世界模型的新基元：不是預測下一幀，而是預測下一個視角
語言模型靠預測下一個 token，Atlas 靠預測下一個視角。它把生成和重建放進同一個模型，用三臺 iPhone 復現《黑客帝國》幾百臺攝像機才拍出的子彈時間。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
Atlas 把生成和重建塞進同一個模型
Justin 說 Atlas 有三件事：生成、重建、模擬。核心變化是它第一次把像素生成和像素重建統一在一個架構裡——歷史上重建是計算機視覺的獨立子領域，有自己的專門模型；生成則是擴散模型的強項。Fei-Fei Li 強調這個統一「anchoring on viewpoints」，靠視角估計把兩條傳統賽道縫在一起。為此模型從預訓練階段就是原生多模態：文本、圖像、視頻、相機位姿、3D 都是原生輸入，相機位姿作為預訓練輸入此前沒人做過。
— Justin Johnson / Fei-Fei Li三臺 iPhone 拍出子彈時間
《黑客帝國》裡 Neo 後仰那一鏡，是綠幕前幾百臺攝像機圍成一圈拍的。Atlas 用三臺 iPhone 就能復現：拍下有人投籃、有人把草莓丟進牛奶，然後重新取景、凍結時間、讓鏡頭飛進牛奶濺起的瞬間。Ben 說這是「no studio capture, no green screen, no expensive calibration」。這個畫面是理解 Atlas 能力最直觀的入口——它不只是生成好看的像素，而是能在任意時空點重新架設虛擬攝像機。
— Justin Johnson稠密重建要幾百張照片，Atlas 要三張
Ben 解釋稠密重建為什麼稠密：要讓某個東西出現在重建裡，你至少需要它的三四個視角。這個房間的麥克風底下、桌子底下、椅腿之間、植物葉子，全都要覆蓋到，訓練有素的人要拍幾分鐘，普通消費者第一次掃一個多房間環境可能花兩小時。Atlas 把這個數字壓到三張，Ben 說這是「50, 100 X reduction」。他拿自己以前拍的兩千張多房間房子的素材，砍到三四十張輸入，飛越效果基本一樣。
— Ben Mildenhall重建必然有洞，所以必須生成
Justin 給出生成和重建必須耦合的機制：傳統重建靠多視角三角化同一個 3D 點，任何沒被輸入視角看到的像素就是洞。就算讓 Ben 拿單反拍幾百張，也永遠拍不到所有麥克風底下和桌腿之間。所以模型必須有生成能力去「想像」沒拍到的部分。他把這類比成 LLM 的上下文：重建就是上下文極長的生成，Atlas 能塞進 64 張圖的採集做整棟房子的飛越，而 Marble 時代根本塞不進超過幾張圖。
— Justin Johnson瓶頸是算力，不是架構，也不是數據
被問是否到了這個架構的擴展盡頭，Justin 說「No, no, we're at the beginning」，而且不用改架構。他明確說當前主要瓶頸是訓練算力：開發時訓了一串模型，每加大、每訓久、每上更多芯片，都顯著變好；這次發布的模型大小是被發布日期倒推決定的，不是被規模或數據限制的。Fei-Fei Li 補充，他們早期就押注兩個假設——scaling law 和 next viewpoint prediction，但沒料到第一輪預訓練就能到這個質量。
— Justin Johnson / Fei-Fei Li那張桌子下的鏡頭讓三人五秒內拍板
Fei-Fei Li 講了一個內部時刻：初夏某天，還不是現在這個 Atlas 規模，是個更小的模型，Ben 把視角生成接進去，用 Nerf 論文那張著名的花園桌子，鏡頭從桌子底下飛過，還帶著一個足球。她強調「no one has ever seen this result」。那天早上三個人對視，說就是它了，五秒內做了決定。這個細節說明技術判斷不是靠路線圖，是靠一個具體畫面。
— Fei-Fei Li機器人最大的瓶頸是數據，不是芯片
Fei-Fei Li 說機器人現在最大的問題是數據，芯片是以後的事。要訓一個做線纜操作的機械臂，需要真實到仿真、仿真到真實的循環，還要做 randomization——同一根線纜要能往不同方向彎，盒子要有不同尺寸、顏色、蓋子。收購的 Cinex 團隊原本就在做稠密重建，極其痛苦、拖慢仿真速度，Atlas 是這一環的下一代技術。Justin 補充機器人和別的 AI 應用本質不同：策略不是產出靜態 artifact，而是要在真實世界裡行動、遭遇意外，所以必須靠仿真暴露所有可能的失敗。
— Fei-Fei Li / Justin Johnson新視角預測和下一 token 預測一樣是 AI 完備的
Justin 用 AI completeness 論證 Atlas 基元的地位：三 SAT 是 NP 完備的經典例子，因為任何 NP 難問題都能歸約到它；下一 token 預測被認為 AI 完備，因為可以構造一個推理小說，最後一句是「兇手是」然後預測下一個 token。他說生成式新視角預測同樣 AI 完備——你可以讓 Martine 在黑板上寫黎曼猜想的證明，Cameron 在隔壁白板把它解出來。Fei-Fei Li 補了進化論版本：大自然給了動物眼睛卻沒給樹眼睛，因為動物會動，動了就能看到新視角。
— Justin Johnson / Fei-Fei Li原話 · 已逐字校驗
But now with Atlas, we can do this with as few as three cameras. So no studio capture, no green screen, no expensive calibration.
但現在用 Atlas，三臺攝像機就能做到。不需要攝影棚採集，不需要綠幕，不需要昂貴的標定。
Justin Johnson3:18
With Atlas, every image actually has an associated three-dimensional camera pose.
在 Atlas 裡，每一張圖像實際上都關聯著一個三維相機位姿。
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.
我見過有人第一次掃一個多房間環境，走了兩個小時才拿到足夠的覆蓋。
Ben Mildenhall15:42
No, no, we're at the beginning.
不，不，我們才剛開始。
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，我們三個人對視，說就是它了，我們要做這個。我們五秒內就做了決定。
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.
我們應該拉遠看，認清現在機器人最大的問題其實是數據。有一天會是芯片，但現在是數據。
Fei-Fei Li31:04
new view prediction, this primitive that we have in Atlas, especially generative new view prediction, this is also AI complete.
新視角預測，我們在 Atlas 裡的這個基元，尤其是生成式新視角預測，同樣是 AI 完備的。
Justin Johnson42:18
數字與實體
| Atlas 復現子彈時間所需攝像機數 | 3 臺 | 3:18 |
| Atlas 支持的稀疏重建輸入幀數上限 | 最多 100 幀 | 2:15 |
| Atlas 相對稠密重建的採集量縮減 | 50 到 100 倍 | 15:42 |
| World Labs 成立時長 | 兩年半 | 10:30 |
| Atlas 單次可處理的圖像採集量 | 64 張 | 18:51 |
| 多房間房子飛越所需輸入從兩千張降到 | 30 到 40 張 | 19:53 |
術語
- new view prediction新視角預測
- 給定若干視角或場景描述，預測任意時空點上虛擬攝像機應看到什麼。
- Gaussian splat高斯潑濺
- 一種 3D 場景表示，渲染高效、易在移動和 VR 設備上運行，Marble 的輸出格式。
- NeRF神經輻射場
- Ben Mildenhall 參與開創的從圖像重建 3D 場景的方法，需大量稠密視角。
- AI completeAI 完備
- 類比圖靈完備：某個 AI 任務若能在最一般意義上求解，就能解決任何智能任務。
- spatial intelligence空間智能
- 生成空間、在其中推理、並編輯和交互的能力，World Labs 的長期目標。
收聽指南
做多模態、3D 生成、世界模型和機器人仿真的工程師與研究者；評估空間智能賽道投資機會的投資人。
30:03 附近有一段明顯轉寫亂碼，可跳過，前後機器人數據討論仍可聽。