跨国深谈← 返回←当AI学会理解世界：World Labs 联合创始人谈 Atlas 与世界模型

当AI学会理解世界：World Labs 联合创始人谈 Atlas 与世界模型

关联

人物 Justin Johnson

公司 World Labs · OpenAI

概念 Atlas · 世界模型 · 模拟 · 高斯溅射 · 真实到模拟再到真实 · 机器人 · Sora · Marble

语言模型让AI学会了处理文字。Justin Johnson 认为，还有另一类模型值得做——世界模型，让AI理解和模拟我们身处的物理世界。

他是 World Labs 的联合创始人，这家公司刚发布了 Atlas,号称首个多模态世界模型：

既能生成画面，又能精确控制镜头，还能把照片重建成 3D 场景。

世界模型到底是个什么东西？

Johnson 的核心论点是：语言模型是处理文字的通用引擎，已经催生了无数应用；

而世界模型应该是基于视觉和物理理解的另一类通用模型，能够生成、模拟、重建各种世界。

如果做得足够通用，它可以横跨娱乐、VR、建筑、机器人等众多行业。

毕竟我们生活在物理空间里，也需要AI来帮忙处理这些空间里的事。

Atlas 能做三件事：生成、重建、模拟

Atlas 是模型发布，不是产品发布，产品还在后面。它做三件事 ：

一是生成。输入文字或图片，凭空造出一个不存在的新世界，然后你可以操纵镜头在里面飞行。

影视特效、游戏都是天然的应用场景。

二是重建。拍几张某个真实空间的照片——少则一张，多则一百张——就能把这个空间重建成虚拟世界。照片越多，重建越精确。

三是模拟。把真实空间复刻成 3D,再模拟机器人在里面会如何行动。

为什么它不像视频生成那样越生成越乱？

视频生成模型有个老大难问题：生成到十几秒后画面就开始跑偏、变形。

Atlas 的解法是把参考图锚定在 3D 空间里——你可以指定这张图在这个位置、那张图在那个位置，像沿路留面包屑一样引导模型 。

同时，镜头控制是像素级的精确输入。

所以即使生成一分钟的视频，结果也不是抽奖——它不是一个老虎机(slot machine),你在持续地指挥模型输出什么 。

这正是 Johnson 强调的设计哲学：他们不想做生成式老虎机——拉动杆子祈祷出个好结果，而是要让人感觉自己是导演，牢牢掌控输出 。

和 OpenAI 的路线之争

2024 年 OpenAI 发布 Sora 时，论文标题就叫「视频生成模型作为世界模拟器」，方向看起来很像。但后来 Sora 2 更像一个消费级短视频产品。

Johnson 不愿评论 OpenAI 的内部决策，但点出了一个可能的困境：当你已经在语言模型上领先时，去押注下一个东西未必划算。

这就是经典的创新者的窘境。而 World Labs 相信世界模型是另一个独立的模型品类，机会很大，他们想自己去抓 。

最惊艳的功能：三台手机拍出子弹时间

一个连团队自己都没想到的效果：

用三台普通 iPhone 架在三脚架上，同步拍下某个瞬间——比如一颗草莓掉进燕麦奶碗——然后用 Atlas 生成电影级的子弹时间镜头：

在牛奶溅起的瞬间冻结时间，镜头绕着飞一圈 。

Johnson 说这比所有人预期的都要好，仅凭三个视角就能做到，非常不可思议。

拍五张照片，五分钟适配一个机器人

机器人是最实用的方向之一。思路叫「真实到模拟再到真实」：

假设你有了一个通用的机器人基础模型，但要让它在一个特定环境里工作，只需用手机随手拍几张那个空间的照片，用 Atlas 重建出来，在里面微调训练，机器人就完美适配了这个环境 。

Johnson 设想的未来是：

拍五张照片，上传，用自然语言描述你想要机器人干什么，让智能体自动搭建模拟、完成微调——几分钟内，一个针对这个房间量身定制的机器人就绪。

至于奇特的物理场景，比如黑洞？他猜 Atlas 现在大概搞不定，得先试试再说。

大致牛顿力学范围内的东西都在训练数据里，问题不大；量子尺度就得重新设计架构了 。

游戏会被AI完全生成吗？

主持人半开玩笑地问：GTA 6 会不会是最后一批纯人工打造的大作，以后游戏都由模型实时生成？

Johnson 不同意这个说法。

他类比迪士尼的历史：从手绘每一帧，到声画同步，再到皮克斯的电脑动画——每次新技术出现，创作者总能找到新的表达方式。

AI 只是新一代创作工具，「创意的人永远握着方向盘」。

本集带走

• 世界模型是继语言模型之后的另一类通用模型，基于视觉和物理理解，能生成、重建、模拟三维世界，横跨游戏、影视、VR、机器人多个行业。
• Atlas 的关键差异是精确控制：参考图锚定在 3D 空间、镜头像素级操控，长视频生成不再是抽奖。
• 三台 iPhone 同步拍摄就能生成电影级子弹时间镜头，是发布会上最惊艳的意外之喜。
• 机器人训练的新路径：拍几张环境照片重建模拟场景，几分钟内让通用机器人适配特定空间。
• 尽管AI能生成一切，Johnson 认为创意永远需要人在环里——新技术只是新一代创作工具。

这里的核心论点是，存在一种新的、我们可以构建的不同类型的横向模型，叫做世界模型。
The central thesis here is that there’s a new, there’s a different kind of horizontal model that we can build called a world model.
—— Justin Johnson · [03:09]

我们的论点是，存在另一类模型叫做世界模型，它应该基于视觉理解、基于物理理解，可以用来生成、模拟、重建世界。
And our thesis is that there exists another category of model called world models that should be based in visual understanding, should be based in physical understanding, that can be used to generate, simulate, reconstruct worlds.
—— Justin Johnson · [03:23]

所以这里的理念是，即使你去到非常长的生成，它也不是一台老虎机。
So the idea here is that even as you go to really long generations, it’s not a slot machine.
—— Justin Johnson · [05:01]

我们从来不想构建这些生成式的老虎机——你只是拉一下那个杆，然后祈祷生成出一个好结果，或者感觉那个生成物不是你的、不是你控制的、也不知道自己会得到什么。
We never wanted to be building these generative slot machines where you just like pull the thing and hope you get out a good generation or you don’t feel like that generation was yours or that you controlled it or that you knew what you were getting out.
—— Justin Johnson · [17:42]

比如无论是 3D 控制，还是文本控制，让你感觉自己是这个过程中的导演，引导这个模型、精确决定它输出什么，而不是模型吐出一个东西，也许我事后把它拼接起来。
Like whether it’s 3D control, whether it’s text control, that you feel like you’re a director in the thing guiding this model and deciding exactly what it outputs rather than just like the model spits something out and maybe I can stitch it together after the fact.
—— Justin Johnson · [17:56]

所以任何大致属于牛顿力学但表现不对的东西，可能离一次快速的 SFT 就差不远了。
So anything that’s like roughly Newtonian that doesn’t work out is probably just a quick SFT away.
—— Justin Johnson · [20:53]