World Labs 发布新一代世界模型 Atlas：从"读懂语言"到"理解世界"的转折点

一、事实

• 发布方：World Labs——李飞飞 2024 年与 Justin Johnson（计算机视觉）、Christoph Lassner（生成式 AI）、Ben Mildenhall（计算机图形学，NeRF 作者之一）共同创立的空间智能公司
• 模型名称：Atlas（2026-09-02 发布）
• 官方定位：World Labs X 原文："世界上第一个能以像素级相机控制生成图像与视频帧、并将其重建为 3D 的多模态世界模型"；World Labs 称之为"omni model (全模态模型)"，从零开始预训练（注意：DeepMind Genie 3、英伟达 Cosmos 3 也被自身定位为"世界模型"或"全模态世界模型"——"首个"是 World Labs 的自述，行业内仍有讨论）
• 模态：原生处理文本、图像、视频、3D 四种数据
• 参数 / 训练数据 / 推理成本：未公开——World Labs 截至公告日未公布参数量、训练数据规模、scaling 曲线、推理成本、延迟数据；仅定性表述"提升一档算力解锁新能力"
• 核心架构：多模态自回归扩散 Transformer（multimodal autoregressive diffusion transformer）；关键设计是 Spatial Context（空间上下文）——每一张输入图像与对应相机位姿绑定，构成共享的 3D 锚定空间
• 关键能力（四大）：
  • 相机可控生成：1-6 张参考图 + 用户指定机位角度 → 最高 1440p、最长 1 分钟视频
  • 空间重建：1 张到几十张输入图 → 新视角图像 + 点云 + 3D 高斯泼溅（Gaussian Splatting）
  • 时空模拟：子弹时间（3-5 台普通手机即可）、机器人 Real-to-Sim
  • 图像生成：文生图 + 360 度全景图
• Benchmark 表现：
  • 相机可控生成（World Labs 自评，第三方人类盲评胜率）：vs MiniMax H3 75% / vs Gemini Omni Flash 81% / vs 阿里 HappyHorse 1.1 86% / vs FLUX 3 93% / vs 字节 Seedance 2.5 94%（运镜越复杂优势越大；注意：其他模型不接受相机位姿作为原生输入，运镜只能通过文本提示描述——胜率衡量的是"原生相机接口 vs 文本描述运镜"的差距）
  • 3D 重建（稀疏视角 AbsRel×10⁻³，越低越好）：Atlas 25.3 / Pi3X(posed) 28.7 / π³ 34.7 / VGGT-Ω 1B 36.4 / Depth Anything 3 39.3 / MapAnything 47.7
• 与同期世界模型对比：
  • Google DeepMind Genie 3（2025-08）：文本实时生成 720p、20-24fps 交互式环境
  • 英伟达 Cosmos 3（2026-06）：统一架构处理语言 / 图像 / 视频 / 声音 / 机器人动作
  • World Labs 自家 Marble（2025-11）：文本 / 图片 / 视频 / 粗略 3D 布局 → 可探索 3D 世界
  • Atlas 的核心差异：首个把"生成 + 重建 + 仿真"统一到 3D 空间核心的模型；李飞飞 2026 年 6 月曾把世界模型分为 Renderer（渲染器）/ Simulator（模拟器）/ Planner（规划器） 三类，Atlas 已在同一基础模型中承担前两者
• 商业化路径：不开源；当前仅向少数合作伙伴开放早期访问；后续将驱动 Marble 及 World Labs 其他产品
• World Labs 时间线（理解 Atlas 的背景）：2024-09 隐身模式 + 2.3 亿美元融资 / 2025-11 Marble / 2026-01 World API / 2026-02 10 亿美元新融资（Autodesk 投 2 亿美元、AMD、英伟达、Fidelity 跟投，估值约 50 亿美元）/ 2026-07 收购仿真公司 SceniX / 2026-09-02 Atlas
• 信息来源：World Labs 官方博客 worldlabs.ai/blog/atlas · 机器之心 2026-09-02 转载 · DeepTech 深科技 2026-09-02 报道

二、晟安视角

1. 为什么我们关注这件事

在晟安的 AI 投资框架里，我们把"AI 算力"列为第二条主线，与"国产替代""未来能源"并列。这条主线下，我们不押注"哪家模型公司会赢"——那是 100 选 1 的赌博。我们押注的是"无论谁赢，都需要这些底座"：

• 算力芯片：GPU、NPU、TPU
• 互连与加速：DPU、网卡、PCIe Switch
• 存储：HBM、SSD 主控、分布式存储
• 光通信：800G/1.6T 光模块

Atlas 这类"多模态世界模型"对算力的需求，是当前主流大语言模型的 5-50 倍。原因很简单：

• 数据维度爆炸：视频是文本 token 的 ~1000 倍（按帧算）
• 3D 几何计算：每帧要处理点云、网格、辐射场
• 物理仿真：刚体、软体、流体的微分方程求解
• 长上下文：视频秒级 → 分钟级 → 小时级

当一家头部实验室发布"首个多模态世界模型"时，真正的赢家不是模型本身，而是为它提供算力、存储、网络的全部底座供应商。

2. 与晟安已投企业的关联

Atlas 不是晟安已投企业的客户——但它是晟安"算力底座"叙事的强力旁证。每一家头部实验室发布新一代模型，都在为这条产业链集体背书。

3. 世界模型为什么是"下一个十年的入场券"

从 2020 年 GPT-3 到 2026 年的多模态世界模型，我们看到的演进路径是：

语言模型（理解符号）→ 多模态模型（理解图文）→ 具身智能（理解动作）→ 世界模型（理解物理）

"世界模型"这个词的真正含义，是机器第一次具备了对"如果……会怎样"的因果推理能力——这与单纯的"下一个 token 是什么"是本质不同的范式跃迁。

Yann LeCun 在 2022 年公开说过："下一代 AI 不是更大的 LLM，而是能理解世界运转方式的世界模型。"Atlas 是这条路上的第一个公开可验证的里程碑。

它的影响将沿着三个方向扩散：

1. 具身智能（Embodied AI）：机器人、自动驾驶、AR/VR 不再需要"硬编码规则"
2. 内容生产：影视、游戏、3D 设计从"工具辅助"走向"AI 主导"
3. 科学研究：流体、材料、气象、生命的模拟从"专用求解器"走向"通用世界模型"

三、启示

1. 对算力产业链：每一次范式跃迁（CNN → Transformer → LLM → 世界模型）都伴随算力需求 10-100 倍的跃迁。布局算力底座的窗口期，比布局模型层更长、确定性更高。
2. 对内容/影视/游戏行业：3 年内"AI 主导的内容生产流水线"会成为标配；现在还在用 SD/Midjourney 做素材的团队，2 年内会被甩开。
3. 对中国硬科技投资：当美国头部实验室在大模型与世界模型上持续突破，"国产替代"不再只是政策驱动，而是被市场刚需倒逼。摩尔线程们的时间窗口，比想象中更紧。
4. 对晟安：继续加注"算力底座"主线，特别是在 DPU、HBM 国产化、3D 专用加速器这些模型层下面 1-2 层的赛道。