知识卡片：李飞飞：空间智能最终是4D的，押注新视角预测

英文标题：Li Fei-Fei: Spatial Intelligence Is Ultimately 4D, Betting on Novel View Prediction（原文未单独提供，按中文标题直译；待核实）
英文关键词：spatial intelligence; novel view prediction; 4D; World Labs; Atlas; 3D reconstruction
原始来源：腾讯研究院AI速递 20260907（搜狐），URL: https://m.sohu.com/a/1072671882_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334

一句话结论：World Labs 发布 Atlas，首次在同一模型中统一像素生成与 3D 重建，并把“新视角预测”设为最基础任务；李飞飞判断空间智能的终局是 4D，但 Atlas 当前动态能力仍属初级。

事件概述 / 研究问题

• World Labs 发布 Atlas。材料称，这是首次在同一模型中实现像素生成与 3D 重建的统一。
• Atlas 原生处理文本、图像、视频、相机位姿与 3D 信息。
• 核心研究问题从“生成一张像不像的图”转向：模型能否理解三维空间，并预测没见过的视角，最终形成 4D 空间智能。

方法 / 产品要点

• 统一建模：Atlas 不把像素生成和 3D 重建拆成两条流水线，而是在同一模型中统一处理。
• 原生多模态信息：模型可原生处理文本、图像、视频、相机位姿及 3D 信息。
• 基础任务设定：把“新视角预测”设为最基础任务。
• 少样本重建目标：团队目标是把密集重建所需输入量降低 50 至 100 倍；材料提到“一个房间约 3 张照片即可”。
• 实验示例：斯坦福广场实验中，仅用 3 至 25 张地面照片即可生成空中视角。
• 扩展瓶颈：材料称算力目前已成为扩展的主要瓶颈。
• 后续方向：材料称后续将探索神经模拟器与行动规划。

主要结果或产业意义

• 直接结果是 Atlas 发布，并在同一个模型中统一像素生成与 3D 重建。
• 实验层面可引用的示例是：斯坦福广场用 3 至 25 张地面照片生成空中视角。
• 产业意义在于，如果“降低密集重建输入量 50 至 100 倍”的目标落地，3D 场景重建的采集成本可能大幅下降，从过去的高密度拍照转向更稀疏的输入。
• 把“新视角预测”作为最基础任务，意味着空间智能不只是“画一个物体”，而是要求模型理解相机关系、空间结构与世界动态。

为什么重要

• 李飞飞明确把空间智能的终局指向 4D，也就是不只是静态三维，还要包含动态世界。
• Atlas 的作用是提供一个模型层面的起点：让生成与三维重建在同一架构里发生，再逐步走向 4D。
• 与既有脉络的关系：已有卡片记录过李飞飞关于“机器人数据稀缺”“仿真的核心是制造昂贵或危险场景”等观点。本条增量在于 World Labs 已发布具体模型 Atlas，给出了“像素生成 + 3D 重建 + 新视角预测”的统一路线，并提出了 50 至 100 倍的少样本重建目标与斯坦福广场实验。这可以理解为从“问题判断”延伸到“模型方案”。

局限与不确定性

• “首次”“原生处理”等表述来自速递摘要，未附 World Labs 技术报告或论文，待核实。
• “一个房间约 3 张照片即可”更像团队目标，不能等同于所有场景均已实现。
• 斯坦福广场实验只是单一案例，3 至 25 张照片的选取方式、实验条件与评估指标未展开，待核实。
• 材料未明确定义“4D”；按上下文可能指三维空间加时间，这是推断，待核实。
• Atlas“动态能力尚属初级”是方向性描述，缺少客观评测细节。
• 原文未提供独立英文标题，上面的英文标题为中文标题直译参考。

可用于图书/PPT/简报的角度

• 用 Atlas 说明生成式 AI 的新阶段：从 2D 像素生成走向三维空间理解和 4D 世界预测。
• 用“一个房间约 3 张照片”说明少样本 3D 重建带来的成本下降潜力。
• 用“斯坦福广场 3 至 25 张地面照片生成空中视角”作为“新视角预测”的具体案例。
• 用“算力是扩展瓶颈”“机器人最大瓶颈是数据”引出空间智能产业化的基础设施讨论。

原始材料

• 原文栏目：腾讯研究院AI速递 20260907，“报告观点”部分第 6 节“李飞飞：空间智能最终是4D的，押注新视角预测”
• Fetched title：腾讯研究院AI速递 20260907
• URL：https://m.sohu.com/a/1072671882_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334