11月12日，CoRL 2026的会场，李飞飞做了题为《Atlas：一个用于生成与重建的统一世界模型》的演讲，随后与AMD董事长兼首席执行官苏姿丰进行了一场炉边对话。这是AMD宣布收购World Labs以来两人第一次公开同台。收购在9月官宣，交易价值约82亿美元，预计2026年底前完成。
Atlas有三个模式，按输入条件划分：给一批图像做稠密重建，只给少量视图做稀疏重建，完全不给像素、只给文字提示则做纯生成。三种模式共用同一套权重与同一个目标函数，差别只在条件不同。这个统一性是这个模型最核心的主张，因为在过去，重建与生成是两条平行的技术路线，各自有各自的模型与评价体系。
李飞飞在演讲里把机器人需要解决的问题拆成三件：如何理解与表征环境，如何预测动作可能产生的后果，如何通过仿真补充真实世界的数据。三件事分别对应感知、预测与数据供给，而Atlas的处理方式是用一个模型同时覆盖三者，因为这三件事的底层都是"给定当前观测，推断看不到的部分"。
这个抽象把问题收拢得很干净。重建是"从少量视角补出完整场景"，生成是"从零补出一个场景"，预测动作后果是"补出动作之后的场景"。三者都是条件生成，只是条件的类型不同。用同一个架构处理，等于让模型在三种任务之间共享对三维世界的理解。
技术路线上，Atlas采用多模态自回归扩散Transformer架构，核心机制是通过相机条件控制预测下一个视角。训练时模型学会的是：给定已有的画面与一个相机位姿，预测从那个位姿看出去会是什么样。这个目标函数比"生成一张好看的图"苛刻得多，因为相机位姿是精确的几何约束，模型不能随便发挥。
自回归的加入解决的是长序列问题。生成一个可漫游的场景需要连续生成几十上百个视角，每个新视角都要与之前的保持一致。自回归把上一步的输出作为下一步的输入，一致性靠链式传递维持；扩散负责每一步内部的细节质量。两者结合是这个架构的关键。
多模态指的是输入不限于图像。文字提示、灰盒结构、两张毫不相关的图片都可以作为起点。演讲里提到一个例子：给两个互不相关的事物，模型先估计一个合理的相机位姿，再补全场景的其他部分，最终生成一个把两者结合起来的幻想世界。这类能力对创意与设计场景的价值，可能不低于它对机器人的价值。
演讲里给出的对比数据集中在误差率上。深度预测任务在七个数据集上测试，Atlas的误差低于近期一些专门做三维重建与深度预测的模型。把Atlas的输出转成高斯泼溅表示后，在六个数据集上与专用重建模型比较，两种误差指标下都表现突出。
还有一个实验是调整输入视角的数量，观察模型如何从稀疏重建平滑过渡到稠密重建。这类实验的意义在于验证统一性：如果一个模型在视角很少时和视角很多时都能保持稳定，说明它学到的是场景的结构，而不是对特定输入数量的记忆。演示里的具体案例是给八张输入图像，重建出一套面积相当大的公寓，并支持从任意视角采样。
单张输入图像转成高斯泼溅空间的演示，说明生成与重建在表示层面是打通的。生成出来的幻想空间可以直接进入下游的三维管线，不需要重新做一遍重建。对做影视预览、游戏场景、室内设计的团队来说，这条通路比单看指标更重要。
李飞飞披露正在测试Atlas在机器人仿真中的实际价值。模型的用途不只是生成与重建三维环境，还包括用于机器人训练与导航，把真实世界与仿真世界连接起来，再让仿真结果应用到真实机器人上。演讲中展示了相关探索：机器人可以完全在虚拟环境中训练，再以零样本方式部署到真实世界。
零样本迁移是具身智能领域最难的一关。仿真里训练的策略搬到真机上往往失效，原因是渲染的画面与真实相机拍到的画面存在差异，光照、材质、噪声都对不上。用生成模型造出来的仿真环境如果足够接近真实分布，这个差距才可能缩小，这也是世界模型被看好的核心原因。
苏姿丰在对谈中给出的判断是，物理AI尤其是机器人，是未来几年数千亿美元的机会，AMD已经有一支规模相当不错的机器人研究团队，但布局仍处早期。李飞飞则提出"AI就是计算，计算就是AI"，认为前沿大模型与专用模型各有所长。两人都呼吁为公共部门研究者提供更多算力，理由是评估与基准测试需要独立于厂商的力量。
演讲里提到Atlas在Rapidata的相机运动基准上排名第一。这个基准测的是生成内容对指定相机运动的跟随精度，也就是"让你往左摇，画面是不是真的往左摇"。对要用于影视预览与机器人导航的模型来说，这项能力比画面美观度重要得多。
李飞飞还主动提了一段旧批评。大约一年半前的早期模型生成范围有限、几何一致性差，有人评价说做出来的不是世界模型，而是"壁橱模型"，只能生成一个封闭的小空间。她的回应是：从一个壁橱走到了一个大得多的世界，现在能生成的时长已经远远超过60秒。
这个自我对照很有信息量。世界模型这个概念在过去两年被用得很泛，视频生成、三维重建、物理仿真都被装进这个词里。判断一个模型够不够格，其实就看两件事：能不能维持几何一致，能不能被相机自由控制。Atlas的演示基本都围绕这两条展开。
这场对谈的背景是AMD对World Labs的收购。9月官宣时，交易被描述为全股票形式，价值约82亿美元，折合约547亿元人民币，预计2026年底前完成。芯片公司买下模型公司，买的是训练环境的生产能力。
把这条线与Atlas放在一起看，方向就清楚了：未来的机器人训练需要海量三维场景，这些场景不可能全靠实拍，只能靠生成。生成场景的模型与提供算力的芯片绑在一起，形成从数据到训练的闭环，这也是为什么一场学术演讲会由芯片公司CEO来对谈。
对国内做三维生成与具身智能的团队来说，这个案例的参考价值在于路线选择：把资源投在做更漂亮的单张生成上，还是投在几何一致性与相机可控性上。前者容易出效果，后者才能进生产管线。