Enter 参加了 2026 年春季 HackPrinceton——410 名参与者，36 小时，地点就在普林斯顿校园。我们到场是为了支持新一代的创造者。Atlas 背后的团队,正是我们一次又一次忍不住回去关注的那种团队。

我们教学方式的根本问题

几乎所有教育的核心都存在一个缺口,任何上过历史课的人其实早就知道。

老师告诉你发生了什么。你读文字。你考试。而在课本和考试之间的某个地方,那个本该有意义的东西——那个瞬间、那个地点、那段真实发生过的现实——却始终没有真正落地。它停留在抽象层面。纸上的文字,描述着一个你看不见的世界。

科学课也是如此。光合作用首先是一个词,然后才是一个过程。步骤被死记硬背下来。但真正理解光照射到叶片内部到底发生了什么,靠一张示意图是远远不够的,需要的是直觉。

Atlas 团队的出发点是一个简单的观察:能够改变这一切的工具现在已经存在了。沉浸式 3D 环境、能够实时对话和推理的 AI、仅凭一句文字就能生成的世界。问题在于,能不能把这些工具组装成一种感觉不像产品、更像一个"地方"的东西。

Atlas 到底是什么

输入任何一个历史事件或科学概念,就能走进围绕它生成的 3D 世界。

这就是 Atlas 的核心——但这句描述远远低估了实际使用时的感觉。这个世界不是传统意义上的插画或模拟。它是根据你的提示词生成、实时渲染出来的照片级真实环境,并且是专门围绕你想理解的那件具体事物搭建的。

在这个世界里有一位 AI 向导。它会说话,会倾听。它回答问题的方式,就像一个站在你身边、对这个环境了如指掌的人一样——它的回答扎根于你周围的场景、你能看到的物体,以及你所处的位置和正在观察的具体内容。你可以点击单个元素,直接针对它提问。在科学场景中,引导式实验会根据你的操作做出反应——一个随你互动而变化的光合作用循环。这是一个靠"做"而不是靠"讲"来教学的世界。

Atlas 的界面展示了一个生成出来的中国古代村落 3D 环境,AI 向导在角落里处于激活状态——随时准备回答与场景中可见物体和空间背景相关的问题。

他们解决的那个难题

Atlas 遇到的最有意思的技术挑战,同时也是最根本的一个:如何让 AI 向导对"实际存在的东西"保持诚实。

一个语言模型,如果在一个它看不见的世界里被赋予完全的自由,就会自己去填补空白。它会描述根本不存在的人,提及从未被生成过的物体,添加听起来合理却并未扎根于学生实际所处环境的背景信息。对于一节历史课来说,这种"幻觉"不仅仅是不准确——它会直接破坏 Atlas 想要达成的目标。

解决方案是一套场景图(scene graph)系统——对生成世界中每一个被标注、可查询元素的结构化表示。在向导回答任何问题之前,它会先"读取"场景,知道里面到底有什么。每一个回答都被锚定在这种空间与历史背景之中,而不是依赖模型对"中国古代村落大概是什么样子"的泛泛知识。

最终结果是一个表现方式更像"曾经真的站在那个房间里的向导",而不是搜索引擎的 AI。

Atlas 背后的场景图架构,将每一个生成出来的世界结构化为带标签、可查询的元素——这为 AI 向导提供了空间锚定,使每个回答都真实反映学生实际能看到的内容。

他们最自豪的地方

是整条链路从头到尾真正跑通了。

输入一个提示词。一个真实的 3D 世界围绕它生成出来。一个支持语音的 AI 向导从这个世界内部回答问题,给出历史准确、空间上有依据的细节。对于一个在黑客马拉松上组装起世界生成、3D 渲染、场景解读、对话式 AI 和语音合成这整条流水线的团队来说,能在 36 小时内把这个闭环干净地跑通,本身就是一项成就。

STEM 实验模式甚至让团队自己都感到惊讶。通过互动而非讲授来教科学,改变了学生与概念之间的关系。你不是在死记硬背光合作用的步骤,而是在看着它根据你的动作做出反应。这个区别比听起来更重要。