李飞飞：世界模型预测「新视角」

李飞飞这次，是真想把Atlas讲明白。

「全球首个」多模态世界模型Atlas刚发布，她就拉上World Labs另外两位联创做客a16z，大聊特聊Atlas到底是什么、背后有哪些核心技术以及它到底意味着什么。

△左起依次是：联创Justin Johnson和Ben Mildenhall、李飞飞、主持人Martin Casado

信息量很大，先给大家划个重点：

▪︎Atlas的基本动作，是换个位置继续看。 LLM预测下一个token，视频模型预测下一帧，Atlas预测的则是新视角。给它几张照片，它要理解这些画面在空间里是什么关系，再告诉你从另一个位置看过去会是什么样。

▪︎生成和重建，第一次被装进了同一个模型。 过去，生成负责想象不存在的画面，重建负责还原真实空间，两拨人研究了几十年。Atlas用相机位姿把它们接到一起，同时处理文字、图像、视频和3D。

▪︎3D采集可能一下少掉两个数量级。 以前重建一个空间，需要围着它拍几百甚至几千张照片；Atlas想把这个数字降到几张、几十张。三部iPhone，也能拍出《黑客帝国》式的子弹时间。

▪︎它瞄准的不只有影视、游戏和3D创作。 在李飞飞看来，机器人眼下最大的瓶颈是数据而非芯片。Atlas可以把真实环境更快搬进仿真世界，再通过随机化制造大量训练场景。