Enter 参加了 2026 年春季的 HackPrinceton 黑客马拉松——在普林斯顿大学校园内，410 名参赛者，36 小时。我们在那里支持下一代建设者。Atlas 背后的团队是我们持续关注的团队之一。

我们教学方式存在的问题

大多数教育的核心都存在一个缺口，这是每一个上过历史课的人都知道的。

有人告诉你发生了什么。你阅读文字。你参加考试。而在教科书和考试之间，那个本该重要的东西——那个瞬间、那个地点、那段现实——却从未真正落地。它始终是抽象的。页面上的文字描述着一个你无法看见的世界。

科学也是如此。光合作用在成为一个过程之前，首先是一个词。步骤被死记硬背。而对于当光线照射在叶片上时内部到底发生了什么，这种理解和直觉——需要不仅仅是图表的东西。

Atlas 背后的团队始于一个简单的观察：改变这一切的工具现在已经存在了。沉浸式 3D 环境、能够实时说话和推理的人工智能、通过单个文本提示生成世界。问题在于，这些工具能否组合成一种感觉起来不像产品、更像是一个真实地方的东西。

Atlas 的本质

输入任何历史事件或科学概念。走进一个围绕该主题生成的 3D 世界。

这就是 Atlas 的核心——而且这个描述低估了它实际使用时的感受。这个世界不是传统意义上的插图或模拟。它是从你的提示中生成的照片级逼真环境，实时渲染，并围绕你想要理解的具体事物构建。

在这个世界里有一个 AI 向导。它会说话。它会倾听。它回答问题的方式就像一个站在你身边、对该环境了如指掌的人——它基于你周围的场景、你能看到的物体，以及你所处位置和正在观察事物的具体语境。你可以点击单个元素并直接询问它们。对于科学场景，引导式实验会对你的操作做出反应。一个随着你交互而变化的光合作用循环。一个通过“做”而不是“说”来教学的世界。

Atlas 界面展示了一个生成的古代中国村庄 3D 环境，角落里的 AI 向导处于激活状态——准备好回答基于场景中可见物体和空间语境的问题。

他们解决的难题

Atlas 遇到的最有趣的工程挑战也是最根本的挑战：如何让 AI 向导诚实地对待实际存在的事物。

语言模型如果在一个它看不见的世界中拥有自主权，就会填补空白。它会描述不在场的人，引用从未生成的物体，添加感觉正确但并没有扎根于学生所处实际环境的语境。对于历史课来说，这种幻觉不仅仅是不准确——它实际上破坏了 Atlas 试图实现的目标。

解决方案是一个场景图系统——一种对生成世界中每个被标记、可查询元素的结构化表示。在向导回答任何问题之前，它会读取场景。它知道那里有什么。每一个回答都锚定在那个空间和历史语境中，而不是模型关于古代中国村庄可能是什么样子的通用知识。

结果是一个 AI，它的表现不像搜索引擎，更像是一个和你一起站在那个房间里的向导。

Atlas 背后的场景图架构将每个生成的世界结构化为标记好的、可查询的元素——为 AI 向导提供空间基础，从而确保每一个答案都能反映学生实际能看到的东西。

他们最引以为傲的是什么

完整工作流的端到端实现。

输入提示词。一个真实的 3D 世界围绕它生成。一个具备语音功能的 AI 向导在那个世界内用符合历史事实、有空间基础的细节回答问题。对于一个在黑客马拉松上进行开发的团队来说——搭建一个跨越世界生成、3D 渲染、场景解释、对话式 AI 和语音合成的流水线——在 36 小时内实现该流程的闭环就是他们的成就。

STEM 实验模式甚至让团队成员自己都感到惊艳。通过交互而不是教学来传授科学，改变了学生与概念之间的关系。你不再是死记硬背光合作用的步骤。你是在观察它如何对你的操作做出反应。这种区别比听起来重要得多。