刘慈欣最可怕的预言，被李飞飞做出来了

刘慈欣最可怕的预言，被李飞飞做出来了

来源：倍可亲(backchina.com)

　　22年前，刘慈欣在《镜子》里写了一个结局惨淡的故事：人类用超弦计算机复现了整个宇宙，得到了一面能看清任何时间、任何地点发生过什么的镜子。最后，绝对透明的文明失去了活力，人类在澄澈中枯萎。

　　这本来只是一个科幻设定。

　　北京时间9月2日，AI教母李飞飞和她的World Labs，把这个故事的第一章，做出来了一部分。正式发布“全球首个多模态世界模型” ——Atlas，它能以像素级相机控制生成图像与视频，并将画面重建为3D世界。

　　李飞飞本人将其称为“里程碑式”成果并在社交平台置顶，表示Atlas“为从视觉特效到机器人的众多应用场景打开了大门”。

　　英伟达机器人主管、同时也是李飞飞的学生Jim Fan等多位业内人士也称赞：

　　这是机器人领域Real-to-Sim（真实到仿真）的“一大步”。

　　这个场景和《镜子》有些相似:书里，白冰输入参数，计算机演化出整个宇宙；书外，人们给出提示词，模型生成出一方世界。

　　那么，这个敢以“首个多模态世界模型”加冠的Atlas，究竟能做什么？

　　Atlas——第一个尝试理解世界的模型

　　关于这个模型，按官方的说法，World Labs将Atlas称作Omni Model（“全模态模型”，从零开始预训练，原生处理文本、图像、视频和3D四门功课。

　　第一门是“轨迹拍摄”。

　　输入1-6张参考图，再画好想要的运镜轨迹，它就能生成最长一分钟、1440p的高清视频。

　　放在以前，在影视制作上，大家用视频模型生成的都清楚，控制镜头你就要在提示词里打“镜头向左平移”“俯拍仰拍”，这类含糊的文字描述，效果如何全凭运气。

　　有一种方法就是写出论文一样的提示词，将AI死死框在我们的文字下，但这也需要导演有极强的“空间想象力”，这样的人才不是没有，只是不多。

　　现在靠Atlas，这一步则省下不少导演的脑细胞，它把相机轨迹本身变成了输入，省下原本描述“轨迹”的那部分编写提示词的时间。

　　镜头路径

　　镜头路径

　　第二门是“3D建模”。

　　给它几张到几十张照片，它能重建出完整的3D空间，能直接输出游戏和VR行业可用的3D格式。

　　用上了真正的3D渲染技术，比如点云和高斯泼溅。

　　点云相当于把像素从照片里“立”进三维空间——成千上万个点，每个点记录一组空间坐标和颜色；3D高斯泼溅通俗说就是一小团有体积、会渐隐的颜料雾：中心最实，越往边缘越透明；这团雾还能拉伸、压扁、旋转，并携带自己的颜色和透明度。两者都是3D渲染的方式。

　　官方案例里，凭2-25张在地面拍摄的照片，Atlas就重建了整个金门大桥的周遭，甚至生成了高空俯瞰的画面，那个视角，拍照的人也许自己都没见过。

　　第三门是“时空魔术”。

　　它能从普通手机拍下的视频里同时读懂时间和空间，把画面重新“剪”到任意机位。

　　以上片段是镜头在时间上的处理，这让我想起《黑客帝国》式的“子弹时间”，当时拍摄的时候，需要几十台专业相机围成一圈，如今一部手机拍几张照就能实现。

　　当年镜头设计的手稿

　　空间上，你还可以让Atlas帮你“衔接空间”。比如说输入两张不同空间的图片，AI会输出两个空间交集时的状态，这项工作，相信学建筑、室内设计相关的朋友一定用得上。

　　这项能力还被用于机器人训练，拍几段视频，就能搭出一个供机器人反复练习的仿真环境。

　　最后一门也是最基础的“丝滑生成”，一般模型拥有的文生图、360度全景图它也都具备。

　　官方谦称这只是“副业”，但复杂的提示词、画面里的文字渲染、多变的画风，它都能胜任。

　　提示词：在旧金山(专题)金门大桥附近的海滩上日落时分，用粗糙的粉笔画，笔触粗犷厚重

　　并且在和其他模型PK上也丝毫不逊色。

　　在相机控制生成上，结果显示，Atlas优于SOTA视频模型，并且相机轨迹越复杂，Atlas的优势越大。

　　根据稀疏输入视角进行3D重建的任务中，Atlas超过了表现最好的专业开源3D重建模型。（分数越低表现越好）

　　四门功课背后，是同一套心法，也是Atlas区别于以往模型的核心区别——空间上下文

　　以往的多模态模型，无论宣称“全模态”与否，基本范式仍沿袭大语言模型（LLM）：把一切输入编码成token序列，在“文本上下文”里做跨模态对齐。

　　图像、视频对它们而言也是先翻译成文本再进行处理，模型做的最多的动作就是“翻译翻译”。

　　但其实，模型并不真正懂得画面里的物体在三维空间中处于什么位置。

　　Atlas的做法是把每一张图像、每一段视频帧都绑定到三维空间中的精确位置，附带相机位姿和深度信息，构成所谓的“空间上下文”(spatial context)，再基于这个上下文做自回归生成。

　　打个比方：传统是在一段文字后面续写下一个词，Atlas是在一个带空间上坐标轴和比例尺的三维草稿里续下一部分。

　　所以当评论区有大佬疑问：

　　“模型如何能补全从未在图像里实际出现过的那些部分呢？”

　　李飞飞则回答：

　　这就是生成式模型的妙用之处。

　　因为World Labs显然已经不满足于做一个内容玩具，他们希望现在的AI模型能够真正知道这个世界本来是什么样子的。

　　李飞飞和Atlas背后的二十年

　　其实“模型”只是进步的具体表现，也许很多人，特别是普通人会疑问，只是更新了又一个“多模态”模型，为何一个模型值得如此长篇叙述？

　　其实是时代的洪流推着我们了解更多的事物，哪怕是一个暂时和我们生活相关性不高的东西，冥冥之中又和我们息息相关。

　　1976年，李飞飞生于北京，童年随家人迁居四川，父亲是工程师，母亲出身书香门第，让这个家庭的底色形成尊重好奇、鼓励提问的氛围——这成了她一生学术品味的源头。

　　1992年，16岁的李飞飞随父母移居美国新泽西州。三年后，李飞飞以全班第六的成绩从帕西帕尼高中毕业，SAT数学满分，拿到普林斯顿大学全额奖学金。

　　在普林斯顿，她选择了物理专业，理由也很简单：那是“西方科学最高创造性凝聚的最美学科”。1999年本科毕业时，高盛递来优厚邀约，她却拒绝了——凭“藏医药学与西医学的医理比较”课题从1200名竞争者中拿到普林斯顿“马丁·戴尔1953”奖学金，独自赴西藏生活研究了一年。

　　这个看似绕远的决定，藏着她后来一切选择的方法论：

　　跟着真正的好奇心走，而不是跟着既定轨道走。

　　彼时谁能想到，这个短发藏医女孩此后会变成叱咤世界的AI教母。

　　李飞飞在西藏

　　2000年她进入加州理工学院，师从计算机视觉专家彼得·佩罗纳（Pietro Perona）和认知神经科学家克里斯托夫·科赫（Christof Koch），研究神经科学与计算机的交叉地带，2005年获电子工程博士学位。此后历任伊利诺伊大学、普林斯顿大学助理教授。

　　2009年加入斯坦福。在计算机视觉备受冷落的年代，她受儿童认知过程启发，坚持“海量数据训练”理念，建起包含1400多万张图片、2.2万个类别的ImageNet数据库并于2009年开源，

　　2012年AlexNet在这个数据集上一战成名，直接引爆了深度学习革命。

　　ImageNet与神经网络算法、GPU算力分别代表着数据、算法、硬件，被称为现代AI诞生的三大基石。

　　但李飞飞本人后来多次表示，数据训练识别只是视觉智能的起点。机器认出了猫，却不知道猫有几斤重、能不能跳上桌子、转身时尾巴会扫到什么，那也就是说，机器并不了解我们的世界。

　　所以在机器深度学习领域，世界模型的最初概念也在那个时候在她脑袋里种下。（2018年David Ha 与Schmidhuber合著的论文《World Models》真正让它成为现代深度学习里程碑）

　　在斯坦福的10年，她致力于将计算机视觉与机器人学习相融合，也就是说从“看懂图像”走向“在物理世界中行动”这件事她是并行研究的，并没有一先一后的说法。

　　2024年，48岁的李飞飞离开斯坦福，与三位计算机视觉领域的顶尖学者共同创立World Labs——联合创始人包括本·米尔登霍尔（Ben Mildenhall，3D重建领域标志性技术NeRF的作者）等。

　　公司成立当月即获a16z、Radical Ventures投资，尚无产品，估值已达2亿美元；2024年9月官宣2.3亿美元融资结束隐身状态。个人投资者名单里有AI教父杰弗里·辛顿（Geoffrey Hinton）、谷歌DeepMind首席科学家杰夫·迪恩（Jeff Dean）这样的名字——AI教父用自己的钱投了票。

　　2025年11月，她发表长文《从语言到世界：空间智能是AI的下一个前沿》，这可以视为她对于Atlas模型方向的思想宣言。

　　文中对当下的LLM定性：当前大语言模型如同“黑暗中的文字匠”，辞藻华丽却缺乏历练，学识渊博却脱离实际。即使最新的多模态模型，在估算距离、方向、大小时的表现也往往不及随机水平；AI生成的视频虽惊艳，却往往很快失去连贯性。

　　她认为语言在人类进化史上只有约50万年历史，是极其晚近的产物；而视觉、触觉代表的感知能力早在5亿年前的寒武纪就开启了演化竞赛。语言不是智能的全部，甚至不是智能的基石——只有语言能力的AI将被永远困在数字世界里。

　　人类认知的“脚手架”，是连接感知与行动的核心能力，让人能停车时估算车距、在人群中自如穿行。它让机器不只理解“看到了什么”，还理解“这些东西如何关联、意味着什么”。

　　世界模型的三大能力（也是判断Atlas的标尺）：生成性（创造出几何、物理、语义一致的世界），多模态性（理解文本、图像、动作等多种输入），交互性（根据动作预测世界的下一步变化）。

　　应用三阶段路线是：短期赋能创意（电影、游戏、建筑），

　　中期推动具身智能机器人，长期进入科学、医疗、教育。

　　（目前我们正处在短期到中期的过渡中）

　　文章字字珠玑，好像对当下LLM全方面宣战，但是外界对于此的反应呢？不像以往种种案例，抨击她是“疯子”“不可理喻”，相反，很多人支持她的观点，名单里有英伟达的黄仁勋、Google DeepMind前CEO德米斯·哈萨比斯（Demis Hassabis）。

　　除了公开支持，还有人真金白银直接投资，除了前文提到的辛顿和迪恩，还包括AMD的苏姿丰、Meta前首席AI科学家、图灵奖得主杨立昆等等。这些人个个都不是小角色，他们大多是站在AI研究前沿领域的科学家或是科技企业的掌舵人，也没有一个是以轻信著称的。

　　李飞飞获伊丽莎白女王工程奖，一众业内大佬让这位卓越的女士站在C位

　　因此，公开支持也好，投资撒币也好，都让我们渐渐清晰，一直有人在对的方向正在做对的事。

　　也许Atlas的能力还达不到市面上一流模型的单项能力，但是Atlas的意义远不在排行榜的数字上，而在于，它所宣扬的——从让机器看见，到让机器看懂，再到让机器动手的思想。

　　李飞飞自己也评价：

　　已经看到了非常有力的证据，证明Atlas的能力会随着规模扩大而继续提高。

　　在这条路上，World Labs才刚刚开始。

　　早在2004年，刘慈欣就在《镜子》里“预言”了我们今天讨论的大模型、参数、AI生成内容、数字孪生等概念，并且辩证地批判了这些黑科技对人类社会的改变和影响。22年过去，预言以“形异而神似”的方式照进现实。

　　但相似的起点，并不意味着相同的终点。

　　从科幻到科学，中间隔了什么？

　　大刘给出的结局是冷峻的：

　　绝对透明的文明逐渐失去活力，艺术消亡，人类最终在澄澈中枯萎。

　　而李飞飞和Atlas给出的，是一条面向现实世界的路——它不追求把一切看得透明，而是试图让机器真正理解空间，理解这个世界本身。

　　这条路能否走通，现在下结论还太早。但至少，它让“看懂世界”不再只是科幻小说里的一个设定。

版权说明 / Copyright Notice:
Content and images in this article may originate from third-party sources and are used for news reporting, commentary, or public interest purposes. All copyrights remain with their respective owners. Please refer to the Copyright Notice at the bottom of this page.
本文内容仅供信息参考，不代表倍可亲立场或观点。