近日，李飞飞携 World Labs 核心团队做客 a16z，首次全面披露多模态世界模型 Atlas。与大语言模型预测下一个 token、视频模型预测下一帧不同，Atlas 将核心锚定在“新视角预测”上。用户输入场景若干视角图像或文字描述，模型即可精准输出时空任意位置的画面。该机制首次在同一模型中深度融合“生成”与“重建”，原生处理文字、图像、视频、3D 及相机位姿等多模态数据。团队认为，新视角预测或成为通往 AGI 的核心基础原语之一。 传统 3D 重建通常需要数百甚至上千张照片，Atlas 将数据采集量压缩至几张或几十张。例如，仅凭三部 iPhone 拍摄的画面，就能直接生成电影特效般的子弹时间视频。Atlas 是对前一代模型 Marble 的迭代升级，解决了传统 3D 重建盲区补全难题，并具备可扩展的空间上下文窗口。 应用前景方面，Atlas 可服务创意设计、建筑与施工，以及在机器人领域提升现实到仿真测试的转化效率，缓解机器人训练数据不足问题。目前 Atlas 已具备初步动态处理能力，未来将重点推进动态效果、内容编辑和人机交互，构建普通用户可与 3D 虚拟世界直观交互的系统。