大自然给了动物眼睛，却没有给树木眼睛。为什么？

这是李飞飞在最新一场访谈里抛出的问题。

她的答案是：因为当你移动时，你就会看到一个新视角。而理解这个新视角，正是智能最根本的能力。

就在World Labs发布「全球首个」多模态世界模型Atlas的第二天，李飞飞拉上另外两位联合创始人——Justin和NeRF之父Ben，做客a16z播客，把Atlas到底是什么、背后的核心技术、以及它意味着什么，彻底讲了个明白。整场对话信息密度极高，但最值得记住的，是那个最有野心的判断：「新视角预测」和「下一个token预测」具有同等地位，它可能是通往AGI的基础原语。

这句话，几乎是在向整个大语言模型范式「宣战」。

01 Atlas到底在做什么？换个位置，继续看

过去几年，我们习惯了两种AI：LLM预测下一个token，视频模型预测下一帧。

Atlas做的是第三件事——预测新视角。

给它几张照片，它要理解这些画面在空间里是什么关系，再告诉你从另一个位置看过去会是什么样。你可以把一个虚拟相机放在时空中的任意位置，Atlas会理解，从那个时间、那个空间位置看过去，世界应该是什么样子。

最出圈的演示是「子弹时间」。看过《黑客帝国》的朋友都记得Neo向后倒下、相机绕他转一整圈的经典镜头。当年为了拍这一幕，剧组把数百台相机围成一圈。而现在用Atlas，只需要三台架在三脚架上的iPhone——拍一个人投篮，或一颗草莓落进牛奶里，然后你就能把时间冻结，让相机在牛奶溅起的瞬间「飞进」场景。

更让人咋舌的是3D采集的降本。以前重建一个空间，需要围着它拍几百甚至几千张照片；Atlas想把这个数字降到几张、几十张。Ben展示了一个案例：只用3到25张站在地面拍的照片，就重建出整个斯坦福主庭院——而且是空中俯瞰视角，那些俯瞰画面全是模型生成的，却又严格遵循重建的规律。

02 一个模型，装下「生成」和「重建」两件吵了半个世纪的事

这场访谈里，李飞飞反复强调了一个她觉得「大家重视还不够」的点：在计算机视觉领域，这是第一次实现像素生成和像素重建的统一。

这个领域已经存在半个多世纪了。李飞飞说，她实在数不清有多少博士论文研究的是重建问题或新视角合成问题。去参加计算机视觉会议，你会看到像素生成的方向、识别的方向、3D重建的方向，各走各的路。

过去，「生成」负责想象不存在的画面，「重建」负责还原真实空间，两拨人研究了几十年。而Atlas用相机位姿把它们接到了一起——它以视角和视角估计为锚点，把重建与生成统一进同一个模型，同时处理文字、图像、视频和3D。

为什么这件事重要？联创Justin解释了一个根本性矛盾：传统重建需要多张图像从多个视角看到同一个3D点才能三角测量，任何没被拍到的像素都会留下一个「洞」。可你永远不可能把所有东西都拍全——哪怕是世界级专家拿单反拍几百个视角，也还是会漏掉麦克风下方、桌子下面、椅子腿之间。

所以模型必须有生成能力：先根据看得见的内容做三角测量，再把那些不可避免地没拍到的部分「想象」出来。生成和重建，本质上是同一件事的两个端点。

03 机器人的瓶颈不是芯片，是数据

Atlas瞄准的，不只是影视、游戏和3D创作。

李飞飞透露，World Labs收购了一家叫SceniX的机器人公司，核心技术是「从现实到仿真，再从仿真到现实」。而Atlas正是这块拼图的重要部分。

她提出了一个和主流叙事不太一样的判断：机器人眼下最大的瓶颈是数据，而非芯片。「有一天，最大的问题也许会是芯片，但现在是数据。因为收集机器人所操作的现实世界数据非常困难。」

而且不只是收集就够了，还有一个关键步骤叫「随机化」——同一个环境里，电缆不能总朝一个方向弯，盒子的大小、颜色、位置都可能不同。Atlas可以把真实环境更快地搬进仿真世界，再通过随机化制造出海量训练场景。

Justin还往前推了一步：训练机器人策略和生成代码、图像有根本区别。机器人不是产出一件静态作品，而是一套要走进世界、采取行动的策略，而世界并不总会按你的预期反应。所以，一旦有了一个「学习出来」的模拟器，它脑子里已经理解了世界会如何响应动作——那么，为什么不能让模拟器本身成为规划器呢？

04 新视角预测，就是演化让动物移动时必须解决的问题

整场访谈的高潮，落在了那个关于「AI完备性」的讨论上。

Justin解释，在经典复杂性理论里，人们相信「下一个token预测」是AI完备的——Ilya举过那个著名例子：让模型读完一整本推理小说，最后一句是「凶手是」，请预测下一个token。任何智能任务都能被转换成这种形式。

但World Labs团队逐渐意识到，生成式新视角预测，同样具有AI完备性。你可以把电影的所有帧给它，然后凶手走出来，让它准确预测走出来的是谁。

李飞飞把视角拉到了演化的高度：新视角预测，恰好就是演化在让动物移动时必须解决的问题。大自然给了动物眼睛，却没有给树木眼睛——因为只有移动的生物，才需要不断理解「换个位置看世界是什么样」。

无论把它叫AI完备，还是智能完备，道理都在这里。因此，我们非常坚定地相信，新视角预测与下一个token预测具有同等地位。

05 总结
这场对话最迷人的地方，在于它提供了一个跳出「token叙事」的全新坐标系。

当所有人都在卷上下文长度、卷参数规模时，李飞飞和她的团队问了一个更根本的问题：智能的起点，到底是语言，还是空间？对一个在物理世界里移动、观察、行动的生物来说，理解「换个角度看世界」，也许比预测「下一个词」更接近智能的本源。

这个判断能不能立住，还要看后续模型。但有一点可以肯定：通往AGI的路，可能不止一条。而World Labs，已经在新修的那条路上，跑出了第一个清晰的脚印。

更多AI资讯，请扫码关注Aiker World社区公众号