AI 卷完“会说话”，该卷“懂空间”了

前段时间，全网 AI 都在卷“会说话”——写代码、写稿子、画图、剪视频。

“AI 教母”李飞飞，这次押了条不一样的路：让 AI “懂空间”。

9 月 1 日，她创办的 World Labs 发布“全球首个多模态世界模型”：Atlas。

一句话说清它干的事：以前 AI 是“看一张图、出一张图”；现在，它“看几张图，还原出一个 3D 世界”，你还能改变相机角度，进去“逛逛”。

官方演示里有个例子很直观：只给一张机器人的正面照，Atlas 能自己补出没拍到的背面。给一张泳池边角的照片，它能“脑补”出隔壁没拍到的草坪和远山。

更狠的是空间重建。斯坦福主方庭，过去要还原它，得扛着专业设备围着转几十圈，拍好几百上千张照片。Atlas 只用了 2 到 25 张游客随手拍的地面照，就还原出草坪、拱廊、纪念教堂的全部细节，还能生成上帝视角的航拍漫游。

凭什么做到？秘密在“空间上下文”。

大模型处理文字，是把文字编码成“上下文”再生成；Atlas 思路一样，区别在于：它给每一张输入图片都锚定一个三维坐标，相机位置、深度信息一起进来。

打个比方：大模型手里是本“文字地图”，Atlas 手里是一本带坐标轴和比例尺的“三维草稿本”。所以它的镜头控制是“像素级精确”的——给 1 到 6 张照片，设定一条相机轨迹，就能生成最长 1 分钟、1440p 的视频。镜头往哪走，是几何算出来的，不用再靠运气“抽卡”。

那这玩意儿除了做特效、做游戏，到底有啥用？答案藏在一个更焦虑的行业：机器人。

圈内人常说，具身智能最大的瓶颈不是算法，是数据。机器人要学走路、学抓取，需要海量真实交互数据。可真人现场采数据，又贵又慢，还有风险。这行不叫数据“稀缺”，叫“数据荒”。

Atlas 的解法叫 Real-to-Sim：拿手机拍一段房间视频，各取几十帧，它就能重建出这间屋子的 3D 仿真环境。然后让不同形态的机器人在虚拟空间里随便跑，模型实时生成机器人“眼睛”该看到的画面和高精度深度数据。

过去要把一间工厂、一套住宅变成仿真训练场，得靠专业扫描建模设备；现在被压缩成一句话：拿手机拍段视频。

世界模型，正在变成具身智能的“新基建”——在虚拟世界里批量造经验，再喂给现实中的机器人。

当然，也得泼盆冷水。

Atlas 现在还处于早期访问阶段，论文、模型卡、定价都还没公布。它擅长几何连贯的静态空间，不是能模拟物理定律的引擎；照片没拍到的地方靠“脑补”，参考图越少，幻觉越多。评测也大多来自官方自己的说法，还没经过第三方大规模“拷打”。

但大方向已经很清楚了：这一代 AI 争的是“谁会说话”，下一程，恐怕要争“谁更懂这个三维世界”。

李飞飞一直说：空间智能，是 AGI 缺失的另一半。从“生成好看的画面”，到“生成够用的世界”——AI 正在从“看懂世界”，走向“走进世界”。