（来源：图灵人工智能）
转自AI科技评论，仅用于学术分享，如有侵权留言删除
作者丨齐铖湧
编辑丨岑 峰
2026年11月，CoRL（机器人学习顶会）在奥斯汀开幕。
这一届的演讲嘉宾，有一个无法回避的名字，李飞飞。斯坦福教授、ImageNet发起者、World Labs创始人。就在本届CoRL之前，World Labs被AMD收购的消息正在圈内发酵，她即将出任AMD首席科学家。这届CoRL现场，她不仅全面介绍了World Labs最近的工作和她的行业观点，还邀请AMD苏妈参与了对话圆桌，某种意义上，这是她的"AMD首秀"。
为她做开场介绍的，是她的学生、本届CoRL组织者之一Yuke（朱玉可）。他讲了一个细节：毕业典礼上，李飞飞对他说，“你在我的实验室时是我的学生，但从今往后，你是我的朋友。”
这场演讲的正式主角，是World Labs与斯坦福团队研发的新模型Atlas：一个统一的生成与重建世界模型。
以下是AI科技评论带来的现场实录。
▎《Atlas：A Unified World Model for Generation and Reconstruction》
▎分享者：李飞飞
非常荣幸受邀来到CoRL，尤其是有好几位我的前学生都是组织者。你们干得真棒，我知道，因为我很多论文和工作坊提案都被你们拒了。（全场笑）向CoRL致敬。
今天我想分享我们实验室最近开发的一个模型，叫Atlas：一个统一的生成与重建世界模型。
既然在CoRL，就先从机器人学的动机讲起。
机器人领域最近变化很大，但不管我们用什么方法，机器人要解决的根本问题是：给定世界状态、给定目标、给定机器人，每一个时刻下一步该做什么？
大体上，机器人需要解决几个问题：第一，理解和表示世界的状态，用隐式还是显式可以讨论，但"理解"本身很重要；第二，预测有后果的动作，并加以规划。
最后，数据永远是难题。机器人是典型的长尾问题，成功部署极其受限，所以我们总希望能通过尽可能多地模拟不同环境来补充真实数据，用于训练和评估。
无论用什么方法，这三个问题在机器人学里都依然重要。而它们恰好对应世界模型要解决的问题：理解环境，对应渲染；预测动作后果，对应规划；模拟世界状态，对应仿真。
渲染、规
划与仿真，世界模型的三大维度
我不想教条地说它们完全独立，实际上它们在很多方面可以统一、彼此衔接，这些都是这个领域最前沿、最令人兴奋的方向。
今天我要专门讲的Atlas，主要解决渲染和仿真问题，尤其是模拟世界的几何以及3D/4D动态。
简而言之，Atlas是一个从零训练的自回归基础模型，单一模型，接收多模态输入，文本、图像、视频、深度信号、灰度框（graybox）或3D结构信号。它输出像素帧；不仅生成时空上漂亮的帧，还能合成新视角，从而实现高精度、高保真的3D重建。
Atlas：聚焦于渲染和仿真
先回顾一点历史。
计算机视觉有两个非常重要的问题，研究者们花了几代人的时间去理解。
一是3D重建问题，从经典的"Building Rome in a Day"到最近的NeRF类神经渲染工作，根本问题是：给定不同相机位姿下的图像，构建符合真实世界的3D世界。大多数方法需要大量带位姿的图像；位姿覆盖不足时，重建出的区域就充满不确定性。
经典三维重建的问题所在
另一条线是生成式AI。扩散架构天然适合多视角生成的探索，让我们离"生成+重建"越来越近。已有不少出色工作尝试联合去噪多个视角来保持空间一致性，但总体结果有限：空间一致性难维持，且每次去噪只对应固定目标视角，计算昂贵、无法实时。
经典三维重建很难维持空间一致性
改变视角或实时运行，计算成本太高
Atlas延续这条思路，试图用一个模型架构、一套训练配方，把生成与重建统一在同一个屋檐下。
它是这样做的，首先是一个极端：给定多张图像，Atlas做重建；图像足够多时，做稠密重建，很好地恢复场景。另一个极端：零像素条件，只给一个文本提示，Atlas做纯生成，并生成多帧视角一致的图像。
Atlas还能做连接两端的事：我们称之为稀疏重建：只给极少量视角，极端情况只有一张图，Atlas能估计相机位姿，再生成尽可能多的视角，重建并生成完整世界。它在一个模型内，从稠密重建到稀疏重建再到纯生成，自由切换。
看个例子。
在座至少有人认得，这是斯坦福校园著名的主广场（Main Quad）。给定两张有限的图像，模型"幻觉"出一个主广场，熟悉斯坦福的人知道，这不是真的主广场，它"神似"但不是：有一点那些拱廊的影子，大部分是生成的。
给8张图，效果好得多，相对这么大的空间，8张图非常稀疏，但它基本给出了整个广场的全貌，只是著名的纪念教堂缺失了，因为输入图像里没有它。
最后是33张图，总体上仍然非常稀疏，但其中一张里有纪念教堂，于是Atlas基本上重建出了漂亮的、完整的斯坦福主广场。
还有一点要指出：这33张图都是在地面上拍的，就是一个人拿着相机走了一圈，但我们生成了完全不同的视角，包括你们现在看到的这个航拍视角。
Atlas的技术洞见是什么？就是大家都听过的下一token预测。
我们的说法是，视角即一切（Viewpoint is all you need）。在强相机条件下预测下一个视角，这就是我们的目标函数。架构上，它是一个多视角自回归扩散Transformer。
所以Atlas可以：输入文本，生成带相机位姿的图像；输入图像，估计位姿，并基于输入生成更多新位姿的图像；接收多视角输入，沿不同相机路径在视角间插值和外推，恢复3D场景；还能接收深度图或灰度框，输出RGB像素，这在很多机器人和游戏场景里非常有用。
Atlas 的生成、重建能力非常强
看一些量化结果。
几天前，一个我们事先并不知情的第三方机构用约50万次人工判断，对多个最先进视频模型做了相机控制生成的盲测（ Rapidata 测评机构），Atlas排在榜首，明显领先第二名。
Atlas能生成超过60秒、视角一致的视频。
我特别想对比一下我们一年半前的上一代模型：那时生成范围和几何一致性都非常有限，有人批评说：“你们做的不是世界模型，是closet models（秘密不公开的，类似于被关在橱柜里的模型）。”（全场笑）
现在，我们已经从"橱柜"走进了大得多的世界。
这是个有趣的生成例子：Atlas能接收两张毫不相干的图像，估计出合理的相机位姿，再补全场景其余部分，创造出一个融合两处场景的奇幻世界。这对创意应用非常合适。还有这个：给Atlas灰度框输入，它能据此生成一个完整精美的大世界，这对机器人、设计和创意工作都很有用。
重建方面，我们拿Atlas和专门的3D重建模型对比：在深度预测任务上跨7个数据集测试，Atlas甚至超过了最近最先进的专用3D重建与深度预测模型。
Atlas本身不必使用高斯泼溅（Gaussian Splatting）做表示，但如果后置接上它，我们在6个数据集上与专用模型比较高斯泼溅重建误差，Atlas同样达到很强的SOTA水平。我们还调节输入视角数量，从稀疏重建平滑过渡到稠密重建，在两个数据集上都表现很好。
看几个例子。这是3D重建社区很著名的一套公寓：只给8张图，Atlas重建出这个相当大的公寓，我们可以采样各种视角，人对相机有完全的控制。这是一个"单图升维"的例子：一张输入图，得到一个高斯泼溅世界，一个非常漂亮的奇幻空间。
这个例子里，模型不仅生成场景，还生成深度信息，让艺术家能精确控制相机方向，得到想要的运镜效果。
再看两个好玩的。熟悉电影的人知道"子弹时间"（Bullet Time）：《黑客帝国》里那个经典视效，当年需要数百台相机阵列捕捉时空动态。现在，用我们办公室里临时搭的3台iPhone，Atlas就能重建这个时空动态场景，呈现漂亮的子弹时间效果。
另一个进展是，我们最近把模型蒸馏到了实时运行：15fps。你们现在看到的是有人实时"驾驶"Atlas、实时生成的录屏，可以看到保真度和视角一致性都非常好。
（编者注：多视角自回归扩散加上 15fps 实时生成，背后对底层算力吞吐的要求不言而喻。就在这场演讲结束后的对话中，李飞飞与 AMD CEO 苏姿丰两人正好深聊了世界模型与底层算力的协同问题，详见今日次条实录。）
最后，Atlas在机器人仿真中确实有潜在应用，我们正在测试：既用于训练导航机器人，也用于把真实世界接入仿真、再回到真实的机器人操作。这些机器人只在仿真的虚拟世界中训练，却能零样本部署到真实世界。我们正在结合Atlas深化这项工作。
Atlas可以给机器人重建空间，提供仿真环境
大家可以关注我们的X账号，很快就能看到这个工作的首映，我保证是个很棒的视频。创作者可以用Atlas实现创作梦想，精确的相机控制、物体交互和实时导航。我们很快会向全世界开放Atlas，敬请期待。
最后打几个广告。一是斯坦福BEHAVIOR挑战赛，今年已是第二年，明天公布获奖者。今年非常激动人心，我们看到了包括生成式AI在内的新方法涌现。
此外，我还有很多学生很努力才进入CoRL，我们有6篇论文，World Labs团队和斯坦福学生团队为这些研究付出了很多。
谢谢大家。
▎后记：
以上就是演讲全文，这个主题为《一个统一的生成与重建世界模型——Atlas》的演讲结束后，李飞飞还与AMD CEO苏姿丰（Lisa Su）进行了一场关于算力、机器人与“这个时代最大的失误”的炉边对话。
