李飞飞团队推出多模态模型Atlas：凭图像即能重建世界
李飞飞的Atlas模型正式亮相。通过一张照片，AI可以识别出房间里有一张桌子，但如果镜头切换到桌子背后，情况会怎样？机器人推倒杯子后又会发生什么？物体识别、画面生成和空间理解是相互关联却又各自独立的能力。李飞飞创立的World Labs正在努力将这些能力结合。
Atlas是一款全新的世界模型，通过从零开始进行预训练，能够处理文本、图像、视频和3D数据。它仍处于早期访问阶段，目前向部分合作伙伴开放。Atlas的主要特点是其在世界生成、重建和模拟等方面的多种能力：
- 可控运镜：Atlas可以利用像素级别的相机控制技术，从一张或多张图像生成长达1分钟的1440p视频。 - 空间重建：根据输入图像，Atlas能够重建真实世界的场景，不仅可以生成新视角的图像，还能输出3D效果，其性能超过现有专用重建模型。 - 时空模拟：通过输入视频，Atlas可以建模空间和时间，重新构建视频以获得戏剧化效果，支持机器人从真实到模拟的工作流。 - 图像生成：Atlas能根据文本生成图像和360度全景，灵活渲染各种视觉风格。 球友会
Atlas使用了多模态自回归扩散Transformer，逐步生成序列元素，并参考上下文。相机位姿和深度数据也是模型的重要组成部分。这种设计的优势在于改善拍摄过程中的控制精度，使创作者能够反复使用同一环境，而不必每次都重新提取视频段落。
值得注意的是，生成的结果虽然合理，但不一定与现实完全一致。尽管如此，Atlas的生成效果依然令人印象深刻。更引人关注的是，这款模型的背后是李飞飞和其在2024年成立的World Labs，而非资源雄厚的科技巨头。
李飞飞的履历为这款模型的诞生提供了背景。从1999年普林斯顿大学物理学学士，到2005年加州理工学院电气工程博士，李飞飞推动的ImageNet等项目为现代计算机视觉发展奠定了基础。她曾在谷歌任职，推动AI技术的研究与应用。 球友会
World Labs的目标是推动感知、生成与交互的三维世界，计划从虚拟空间的创作者入手，再逐步拓展。团队成员的背景也支持这一愿景，包括李飞飞与其同事们的专业知识共同构成了这一创新方向的基础。
