最近，李飞飞和她的 World Labs 交出一张新牌：Atlas。

这是一个从零预训练的世界模型，以单一架构打通世界生成、空间重建与时空模拟，并原生处理文本、图像、视频和 3D 数据。单张照片可以生成一分钟 1440p 视频，三五台普通手机就能实现 " 子弹时间 "，手机拍摄的普通房间也能变成机器人的仿真训练场，Atlas 将 " 世界模型 " 的边界又往前推了一步。其背后，是 World Labs 累计超过 12 亿美元的融资，以及约 50 亿美元的估值。

热度之下，创投圈抛出一个熟悉的问题：中国有没有对标者？

不过或许应该换一种问法。真正值得追问的不是 " 谁在模仿 Atlas"，毕竟 Atlas 发布至今不过数日，追随者无从谈起。而是 Atlas 出现之前，全球还有谁独立走在同一条技术路线上？

沿着这个线索梳理国内空间智能与具身智能赛道后，一家公司浮出水面：杭州影身智能。答案多少有些意外。过去，影身智能很少依靠演示视频或炫技发布会进入公众视野，外界对其印象甚至停留在一家 " 柔性垂类具身智能公司 "。拆解其技术底座原生 4D 世界模型 " 破界 S1"，会发现其与 Atlas 的技术同构程度，远超想象。

从李飞飞的 Atlas 说起

先来看清 Atlas 到底是什么。抛开演示效果，Atlas 的技术路线由三个关键决策构成：

第 一，生成与重建的统一。传统 AI 通常把 " 生成图像 " 和 " 重建 3D" 拆解为两个任务、两套模型。Atlas 用 " 空间上下文 "（Spatial Context）把两者统一到同一套自回归推理框架中：每张图像都被锚定在三维空间的具体位置、携带显式相机位姿，模型以此生成下一个空间元素，输出可以是新视角图像、深度图和点云。输入图像少，模型就用世界知识 " 脑补 " 不可见区域；输入图像多，输出就收敛为忠实重建。生成与重建，只是同一模型在不同输入密度下的两种表现。

第二，普通摄像头的稀疏视角重建。Atlas 不需要专业捕捉设备，3 到 5 台普通手机、24 帧视频，就能重建一个空间并生成任意新视角，包括 " 冻结时间 " 的子弹时间效果。在稀疏视角 3D 重建基准上，甚至超越了 VGGT 等专用开源重建模型。

第三，Real-to-Sim 的机器人闭环。具体来说，只需用普通视频扫描真实场景，模型就能重建为仿真环境。当模拟机器人在其中运动时，由同一个模型生成其传感器所看到的 RGB 图像和深度数据，" 世界 " 和 " 机器人眼中的世界 " 出自同源。

一言以蔽之：抛弃 2D 像素拟合，让空间和时间成为模型的原生维度，用一个模型同时回答 " 世界长什么样 " 和 " 世界将如何演化 "。

一条独立收敛的中国路线

再来看影身智能。

这家公司于 2024 年 6 月成立于杭州，创始人闵伟曾任阿里巴巴机器人团队负责人；首席科学家刘烨斌教授是清华大学长聘教授、国家杰青，其团队深耕动态三维重建领域二十余年。

创业之初，团队就做出一个与主流具身智能路线并不相同的判断：大语言模型处理的是一维语言，视频生成模型处理的是二维图像序列，而机器人面对的是三维空间叠加一维时间构成的真实 4D 物理世界。在他们看来，用一维和二维的数据，训练不出理解 4D 物理世界的智能，" 这是跨不过维度的鸿沟 "。

以此为标尺，影身智能与当前两条主流路线拉开了距离：

VLA（视觉语言动作模型）建立在大语言模型之上，擅长理解语义和任务指令，但方位坐标、空间关系和物理约束不是语言天然承载的信息。真实世界的一切都被文字 " 降维处理 " 过，在真实物理系统中不具备直觉。

WAM（世界动作模型）的基座是视频生成模型，虽然引入了对未来的预测，却继承了视频生成的全部问题——幻觉、维度限制，只要 " 符合剧情 " 即可，不必严格遵循物理规律，这对在真实世界干活的机器人是巨大风险。

影身的答案干脆利落：从数据出发，用原生 4D 数据训练原生 4D 模型，构建一个与大语言模型、视频生成模型并列的新基座。

" 原生 " 二字是这条路线的题眼，包含两层含义：数据是原生的，直接采自真实物理世界，不是仿真和人工标注；模型是原生的，专为 4D 数据从零设计，而非把低维信息 " 塞进 " 现成模型。在影身看来，低维数据混入 4D 训练是一种污染，正如早期非原生多模态模型常画出六根手指，而原生多模态模型能正确画出五指。语言本身有幻觉，若不在源头解决，后续问题难以排查。这与 Atlas" 从零预训练、让空间和时间成为模型原生维度 " 的底层信念完全同构。

逐条对照下来，同构性贯穿了整个技术栈：

生成与重建的统一——对应 " 破界 S1" 的 " 三能一体 " 与 "Real-to-Real" 管线。影身的 4D 基座世界模型 " 破界 S1" 将渲染、仿真、规划集于一体，重建与生成在同一基座内完成。数据生产管线本身就是一个模型：多视角 2D 视频输入，模型在内部生成时空对齐的 4D 格式数据。真实多视角视频转化为真实 4D 数据，影身称之为 "Real-to-Real"。更具象的证据是深度生成方式：不依赖深度相机实测，而是用算法从 RGB 生成深度。" 一个平面就是一个平面 "，点云一致性甚至优于传感器实测。这与 Atlas" 输入越少、想象越多 " 的生成式重建哲学如出一辙。

普通摄像头阵列的实时 4D 重建——对应 " 影身 360"，成本更低。Atlas 用 3 到 5 台手机做离线重建；影身的 " 影身 360" 数采系统用 4 到 6 个阵列 RGB 摄像头环绕工位，以家用级摄像头加单张消费级 GPU，实现对工人作业过程 25FPS 的实时高精度 4D 时空数据合成，全程无接触、无感采集，不干扰被采集对象。

要知道，过去业内高质量 4D 采集需要在布满 80 个摄像头的 " 笼子 " 里进行，整套设备价值数百万、租一天两万元，全球实验室攒下的 UMI 数据不过 1500 小时量级，4D 数据曾是名副其实的 " 奢侈品 "。影身在两年内把摄像头从 80 个降到十几个、再降到 4 到 6 个，把采集从几小时压缩到实时生成，第 一次让大规模工业化采集成为可能。其数据架构呈金字塔形：顶层是历史积累的高精度稠密视点数据，以此训练模型适配稀疏视点采集，再由模型同步生成海量 4D 数据训练下一级模型。

终局是单摄像头也能生成 4D 数据，届时互联网上数十亿小时的存量单视角视频都将被 "4D 化 "，数据来源问题从根本上被解决。一个是将普通摄像头变成 " 子弹时间 " 摄影棚，一个是把普通摄像头变成产线数据工厂。犹如同一枚硬币的两面，只是影身把这一面铺进了车间。

Real-to-Sim ——对应 "V-4D-A" 架构，并且多走一步。Atlas 的机器人故事到 " 生成仿真训练数据 " 为止；影身的 V-4D-A（视觉 -4D- 动作）架构则从真实产线 4D 数据出发，由基座模型直接输出驱动物理机器人的动作序列，形成 Real-to-Real 闭环。

支撑其跨过 " 最后一公里 " 的是两个设计：其一，模型预测的是 4D 点云。物体在未来如何运动，与操作者是人手、灵巧手还是机械夹爪无关，运动规律可以逆向推导适配任意本体的关节参数，天然具备跨本体能力，而传统真机采集记录的关节角度换一台机器人就作废。其二，自进化学习。不只学正确样本，还主动把错误样本纳入训练，世界模型预测下一时刻的变化，一旦实际变化与预测不符，系统就会更新知识，产线数据持续回流反哺模型。世界模型到机器人执行之间的最后一公里，Atlas 还停在演示里，影身已跑在产线上。

两家没有任何交集的公司，在太平洋两岸独立推导出了同一个答案。这种技术路线的平行收敛，在科技史上往往意味着一件事：这条路是对的。

影身多走的那几步：时间、订单与数据飞轮

如果说同构性证明了 " 中国版 Atlas" 的成色，那么拉开两者差距的，是影身手里三个 Atlas 暂时没有的筹码。

一是时间。早在 2024 年，影身智能就押注原生 4D 路线，2025 年在制鞋产线跑通试点并拿下国内具身智能领域首 个千万级柔性智造订单，2026 年 4 月公开原生 3D/4D 动态世界模型，同年 8 月携 " 破界 S1" 亮相世界机器人大会。每一个节点都早于 Atlas 的发布，与其说是 " 中国追随者 "，更像是 " 先行版 "。

二是落地。Atlas 目前尚未对外开放，也没有公开 API 和定价，机器人能力仍缺少第三方验证。影身已经把世界模型带进真实产线。

涂胶机器人 ShadowGlue、压底机器人 ShadowPress 已投入生产，在手柔性智造订单总额达数亿元。公司披露，制鞋涂胶效率和良率早已超过人工，作业精度达毫米级，今年计划交付 250 台搭载 4D 世界模型 " 大脑 " 的具身机器人。

更具战略意味的是场景选择：制鞋是典型的 " 双柔性 " 场景（柔性生产 + 柔性物体操作），款式迭代快、产线无法长期固定，衣服线缆等软性物体的状态变化，传统编程难以穷举所有状态。这是全球机器人行业公认无人实现大规模落地的极端工况，也是上一轮工业革命没能攻克的 " 最后一公里 "。

一旦这套能力在制鞋场景跑通，边界就不再局限于鞋厂。箱包、家居、服装等柔性制造场景面对着相似的问题，底层能力具备复用空间。

值得一提的是，影身还能以 ODM 轻资产模式输出算法 " 大脑 " 和一体化解决方案。其 4D 世界模型天然支持跨本体，人形、单双臂、轮式、飞行式皆可适配，通过跨本体实现比 " 通用本体 " 更大范围的跨场景。

三是飞轮。影身已经跑通了一条完整链路：真实场景产出 4D 数据→训练基座模型→模型赋能产品→落地场景持续新增数据。世界模型的竞争，归根结底仍是数据，尤其是原生 4D 数据，只能从真实物理场景中一帧一帧持续采集。对影身来说，每多交付一个工位，其数据壁垒就加厚一分。公司披露，其 3D/4D 数据的训练效率是传统视频训练方法的 20 倍。按照规划，公司将于 2026 年底至 2027 年上半年发布大规模 4D 数据集与具身智能大模型。若能如期开放，这将是全球第 一个工业场景的原生 4D 开源级数据资产。

这种能力也开始越出工厂。

影身正将同一 4D 基座延伸向数字文娱，已完成 4D 演唱会的基础技术攻关：多视角视频经模型转为 4D 格式，压缩成标准视频流后，普通浏览器即可播放。公司还正在筹备全球首场 4D 直播演唱会，更远处的目标是将自由视角能力带到电影、体育赛事等内容形态中。

这条路线与 Atlas 形成了一个有意思的对照：Atlas 最吸睛的演示之一是相机可控的空间生成。影身则试图将类似的自由视角能力，同时放进 B 端工业和 C 端内容场景。

估值坐标

把 World Labs 与影身智能放在一起，最值得看的其实不是技术演示，而是两家公司所处的商业阶段。

World Labs 以超过 12 亿美元融资、约 50 亿美元估值，目前 Atlas 仍处于研究阶段。影身智能累计融资仅近亿元，在同一条技术路线上做到先行发布、量产验证、订单闭环。

资本市场常说 " 先相信，再看见 "。Atlas 让全世界看见了空间智能世界模型的价值；而影身智能的故事是 " 先看见，再相信 "，在车间里把蓝图变成了良品率、订单和数据飞轮。

正如李飞飞所说，空间智能是 AI 的下一个前沿。更值得注意的是：在 Atlas 出现前，中国已经有人沿着相似的方向往前走。影身智能没有等到这条路线被全球看见，便已开始训练原生 4D 模型，并率先把它带进工业现场。

如果一定要寻找参照，影身与 Atlas 更接近两条平行推进的路线：一条向通用空间智能推进，一条先在真实物理世界里完成验证。Atlas 让市场看见了这条路能走多远；影身正在回答另一个问题：先在真实世界里跑通商业逻辑。

文章来源：投资界原创

原文地址：https://news.pedaily.cn/202609/568825.shtml

【本文为投资界原创，网页转载须在文首注明来源投资界（微信公众号 ID：PEdaily2012）及作者。微信转载请在原文评论区联系授权，违者必究。免责声明：本文不构成任何投资建议。市场有风险，投资需谨慎。】