That morning, the three of us looked at each other in the eyes and said, that's it, this is, we're going to build this. Like, we made a decision within five seconds.
那天早上，我们三个人对视，说就是它了，我们要做这个。我们五秒内就做了决定。
Fei-Fei Li23:56
We should zoom out and recognize the biggest problem right now in robotics is actually data. One day it'll be chips, but for now it's data.
我们应该拉远看，认清现在机器人最大的问题其实是数据。有一天会是芯片，但现在是数据。
Fei-Fei Li31:04
new view prediction, this primitive that we have in Atlas, especially generative new view prediction, this is also AI complete.
新视角预测，我们在 Atlas 里的这个基元，尤其是生成式新视角预测，同样是 AI 完备的。
Justin Johnson42:18
数字与实体
| Atlas 复现子弹时间所需摄像机数 | 3 台 | 3:18 |
| Atlas 支持的稀疏重建输入帧数上限 | 最多 100 帧 | 2:15 |
| Atlas 相对稠密重建的采集量缩减 | 50 到 100 倍 | 15:42 |
| World Labs 成立时长 | 两年半 | 10:30 |
| Atlas 单次可处理的图像采集量 | 64 张 | 18:51 |
| 多房间房子飞越所需输入从两千张降到 | 30 到 40 张 | 19:53 |
术语
- new view prediction新视角预测
- 给定若干视角或场景描述，预测任意时空点上虚拟摄像机应看到什么。
- Gaussian splat高斯泼溅
- 一种 3D 场景表示，渲染高效、易在移动和 VR 设备上运行，Marble 的输出格式。
- NeRF神经辐射场
- Ben Mildenhall 参与开创的从图像重建 3D 场景的方法，需大量稠密视角。
- AI completeAI 完备
- 类比图灵完备：某个 AI 任务若能在最一般意义上求解，就能解决任何智能任务。
- spatial intelligence空间智能
- 生成空间、在其中推理、并编辑和交互的能力，World Labs 的长期目标。
收听指南
做多模态、3D 生成、世界模型和机器人仿真的工程师与研究者；评估空间智能赛道投资机会的投资人。
30:03 附近有一段明显转写乱码，可跳过，前后机器人数据讨论仍可听。