机器人前瞻11月12日报道，今天，在CoRL 2026上，李飞飞发表演讲《Atlas：一个用于生成与重建的统一世界模型》，随后与AMD董事长兼CEO苏姿丰进行了一场炉边对话，这是AMD宣布收购World Labs以来，两人首次公开同台。
今年九月，AMD宣布与World Labs达成最终收购协议，交易价值约82亿美元（约合人民币547亿元），预计在2026年底前完成。
李飞飞在演讲中提到以下几个重点：
1、在机器人领域，如何理解和表征环境、预测动作可能产生的后果，以及通过仿真补充真实世界数据，是机器人需要解决的三个核心问题。
2、Atlas的三种模式，分别为多图输入做稠密重建，零像素条件做纯生成，少量视图做稀疏重建。
3、在技术思路上，Atlas采用多模态自回归扩散Transformer架构，核心是通过相机条件控制预测下一个视角。
它既能根据大量图像进行稠密重建，也能仅凭少量图像进行稀疏重建，甚至在没有图像输入、只有文本提示词的情况下生成场景。
4、李飞飞还披露，目前正在测试Atlas在机器人仿真中的实际价值。Atlas不仅可以生成和重建三维环境，还可以用于机器人训练和导航，将真实世界与仿真世界连接起来，再让仿真结果应用于真实机器人。
同时，李飞飞也在演讲中展示了相关探索，机器人可以完全在虚拟仿真环境中训练，再以零样本方式部署到真实世界。
5、最后，李飞飞还强调了Atlas在Rapidata相机运动基准中，排名第一。
在圆桌对谈阶段，刚开始时，苏姿丰便对机器人领域的未来作出预测，称物理AI尤其是机器人，是未来几年数千亿美元的机会，并透露AMD已有规模相当不错的机器人研究团队，不过目前相关布局仍处于早期阶段。
李飞飞提出，“AI就是计算，计算就是AI”的观点，并认为前沿LLM/VLM与专用模型各有所长。
而在这一过程中，双方都呼吁为公共部门研究者提供更多算力，需要借助公共部门的力量，理解和评估AI正在做什么，开展基准测试，并向公众提供信息，帮助其理解。
以下是演讲与圆桌讨论的实录：
今天我想和大家分享的是，World Labs研究团队最近开发的一个模型，名为Atlas。这是一个用于生成与重建的统一世界模型（A Unified World Model for Generation and Reconstruction）。
既然我们今天身处CoRL会议现场，就先从机器人领域的需求谈起。
我知道，机器人领域正在发生很多变化，也取得了很多进展。就在一天前，我们还看到了新的研究成果。无论我们采用什么样的机器人技术路线，无论是否使用策略学习（Policy Learning），无论是否使用智能体（Agent），都有一个机器人领域试图解决的根本问题：
给定世界当前的状态、任务目标以及机器人本身，在每一个时刻，机器人下一步应该做什么？
总体而言，机器人需要解决几个基本问题。
首先，机器人需要具备理解和表征世界状态及周围环境的能力。我们可以讨论这种表征究竟应该是隐式的还是显式的，但对环境的理解本身非常重要。
其次，机器人需要能够预测动作可能带来的后果，并以某种方式对这些动作进行规划。
最后，数据始终是一个问题。机器人领域具有很长的长尾分布，机器人要想成功部署，同样面临大量长尾场景。因此，在很多情况下，如果能够通过仿真尽可能多地生成不同环境和状态，用来补充真实世界数据，就会非常有价值。这既有助于模型训练，也有助于模型评估。
无论我们采用什么方法，这三个问题在机器人领域都依然存在。
这也让我想到世界模型。事实上，上述三个问题分别对应着世界模型试图解决的三个问题。
例如，理解和表征环境，对应世界模型和视觉模型中的渲染问题；预测动作可能产生的后果，对应规划问题；模拟世界中的不同状态，则对应仿真问题。
当然，我不想把这些问题绝对化，也不认为它们是完全相互独立的。实际上，在很多情况下，我们可以将它们统一起来，而且这些问题之间也会相互交织。这些都是当前这一研究领域非常令人兴奋的前沿方向。
今天，我想重点介绍Atlas。这是我们刚刚提出的一款新模型。
总体而言，Atlas主要致力于解决渲染和仿真问题，尤其是世界几何结构以及三维、四维动态过程的模拟。
简单来说，Atlas是一个从零开始训练的自回归基础模型（Autoregressive Foundation Model）。它是一个全模态模型，可以接收多模态输入，包括文本、图像、视频、深度信号、灰盒（Grayboxing）以及三维结构信号。
它的输出是像素帧。但Atlas不仅能够以具有时空一致性的方式生成高质量图像帧，还能够合成新的视角，从而实现精确、高保真的三维重建。
接下来，我会展示一些实验结果和具体细节。这里先给大家介绍Atlas的整体能力。
我们先回顾一下相关研究的发展。
计算机视觉领域有两个非常重要的问题。当然，这并不是计算机视觉领域仅有的两个问题，但它们确实非常重要。研究人员已经花了很多年，甚至几代人的时间来研究这些问题。
其中一个就是三维重建问题。我这里展示的研究，既包括经典论文《Building Rome in a Day》，也包括近期最先进的研究，例如NeRF相关论文。
我们试图解决的根本问题是：如何根据从不同相机位置和姿态拍摄的图像，构建一个符合真实世界的三维场景？
大多数传统方法都需要大量具有相机位姿信息的图像。
如果这些相机视角没有覆盖场景的全部表面区域，重建就会变得非常困难，模型也很难准确估计未被覆盖的区域。因此，最终得到的三维重建结果往往存在较大的不确定性。
这就是经典的三维重建问题。
但近年来，生成式人工智能取得了很大进展。现在，我们已经拥有能够直接生成高质量像素内容的纯生成模型。
与此同时，基于扩散模型的骨干架构，也为多视角生成研究提供了新的探索方向，进一步缩短生成与重建之间的距离。
沿着这条研究路线，已经出现了一些非常出色的工作。它们尝试生成此前没有观察到的视角，并通过对多个视角联合去噪，保持空间一致性。
不过，总体而言，这些方法的效果仍然有限。它们依然很难维持空间一致性，而且每一次去噪过程通常只能针对一个固定的目标视角。如果希望改变视角，或者实现实时生成，计算成本就会非常高。
Atlas沿着过去几年一系列研究的方向继续探索，尝试将生成与重建统一起来。
我们的目标是使用同一种模型架构和同一套训练方案，同时解决这两个问题。
具体来说，Atlas可以在生成和重建这两个方向之间实现切换。
在一个极端情况下，如果Atlas获得多张输入图像，并且图像数量足够多，它就可以执行重建任务。模型能够进行稠密重建，输出质量较高的场景和世界结构。
在另一个极端情况下，如果没有任何像素条件输入，只提供一段文本提示词，Atlas就可以执行纯生成任务。它还能够生成多个具有视角一致性的连续画面。
更有意思的是，Atlas还能够完成一种连接生成与重建的任务，我们称之为稀疏重建（Sparse Reconstruction）。
在这种情况下，Atlas获得的视角数量非常有限。极端情况下，输入甚至只有一张图像。
Atlas可以估计相机位姿，然后进一步生成模型能力范围内的多个视角，最终重建并生成一个完整的世界。
因此，Atlas能够在同一个模型框架下，实现从稠密重建到稀疏重建，再到纯生成的切换。
在介绍技术细节之前，我先给大家看一个例子。在座的一些朋友应该能认出这是斯坦福大学校园。
斯坦福有一个非常著名的主广场（Main Quad）。
如果只给模型两张有限的输入图像，它就会生成，或者说补全出一个主广场。
如果你熟悉斯坦福大学，就会发现这并不是我们真正的主广场。它看起来有主广场的感觉，但实际上并不是真实的主广场。
模型根据输入图像中的长廊等特征进行了条件生成，因此生成的场景保留了一些长廊的特点，也出现了拱门，但整体上仍然是根据输入生成的一个广场。
如果给模型八张图像，效果就会好很多。
考虑到这个空间本身非常大，八张图像所提供的信息仍然非常稀疏。但如果仔细观察，模型基本上已经重建出了整个广场。
乍一看，它几乎是完美的。不过，熟悉斯坦福大学的人会发现，著名的纪念教堂（Memorial Church）不见了。这是因为输入图像中没有包含纪念教堂。
最后，如果输入33张图像，虽然从整个空间的规模来看，这些图像仍然非常稀疏，很多区域都没有被覆盖，但其中一张图像确实包含了纪念教堂。
因此，Atlas基本上已经能够重建出斯坦福大学美丽的主广场。
我还想特别强调一点：这33张图像全部是在地面高度拍摄的，也就是说，只是一个人手持相机拍摄的普通图像。
但模型能够生成不同的观察视角，包括我现在展示的这个航拍视角。
那么，Atlas能够做到这一点，背后的技术关键是什么？
对于大型语言模型（LLM），我们已经很熟悉下一词元预测（Next Token Prediction）这一目标函数。
而对于Atlas来说，我们的核心理念是：视角就是一切（Viewpoint Is All You Need）。
我们通过精确的相机位姿条件控制，让模型预测下一个视角。
具体来说，Atlas采用了一种多模态自回归扩散Transformer架构。
正如前面提到的，Atlas可以接收文本输入，并根据相机位姿生成图像。
它也可以接收一张图像，估计对应的相机位姿，然后以这张输入图像为条件，生成更多图像以及更多新的相机视角。
这里展示的是一个非常可爱的小机器人，它位于花园中。我们可以看到，模型能够沿着环绕相机的运动路径生成不同视角的画面。
此外，正如刚才斯坦福主广场的例子所展示的，Atlas还可以接收多个视角的图像，并沿着不同的相机运动路径进行插值和外推，从而恢复一个三维场景。
它还可以接收深度图像或者灰盒输入，并输出RGB像素图像。这项能力在很多机器人和游戏应用场景中都非常有用。
接下来，我们用一些定量结果来看看Atlas的表现。我想分别展示它在生成和重建方面的结果。
首先是相机控制生成。
这里的结果实际上是我们几天前刚刚从一家独立第三方机构RapidData获得的。
他们在没有提前告知我们的情况下，对多个最先进的视频模型进行了基准测试，评估的是相机控制生成能力，测试中包含了大约50万次人工判断。
最终，Atlas在这项测试中排名第一，超过了多个当前最先进的视频模型。
从图中可以看到，Atlas与排名第二的模型之间存在相当明显的差距。
Atlas能够生成超过60秒的连贯视频。事实上，它现在能够生成的时长已经远远超过60秒。
这里展示的是我们2026年最新的结果。我特别想将它与大约一年半前尝试的早期模型进行对比。
大家可以看到，早期模型能够生成的范围非常有限，几何一致性也比较差。当时我们甚至收到过这样的批评：你们做的不是世界模型，而是“壁橱模型”（Closet Models）。
而现在，我们已经从一个壁橱走向了一个大得多的世界。
这里还有一个很有趣的生成案例。
Atlas可以接收两个完全不同、彼此毫无关联的事物，然后估计一个合理的相机位姿，进一步补全场景中的其他部分，最终生成一个将这两个事物结合起来的幻想世界。
这项能力非常适合用于各种创意应用。
最后一个例子是灰盒输入。
Atlas能够接收这些灰盒结构，并将其生成一个完整、精美的世界。
这项能力不仅对机器人领域有用，也适用于设计和创意应用场景。
接下来，我们来看重建方面的结果。
我们将Atlas与一些专门用于三维重建的模型进行了比较。
首先，我们在七个不同的数据集上测试了深度预测任务。这里的指标越低越好，因为它衡量的是误差率。
Atlas的表现超过了近期一些最先进的三维重建和深度预测模型。
另外，Atlas本身并不需要使用高斯泼溅（Gaussian Splatting）作为场景表征方式。
但如果我们在后续处理中使用这种表示方式，就可以在六个不同的数据集上，将Atlas的高斯泼溅重建误差与专门的重建模型进行比较。
这里我们采用了两种不同的误差衡量指标。结果显示，Atlas表现非常突出，超过了大多数专用模型。
此外，我们还逐步调整提供给Atlas的视角数量，观察模型如何从稀疏重建过渡到更稠密的重建。
在这项实验中，我们同样将Atlas与多个先进方法进行了比较，并在两个不同的数据集上进行测试。
从误差率来看，Atlas再次取得了很好的表现。
这里展示了一些具体案例。
这是三维重建领域一个非常著名的公寓场景。给定八张输入图像，Atlas就能够重建出这套面积相当大的公寓。
现在，我们可以从各种不同的视角对场景进行采样，人们能够完全控制这些相机视角，从而观察整个场景。
这里还有一个例子，展示了如何将Atlas根据单张输入图像生成的内容，
作者：刘俐杉