中国开源世界模型InSpatio-World vs 李飞飞Atlas：谁在空间智能赛道真正领先？
当李飞飞于2026年9月初高调推出其创业公司World Labs的首款产品——多模态世界模型Atlas时，科技界一片沸腾。媒体称其为“空间智能的里程碑”，网友惊叹于仅凭几张图片就能生成连贯、结构一致的3D场景并自由切换视角的能力。然而，在这场看似由硅谷引领的技术叙事背后，一个被忽视的事实是：中国团队影溯（Yingsuo）早在2026年3月就已开源了功能相近甚至在某些维度更具前瞻性的世界模型InSpatio-World，并已在国际权威评测中证明其实力。
这种“中国先行、海外跟进”的现象，不仅挑战了我们对AI创新节奏的惯常认知，更揭示了一个关键趋势：世界模型的竞争正从单纯的生成质量，转向对物理世界结构、动态规律和时空一致性的深层建模能力。
技术路径分野：静态3D vs 动态4D
Atlas的核心突破在于构建了一个统一的空间上下文框架，将文本、图像、视频乃至3D信息融合其中。用户输入少量图像后，模型能重建出具有几何一致性的三维场景，并允许虚拟相机沿任意轨迹移动，生成新视角下的图像，且保持物体位置、遮挡关系和光照逻辑的连贯性。这本质上是一种静态3D世界建模——它假设场景在观测期间是静止的，重点在于空间结构的完整性与视角变换的合理性。
相比之下，影溯的InSpatio-World从设计之初就锚定动态现实世界。其输入不是静态图像，而是一段普通视频。模型的任务是从这段有限的时空观测中，推断出一个可探索的4D时空场（3D空间+时间）。这意味着用户不仅可以改变观察位置，还能改变观察时刻。例如，一段行人过马路的视频，经InSpatio-World处理后，用户可以从侧面、上方甚至行进方向的前方视角，回看同一事件在不同时间点的状态。
这一差异看似细微，实则代表了两种不同的世界建模范式。Atlas更像一个高保真的虚拟摄影棚，目标是构建一个可供任意机位拍摄的静态舞台；而InSpatio-World则试图将一段现实录像“升维”为一个可驱动的动态世界副本，使其成为物理AI（如自动驾驶、服务机器人）进行策略预演和行为预测的理想沙盒。
WorldArena登顶：靠的不是画面，而是物理逻辑
影溯的技术实力并非空谈。在2026年8月发布的WorldArena 2.0权威榜单中，其模型InSpatio-Curious以66.11分高居榜首，超越全球77个参评模型。尤为值得注意的是，它的Image Quality（图像质量）得分仅为60.64，远低于第二名，却依然夺冠。这恰恰说明，该评测体系的价值取向已发生根本转变。
WorldArena由清华大学、上海交通大学、香港大学等顶尖学府联合发起，专为具身世界模型（embodied world models）设计。与传统视频生成评测不同，它模拟的是机器人在真实环境中执行任务的场景。评测不仅看画面是否清晰美观，更关注以下核心能力：
- Trajectory Accuracy（轨迹准确性）：模型生成的物体或相机运动路径是否符合真实物理规律。InSpatio-Curious在此项得分为64.89，领先第二名超3分。
- Depth Accuracy（深度准确性）：场景中各点的深度估计是否精确。其得分高达99.29，几乎接近完美。
- Physics Adherence（物理一致性）：当物体受外力作用时，其后续运动是否遵循牛顿力学等基本物理法则。73.24的得分位列第一。
- JEPA Similarity（时空表征相似性）：基于联合嵌入预测架构（JEPA）的理念，衡量模型内部时空表征与真实世界观测的一致性。98.36的高分表明其对世界状态的编码极为忠实。
这些指标共同指向一个结论：InSpatio-Curious的优势不在于“看起来像”，而在于“行为上真”。对于需要与物理世界交互的智能体而言，后者才是决定成败的关键。
数据瓶颈与SIDO计划：打造空间智能的“ImageNet”
尽管模型能力突飞猛进，但整个空间智能领域仍面临一个根本性制约：缺乏大规模、高质量、多样化的3D/4D真实世界数据。当前多数研究依赖合成数据或小规模采集，难以覆盖真实环境中复杂的光照、材质、动态交互和长尾场景。
正是意识到这一点，影溯在2026年8月底的第二届中国空间智能大会上，联合20余家高校、激光雷达厂商、机器人公司及3D内容平台，共同发起SIDO（Spatial Intelligence Data Open）。该计划旨在构建一个覆盖百万级场景的3D/4D开放数据底座，并同步建立统一的评测基准。
SIDO的运作逻辑是打通“数据-模型-应用”闭环：
- 数据生产方（如测绘机构、自动驾驶车队、AR/VR内容创作者）贡献原始空间数据；
- 模型研发方利用这些数据训练更鲁棒的世界模型；
- 应用方（如工业机器人、家庭服务AI）在真实任务中验证模型效果，并反馈新的数据需求。
这种协同机制有望加速空间智能从实验室走向产业落地。正如ImageNet之于计算机视觉，一个高质量、标准化的空间数据集将成为推动整个领域进步的基础设施。
超越生成：世界模型的终极使命是赋能智能体
无论是Atlas还是InSpatio-World，其意义远不止于生成酷炫的视觉内容。它们的真正价值在于为具身智能体（embodied agents）提供一个可交互、可预测、可规划的内部世界模型。在这个模型中，智能体可以安全地试错、预演行动后果、理解因果关系，从而在真实世界中做出更优决策。
例如，一个家庭服务机器人若搭载InSpatio-World，便能在看到主人拿起水杯的瞬间，预测其可能走向厨房接水，并提前清理路径上的障碍物；一辆自动驾驶汽车若集成此类模型，则可在复杂路口提前模拟其他车辆的多种可能轨迹，选择最安全的通行策略。
从这个角度看，世界模型的竞争已不仅是算法之争，更是对物理世界理解深度的竞争。谁能更准确地捕捉空间结构、时间演化和物理规律，谁就能为下一代AI智能体提供更可靠的“心智地图”。
结语：一场静默的领跑
李飞飞的Atlas无疑是一次重要的技术展示，但影溯的InSpatio-World及其在WorldArena上的表现，揭示了一个更值得深思的现实：在全球AI竞赛中，中国团队不仅没有掉队，反而在某些前沿方向实现了静默的领跑。这种领先并非依靠营销声量，而是扎根于对技术本质的深刻洞察——智能的本质不是生成逼真的幻象，而是构建一个与真实世界同构、可交互、可推理的内部模型。
随着SIDO等基础设施的推进，中国在空间智能领域的系统性布局或将释放更大潜力。未来的胜负手，或许不再是谁先发布一个惊艳demo，而是谁能率先构建起从数据、模型到应用的完整生态，并真正让AI学会“理解”这个世界，而不仅仅是“模仿”它。