ai产业链

World Labs Atlas：三维空间，开始成为 AI 的控制界面

信源：MTS｜Justin Johnson（World Labs 联合创始人）访谈⁠｜视频发布于 2026-09-06。

导演想精确改变镜头轨迹，建筑师想从另一侧检查空间，机器人工程师想测试同一场地里的不同动作。这些需求，都要求 AI 的输出能够接受明确的控制。Justin Johnson 在访谈中反复强调的 Atlas 路线，正是让三维空间成为这种控制界面。**它的产业意义，在于把生成结果变成可以修改、复用，并接入专业工作流程的对象。**Johnson 开场也说明，此次是模型发布，后续产品尚待推出。

理解这条路径，要先看 Atlas 如何组织输入。照片里的房间、桌子和门，都对应某个观察位置。Atlas 把图像与相机的位置、朝向关联起来，形成“空间上下文”，再按照指定视点生成画面。用户可以摆放参考图、规划相机路径，让不同输出受同一组空间条件约束。官方将其架构描述为多模态自回归扩散 Transformer：沿序列逐个生成输出，并通过扩散过程生成图像等连续数据。

这改变了人对生成过程的控制方式。影视创作者说“镜头向左移动”，仍可能得到方向大致正确、构图却不合意的结果；给出相机轨迹，则能明确表达从哪里看、怎样移动。专业工作中的成本往往积累在反复修改：客户要求换一个角度时，已经确定的场景能否保留？空间约束的经济意义，是让一次生成的成果能够承接下一次修改。画面质量相近时，这种可复用性会影响工具能否进入生产流程。

Atlas 对输出方式的调整，也服务于这种实用性。Johnson 解释，Marble 此前的图像和视频输出，需要先经过三维高斯表示再渲染；Atlas 提前分开二维与三维路径，能够直接生成画面，也能在需要时提供三维结果。高斯表示可以理解为用大量带颜色、透明度等属性的空间元素来描绘场景。

两条路径对应不同的计算成本。电影镜头可以接受离线生成；手机、VR 和游戏需要持续响应用户动作，生成资产后在本地渲染，仍有实际价值。Johnson 也承认，让服务器实时生成并持续传回所有画面，目前仍有成本和技术门槛。因此，世界模型的采用很可能先表现为进入现有引擎和制作流程，逐步承担更多环节。

机器人把这个问题推进了一层。一个通用策略即使学会了抓取，到具体工厂仍会遇到不同的桌面高度、物体摆放、相机视角和接触条件。Johnson 设想，拍几张照片重建现场，再让机器人在仿真中微调或接受测试，能够缩短部署的“最后一公里”。但“几分钟完成适配”仍是愿景，这里的关键是复制决定任务成败的条件。

也正是在这里，空间生成遇到了更严格的要求。绕着杯子生成一致的视图，与预测杯子受力后怎样滑动，是两种能力。同样外观的箱子可能空心，也可能装满；照片无法唯一确定质量、摩擦等参数。Atlas 官方也明确表示，未被观察到的区域会由模型合理补全。对创作而言，补全提供便利；对机器人而言，补出的结构必须接受任务验证。

World Labs 已经在推进这一步。公司 7 月公布的 SceniX 团队 R2S2R 系统，展示了涉及刚体、关节和可变形物体的仿真及实机迁移。更值得关注的是评估实验：在双臂方块交接任务中，每个策略检查点进行 2,000 次仿真试验与 100 次实机试验，公司报告两者能保持策略表现的相对排序。这是整套系统的自报结果，不能全部归因于 Atlas 单模型，却提供了一个比画面逼真程度更有用的衡量标准：仿真能否帮助工程师选对策略、提前找出失败条件。

沿着这条机制推演，未来有价值的资产可能是经过实机校准、能够反复使用的任务环境。客户更换策略模型，调整设备，或者修改作业流程，都可以重新运行测试。世界模型由此可能进入机器人部署与持续验证的支出，而收入能否成立，取决于它节省了多少现场采集、调试和复测成本。

这条路线也有直接竞争者。Johnson 同时提到，机器人可能通过上下文中的一次示范，就学会适应新任务。如果这种泛化能力足够强，逐场地微调的必要性会下降，仿真的价值会更多集中到评估和复杂失败场景。判断这一方向后续进展，应看真实部署中需要补采多少数据、节省多少工程时间，以及仿真发现的问题是否会在实机出现。

至于标题里的“超越 LLM”，访谈给出的具体协作方式更有解释力：coding agent 通过 API 组合世界模型与其他工具。语言模型负责组织任务，空间模型提供可控制的环境，工程验证决定结果能否投入使用。Atlas 能走多远，取决于这条协作链能否把控制能力转化为可重复的生产收益。