新聞

由著名AI科學家李飛飛創辦的World Labs周二（9/1）正式發表新一代世界模型Atlas，這是一款從零開始預訓練的「全模態模型」，可原生處理文字、圖像、影片與3D四種資料型態。World Labs表示，Atlas將驅動未來版本的Marble及其他產品，標誌著空間智能技術邁入新階段。

World Labs是由李飛飛、Justin Johnson、Christoph Lassner與Ben Mildenhall於2024年共同創立，定位為空間智慧公司，專注於打造前沿世界模型，以讓AI能夠感知、生成、推理並與3D世界互動。今年2月，該公司完成10億美元新一輪融資，估值約50億美元。

Atlas具備四大核心能力，分別為相機控制生成、空間重建、時空模擬與圖像生成。其中，相機控制生成指的是用戶可像導演一樣直接指定鏡頭位置與角度，Atlas便能根據1到6張參考圖像，生成最長1分鐘、1440p解析度的影片，畫面不僅與原始圖像一致，還能補足照片中看不到的區域。

在空間重建上，Atlas可處理1張到數十張，甚至超過100張的輸入圖像。輸入的照片越多，模型掌握的資訊就越完整，重建結果也越接近真實場景；反之，若僅輸入2至3張照片，Atlas則會運用其豐富的世界知識，「腦補」出未拍到的部分，適合快速生成與概念設計。

第三項能力是時空模擬。Atlas能同時理解空間結構與時間變化。例如，傳統拍攝「子彈時間」效果需要在場景周圍架設數十臺專業攝影機同步拍攝，成本極高；Atlas僅需3到5臺普通手機從不同角度拍攝同一場景，便能重建出完整的3D空間，讓用戶自由定格時間、從任意角度重新觀看畫面。

Atlas亦可根據文字提示生成高品質圖片與360°全景圖，能處理複雜指令、精準呈現文字，並支援多種視覺風格，從寫實到插畫皆可勝任。

Atlas的核心設計為空間脈絡（Spatial Context），它是一款多模態的自迴歸擴散Transformer，所有輸入的內容，不管是文字、圖像、影片或是3D，都會被整合到一個共享的3D空間，每張圖像和深度圖都被錨定在3D空間中的具體位置。Atlas根據此一脈絡生成後續內容，在3D空間中與已見資訊保持連貫一致，並能推想視野之外的景象。

在基準測試上，第三方人類評審盲測顯示，Atlas於相機控制生成任務上對各主流模型的勝率均超過七成五，最高達94%。在3D重建任務上，Atlas於多個標準基準測試中的平均誤差僅8.6×10⁻³，優於多款專門為3D重建訓練的開源模型，展現出通用模型的強大實力。

World Labs的首款商用產品Marble於2025年11月推出，最新的Atlas現僅開放合作夥伴存取。