如何看待李飞飞团队发布的多模态世界模型 Atlas？有哪些值得关注的亮点？

昨天晚上六点到今天这个点基本都在研究这个“世界模型”，长话短说。

现在的ai，llm，上下文是通过海量的数据训练得到的。

真实的物理世界，机器人怎么完成类似ai的行为，像是具有“智能”一样呢？

一样需要预训练。所以之前机器人在vla（视觉→语言→动作）这块，最大的问题是泛化解决不了。

你要泛化，你得“理解”，你要“理解”，就得搞真实物理世界的大模型，你得有天量的数据采集来帮你做这个预训练帮你完成这个大模型。

这就出来了两个派别，一个是搞一个三维世界的模拟，在里面“假装”自己在真实世界，然后训练，比如抓夹把蓝色小球放到袋子里/一个是真实数据采集，就是由人来控制抓夹把蓝色小球放进袋子，机器再去记住这个运动的轨迹，从里面学习。

所以问题在哪里?

问题在于，外部环境！外部环境才是最终实现泛化的关键！

刚才说的蓝色小球，如果我现在在雪山上，蓝色小球正在匀速慢速滚落，成年人是可以抓住的，年纪很小的小孩抓不住，因为没有协调好。那么一个机器人在这个环境里，因为没有预训练，是废的。因为也不会有数据采集员专门去雪山采集一段数据……

那么李飞飞在之前提出的世界模型里面，就讲了一个重点:预测。

预测自己和整个三维空间下一步的关系，预测这个机器视觉看到的“三维空间”下一步是怎么样的。

也就是说，它把机器人大模型最麻烦的三维重建+时空物理仿真的基础，给跑通了。

（发现没有，其实国内做这个最好的不是宇树，而是星海图/自变量/地瓜/理想）

暂时来看，最牛的还是用极少照片完成三维空间重建，输入的量变少，加上后面的行动预测方案，让我前面说的“雪山上抓蓝色小球”难度大大降低。

第二，这个模型，让手机都可以直接帮助机器人搭建训练场景，而非复杂的真实环境数据采集或建模，结合上一条的简洁信息输入，可以让目前机器人的泛化能力得到极大提升。

第三，从静态建模到动态时空模拟的极大突破。你们可以理解为，不再需要真人输入海量数据建模，拿叠衣服为例，atlas可以自己去推算衣服的柔软程度，什么样的图片是衣服等等。

总结下，Atlas最大的突破，在于可以分分钟生成海量的训练场景，使得机器人进入千家万户得以成为可能。我本来的预测是26年底，从27年开始机器人的ChatGPT时刻来临，现在依旧坚持这个推论。

为什么现象不算呢？因为真实物理世界还有一个很大的问题，就是灵巧手的交互和力度控制。打个比方，现在机器人去帮我拿一个碗。

ok，放在以前这几乎不能实现，需要预训练无数次，现在好像可以实现了。

可是这个碗非常沉重，或者被某个机关卡住，那么我机器人的灵巧手需要用多大的力量去拔取它，如果超过这个力量阈值是否应该放弃而找寻这个机关?

又或者机器人拿一个鸡蛋，去敲开，它怎么知道多大力度刚好能敲出蛋黄却不留碎蛋壳在里面?什么颜色算煎得刚刚好，关键你让它多放点盐，这个“点”能否理解是几克?

这都需要技术攻关。

但我相信，属于机器人的时代，终将到来。