刘慈欣最可怕的预言，被李飞飞做出来了

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。

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。