李飞飞团队的新一代世界模型 Atlas 放出来了，从零训练，视频生成、3D 重建、机器人仿真三件事塞进同一个模型。把看下来的几点记一记。
先说这三样在工程上的距离。过去基本是三条互不相干的管线，数据格式不一样，评估标准也不一样：视频那边追求的是看着顺，帧与帧之间别抖别闪；3D 那边追求几何对，形状能不能站得住；机器人仿真追的是物理量能不能对上真机，差一点动作就废。三套指标，平时根本聊不到一块去。
硬塞进一个模型，赌的其实是一句话：这三件事底下是同一个问题——模型对空间和时间到底有没有连贯的理解。有这套理解，视频只是它投影出来的一个面，3D 和仿真是另外两个面。赌对了三条管线并成一条，赌错了就是三件事都做到六十分。
我自己更在意仿真那一头。视频好不好看，人眼一秒就能判断，也最容易做成给人看的东西；仿真出来的一段抓取动作能不能迁移到真机，那是骗不了人的硬指标，做过这块的都知道 sim2real 的落差有多离谱，仿真里跑得稳稳当当，上真机可能连姿势都摆不对。Atlas 要是在这条上真站得住，它的意义就不只是又一个视频生成器。
从零训练这个说法也挺关键，意味着不是拿现成的视频模型接个头微调，代价大概率压在数据和算力那头。