【對談】李飛飛 Atlas 把 new view prediction 做成空間版 next token prediction

這場對談有幾個值得說的地方。第一，Atlas 把長期分家的生成與重建兩件事塞進同一個模型，這在電腦視覺領域是第一次。第二，他們提出 new view prediction 是新的 AI 基本原語，地位等同 LLM 的 next token prediction，這個主張的份量需要仔細掂。第三，從三支 iPhone 就能重現《駭客任務》子彈時間效果，不是行銷話術，背後是 50 到 100 倍的拍攝門檻壓縮。第四，機器人訓練資料短缺的問題，World Labs 打算用 Atlas 的模擬能力去填。第五，整個團隊對規模擴展（scaling）還在路上的確信，讓這場發布更像起跑而非終點。

◎生成與重建合一，不是升級而是換範式

過去半個多世紀，電腦視覺有兩條平行跑道：一條是生成——憑空造出從未存在的影像；另一條是重建——從照片還原現實三維結構。這兩件事從來不在同一個模型裡。Atlas 是第一個把它們統一進同一套架構的模型，而且是在預訓練階段就讓文字，影像，影片，相機位姿，深度圖同時成為原生輸入。為什麼這重要？因為純生成很有創意但不準確，純重建很精確但需要海量拍攝。把兩者綁在一起，才能做到：輸入三張 iPhone 拍的影片，輸出凍結時間，相機飛繞的子彈時間畫面——《駭客任務》當年要幾百台攝影機加綠幕才能完成的鏡頭。

◎50 到 100 倍的門檻壓縮，才是真正的商業炸藥

傳統三維重建需要密集拍攝——一個房間幾百張照片，稍有死角就出現破洞。Ben Mildenhall 說，就連他這個領域頂尖專家親自掃描，也難免漏掉麥克風下方，桌子底部這些細縫。一般人第一次掃描多房間環境，可能花掉兩小時。Atlas 把這件事壓縮到三張照片，他們在史丹佛校園的展示裡，從地面拍攝的三到二十五張照片，重建出包含空拍視角的整個廣場——而每一張輸入照片都是站在地面拍的，空拍視角全是模型生成的。分開來看，生成很神奇；但 50 到 100 倍的門檻壓縮，意味著過去根本不值得拿去重建的舊影片，隨手拍的手機片段，現在都變成可以拿來用的素材。這才是值錢的地方。

◎New view prediction 是不是新的 AI 基本原語？

LLM 靠 next token prediction 起家，這個原語之所以強大，是因為幾乎任何智識任務都能被改寫成預測下一個 token。Justin Johnson 在訪談裡提出一個對稱的主張：new view prediction 是空間智慧版本的同等原語——任何需要理解三維空間的任務，都可以被改寫成預測從某個視角看到什麼。李飛飛從演化角度補刀：動物有眼睛，是因為移動就會產生新視角，新視角驅動了智慧；樹沒有眼睛，因為它不移動。這個類比好不好？相當漂亮。但 next token prediction 的地位是被無數實驗和應用驗證出來的，new view prediction 還在非常早期。這個主張值得持續觀察，現在下定論還太早。

◎機器人缺的不是演算法，是訓練資料——Atlas 打算填這個洞

World Labs 收購了一家原名 Scenix 的公司，核心技術是實體到模擬，模擬到實體的流程。訓練機器手臂做一件事，你需要大量場景資料，還要對同一個場景做隨機化——電纜換個彎法，箱子換個顏色，物件換個位置——這樣機器才不會在現實裡遇到稍微不同的狀況就失靈。這個過程現在靠密集拍攝完成，慢，貴，費工。Atlas 的稀疏重建能力，理論上可以把這個流程的成本壓下來。更長遠的想法是：一個能生成和模擬世界的模型，本身就可能成為規劃動作的大腦——模擬器和規劃器合而為一。這還在路線圖上，但邏輯站得住腳。

◎Scaling 還在起跑，瓶頸是算力不是架構

Justin Johnson 說得很直接：這次發布的模型規模受限於發布時間點的截止日期，不是受限於架構或資料的天花板。每次把模型做大，訓練時間拉長，效果就顯著變好——scaling law 在這個架構上目前還看不到平頂。讓三個共同創辦人決定全力押注的那個時刻，是某天早上在 Slack 上看到一段影片：相機從花園桌子底下穿過，帶著一顆足球的完整重建。李飛飛說，三個人看了五秒，決定就這樣了。這種故事聽起來很像創業神話，但 scaling 仍在爬坡，架構尚未撞牆，這個判斷如果是真的，後面的版本會比現在有趣得多。

World Labs 做的事，說穿了是試圖給 AI 一雙真正理解空間的眼睛。Atlas 是這條路上目前走得最遠的一步，生成與重建合一，拍攝門檻大幅壓縮，機器人模擬的商業需求就在眼前——這些都是真實的進展。New view prediction 能否真的成為和 next token prediction 同等份量的基本原語，現在還沒有答案。但 scaling 還在起跑，架構還有空間，這個問題值得持續跟進。