三支 iPhone 拍出《駭客任務》的子彈時間，這件事比它聽起來嚴重

TL;DR

• World Labs 發表新模型 Atlas，核心賭注是「新視角預測」（new view prediction），他們認為這對空間智慧的意義，等同於下一個 token 預測對語言模型的意義
• 《駭客任務》那顆繞著 Neo 轉的子彈時間鏡頭，當年動用上百台攝影機加綠幕。Atlas 用三支放在腳架上的 iPhone 就做出來了
• 掃描一個房間過去要拍兩三百張照片、走上一兩個小時，Atlas 把需求降到三到五張，五十到一百倍的落差
• 這是第一次有模型把「生成」跟「3D 重建」放進同一個架構，過去這是電腦視覺裡兩個互不往來的子領域
• 團隊說目前的瓶頸不是資料也不是架構，就是訓練算力，因為要趕發表日期所以只練到負擔得起的規模
• 一顆從桌子底下穿過去的足球畫面，讓三位創辦人五秒內決定押上整家公司
• 機器人才是這條路的終點：real to sim 的資料瓶頸，是現在整個機器人產業最卡的地方

這集在講什麼

這集是 2026 年 9 月 4 日播出的 a16z Podcast。a16z 是矽谷最大的創投之一，他們的 podcast 基本上就是自家合夥人拉投資組合裡的創辦人來聊產業，主持人是 Martin Casado，a16z 的普通合夥人，管十二點五億美金的基礎設施投資線，本人也是 World Labs 的早期投資人兼董事。

來賓是 World Labs 的三位共同創辦人。李飛飛（Fei-Fei Li）大概不用多介紹，史丹佛教授、ImageNet 的建立者，那個資料集直接催生了 2012 年之後整波深度學習浪潮。Justin Johnson 是她以前的博士生，做過 Meta 的研究員，現在是 World Labs 的技術主帥。Ben Mildenhall 則是 NeRF 這篇論文的第一作者，NeRF 是 2020 年後整個 3D 重建領域的分水嶺，簡單說就是「用一堆照片還原出一個可以自由轉動視角的立體場景」。

World Labs 成立兩年半，2024 年募了兩億三千萬美金，2026 年二月又關掉一輪十億美金，Autodesk 一家就投了兩億。Atlas 是他們九月一日發表的新一代世界模型，這集就是發表隔天錄的。

從一百台攝影機到三支 iPhone

先講最有畫面的那個例子。

《駭客任務》第一集裡 Neo 向後仰躲子彈，時間凍結、鏡頭繞著他轉一圈。當年的做法是在綠幕棚裡架一整圈上百台相機，同時按下快門，再把這一百多張照片接成一段影片。這是電影史上被抄最多次的鏡頭之一，而它貴到只有好萊塢玩得起。

Atlas 的示範是：三支 iPhone、三個腳架、沒有棚、沒有綠幕、沒有校正。拍一顆投籃、拍一顆草莓掉進牛奶裡，然後把時間凍結在牛奶噴起來的那一刻，讓鏡頭飛進去繞一圈。

我看到這段的第一反應是懷疑。三個視角要湊出一個連貫的立體場景，中間那麼多沒被拍到的角度，模型憑什麼知道長什麼樣子？

答案是它一半用算的，一半用猜的。而這個「一半一半」就是 Atlas 真正新的地方。

兩個吵了半世紀的門派，第一次被綁在一起

電腦視覺這個領域存在超過半世紀，李飛飛在節目裡講了一句很有份量的話：你去參加電腦視覺的研討會，會場永遠分成好幾個軌道，生成一個軌道、辨識一個軌道、3D 重建又是一個軌道，彼此幾乎不對話。

這兩派的差別是什麼？

重建派做的事情像科學儀器。你想還原這個房間，每一個表面都必須至少被三四個不同角度拍到，才能靠三角定位算出它在空間中的位置。麥克風底下、桌子底下、椅腳中間的縫隙、盆栽葉子背面，全都要拍。Ben 說他自己是這行的世界級專家，掃一個房間也要幾分鐘，換成一般人拿手機來拍，一小時起跳。他親眼看過有人第一次掃多房間的空間，走了兩個小時還拍不夠。這就是所謂的「稠密重建」（dense reconstruction），稠密兩個字是字面意思。

生成派做的事情剛好相反。這兩年那一大堆 text-to-video 模型都屬於這派，它們很會想像沒見過的東西，但你要它給你同一個房間的不同角度，東西會自己移位、椅子會少一隻腳。好看，但不準。

Atlas 把兩邊合起來。它的原生輸入除了文字、圖片、影片之外，還多了一樣東西：相機姿態（camera pose，也就是這張照片是從空間中哪個位置、朝哪個方向拍的），以及深度圖。這代表你丟進去的每一張圖，在模型腦中都有一個明確的立體座標，不是一張任它自由詮釋的圖片。

於是能看到的部分照重建的規則算，看不到的部分交給生成去補。Ben 有一個示範是站在史丹佛校園地面上拍了三到二十五張照片，然後 Atlas 生出了整個中庭的空拍視角。所有輸入都在地面，所有輸出都在天上，但幾何關係是對的。

	Marble（上一代）	Atlas
核心輸出	Gaussian splat 立體世界	任意視角的畫面
輸入張數上限	幾張就塞不下了	最多一百張
動態	完全靜態，架構上就不支援	已有初階動態（水波、車流）
重建一個房間需要	兩三百張照片	三到五張

那個五十到一百倍的降幅，改變的不只是省時間。它改變了「什麼東西可以被重建」這件事。Ben 說他把自己過去失敗的舊素材翻出來重跑，或是把兩千張照片的舊掃描丟掉九成五只留三四十張，飛越效果幾乎一樣。你在網路上找到的任何舊影片、手機裡任何一段隨手拍的片段，突然都變成可重建的素材。

影像圈還沒打過「上下文戰爭」

節目裡我最喜歡的一段類比是 Ben 講的。

語言模型這幾年打過一場很激烈的上下文視窗（context window，模型一次能讀進多少內容）軍備競賽。從 12.8 萬跳到 25.6 萬、51.2 萬，然後一百萬。任何用過 coding agent 的人都有體感：上下文越長越好用，這是大家都懂的常識。

但影像和影片這邊，沒有人認真打過這場仗。沒有人試著把一小時的影片整段塞進模型，然後問它第三十七分鐘那一格發生了什麼。

Ben 的觀點是：重建其實就是「上下文超長的生成」。你把大量真實資料塞進模型的空間脈絡裡，它就會被那些資料綁住，該還原的地方精準還原，沒資料的地方才發揮想像。這是同一根連續光譜的兩端，不是兩件事。

這個角度我覺得很值得記下來。之前在氣象學家說 AI 不可能贏，結果一張玩遊戲的顯示卡贏了聊過，物理世界一直缺一個像 GPT 那樣的基礎模型。Atlas 的做法是先在幾何這一層把地基打好，這比直接跳去做物理模擬務實得多。

那顆從桌子底下滾過去的足球

創業故事的部分也很有意思。

World Labs 成立時，空間智慧根本沒有所謂的規模化定律（scaling law），沒有人知道模型變大會不會變強。三個人只有兩個信念：一是規模化定律應該成立，二是新視角預測是對的原始單位。剩下的架構選擇跟資料配方，李飛飛的說法是「魔鬼都在細節裡」。

她描述了自己作為旁觀者的心情變化：從「我們真的不知道要花多久」，到「好像有生命跡象」，到「哇這真的會成」。

轉折點發生在今年初夏。那時的模型還比 Atlas 小，Ben 半夜丟了一段畫面到 Slack：鏡頭從一張花園桌子底下穿過去，桌子底下有一顆足球。那顆足球是原始畫面裡真實存在的東西，模型準確地把它放在該在的位置。

隔天早上三個人對看一眼，五秒內決定：就是這個，我們要押這條路。

我對這種時刻一向有點著迷。所有偉大的判斷回頭看都很明顯，但在當下你能依靠的只有一張沒人看過的畫面，跟自己的直覺。（然後我自己遇到這種時刻通常是選錯的那邊。）

現在卡在哪裡？答案是算力

Martin 問了一個所有投資人都會問的問題：這條路是不是快到頭了，需要下一個架構突破？

Justin 的回答很直接：我們在起點，而且瓶頸就是訓練算力。他們在開發過程中一路把模型放大、練久、丟到更多晶片上，每一次都明顯更好，沒有看到天花板。發表的那個版本之所以是那個大小，理由很不浪漫：有發表日期，就練到那天能負擔得起的規模為止。

這個說法你信幾成是另一回事，但它跟十年前所有人叫你別碰硬體，現在半年砸進四百五十億美金裡看到的資金流向是同一個故事：physical AI 這條線正在把算力需求整個往上抬。

機器人才是這件事的真正終點

李飛飛講得很白：機器人現在最大的問題是資料。有一天會變成晶片，但現在是資料。

實際的流程長這樣。你要訓練一支機械手臂在工廠裡整理線材，得先蒐集大量資料。真實世界蒐集太慢太貴，所以業界的做法是 real to sim to real：先把真實環境重建成模擬環境，在模擬裡跑幾萬次，再把學到的策略部署回真機。

問題出在第一步。把真實環境重建成模擬環境，用的就是前面講的那套稠密重建，痛苦、緩慢、極度耗人力。World Labs 收購的機器人公司 Cinex 幹的就是這件事，而 Atlas 正好是這一步的下一代解法。

模擬還有一個關鍵動作叫隨機化。同一條線不能只有一種彎法，箱子要有不同尺寸、顏色、蓋子，機器人才不會一遇到沒見過的狀況就傻掉。這也需要能大量、便宜地生出變體環境。

Justin 補了一個很本質的觀察：訓練機器人策略跟訓練其他 AI 有根本差異。你要模型生圖，網路上有的是圖；要它寫程式，有的是程式碼。這些都是靜態產物。但機器人策略不是產物，它是一個要走進真實世界做決策、而且世界不一定按你預期回應的東西。所以訓練時必須讓它遇過所有可能出錯的狀況，模擬因此無可取代。

然後他丟出更遠的一步：如果一個學過的模擬器已經理解世界會怎麼回應動作，那它為什麼不能自己下場當玩家？知道「做這個動作世界會怎麼變」，跟「要讓世界變成這樣我該做什麼動作」，其實是同一枚硬幣的兩面。

還缺的那塊：會動的世界

Martin 說他把發表訊息傳給一位業內專家，對方的評語是：很棒，但需要更多動態。

團隊的回應是他們已經有「初階動態」。Atlas 的架構本來就支援，訓練資料裡也有，發表的示範影片裡水面有波浪、空拍畫面裡有車在跑，只是沒被特別強調。

比較有趣的是他們對靜態與動態的處理邏輯。直覺上，如果你想要精準的 3D 重建，資料裡最好完全沒有動的東西。但他們發現，就算最終要的是靜態輸出，最好的做法還是餵給模型大量動態資料，讓它自己學會把動的部分拆出去。這個反直覺的結論，跟量化模型時「壓縮更多反而更準」的那類現象有點像。

至於下一步，Ben 的答案是「可編輯性」。他講了一個很實際的產業觀察：現在做 3D 設計，真正花時間的不是想法，是把創意總監隨口講的一句回饋、一張草圖，翻譯回 3D 軟體裡的操作。開一場會拿到回饋，回去要改一個禮拜，因為那些軟體是幾十年前的產物，從來沒有變得像捏陶土或拿鉛筆畫畫那樣直覺。

但他也講了一個很重要的但書：加控制的同時不能犧牲品質，否則就只是派對把戲。沒有人會為了多幾顆旋鈕，放棄他現在在用的最強影片模型。

樹沒有眼睛

最後那段是整集的重點。

Justin 先解釋了 AI-complete 這個概念。它借用計算複雜度裡的圖靈完備：如果任何一類問題都能歸約成某一個問題，那個問題就是完備的。放到 AI 上，就是「如果我能在最廣義的程度上解決這個任務，我就解決了所有智慧問題」。

下一個 token 預測被認為是 AI-complete，經典的例子是 Ilya Sutskever 說過的：讓模型讀完一整本推理小說，最後一句是「兇手就是⋯⋯」，預測下一個 token。你能把幾乎任何智慧任務改寫成這個形式。

Justin 的主張是，生成式的新視角預測同樣是 AI-complete。你可以讓模型看完整部電影的所有畫面，然後預測兇手走出門的那一格長什麼樣。或者更誇張一點，你可以說「我想要一個世界，裡面 Martin 正在證明黎曼猜想」，然後把鏡頭轉向下一塊白板。

李飛飛用演化的角度給了收尾：新視角預測是演化被迫解決的問題，因為牠讓動物會動。大自然給了動物眼睛，但沒有給樹眼睛。為什麼？因為你會移動，你才會看見新的視角。

不管你叫它 AI-complete 還是 intelligence-complete，他們的判斷是：下一個視角預測，等同於下一個 token 預測。

我的判斷

這集我最想留下來的不是那些示範影片，而是「重建就是超長上下文的生成」這個框架。它把兩個吵了半世紀的門派變成同一根光譜的兩端，而且立刻給出可操作的方向：把上下文撐大，該精準的地方就會自己精準。

至於那個 AI-complete 的類比，我持保留態度。下一個 token 預測之所以能撐起整個語言模型產業，很大一部分原因是網路上有幾兆個 token 免費躺在那裡。而帶著精確相機姿態的立體資料，數量級完全不是同一回事，這個問題他們在節目裡沒有正面回答。押注很漂亮，但地基有多厚還要再看幾輪。

如果你是做創作、建築、遊戲環境、展場設計這類需要「把腦中的空間搬進電腦」的工作，這個東西值得現在就去玩一輪。真正被壓縮掉的不是渲染時間，是你把回饋翻譯成 3D 操作的那一個禮拜。

這類把技術跟商業一起拆開講的內容我會持續寫，訂閱 wilsonhuang.xyz 就不會漏掉。