导语
1999年《黑客帝国》中基努·里维斯仰身躲子弹的经典镜头，让“子弹时间”成为影史视觉奇观。当年剧组在绿幕棚里沿弧线布置了120台静态相机，才拍出那令人屏息的慢动作环绕效果。二十多年后，即便技术飞速进步，2025年VOGUE时尚盛典上仍需要60台iPhone 17 Pro配合专业同步设备，才能重现类似的大片效果。然而，李飞飞创立的World Labs刚刚发布的3D世界模型Atlas，彻底打破了这一物理定律——仅凭3到5台普通手机或运动相机，就能生成同样流畅、甚至更自由的子弹时间画面。
事件概览
World Labs近期发布了名为Atlas的3D世界模型，其核心能力是：从稀疏的多视角视频输入中，重建出具有空间一致性的三维场景，并允许用户在事后任意调整虚拟摄影机的位置和轨迹。在官方演示中，操作人员只架设了3到5台不同角度的手机和运动相机，采集素材后，通过Atlas即可生成视角在凝固的时空中平滑移动的子弹时间视频。更关键的是，模型不仅能输出最终渲染的视频，还能同步导出稠密深度图、三维点云以及3D Gaussian Splat，为后续的实时渲染和自由穿梭提供了完整的数据基础。
核心信息
技术原理：多模态自回归扩散Transformer
Atlas的技术架构名为“多模态自回归扩散Transformer”，它将文字、图像、深度以及相机位姿（Camera Pose）全部融合进同一个空间上下文。当多台手机从不同角度拍摄的视频输入模型时，每一帧画面都携带明确的三维空间坐标。凭借这些稀疏视角，模型在统一的空间上下文里维持视角之间的几何一致性，并推断出未被摄影机覆盖的区域。正如World Labs技术博客所言：“它看见的越多，需要‘想象’的就越少。”静态场景通常只需2到3张照片即可完成基础重建，而为了更精细的细节，模型也能处理上百张图片。输入的真实视角越多，模型对空间的理解就越扎实。
与传统视频生成模型的本质区别
目前主流的视频生成模型（如可灵AI等）可以通过单张图片和提示词生成环绕运镜效果，但本质上是在二维像素层面根据文本语义推演“看起来像是在旋转拍摄的视频”。镜头运动轨迹、转速和景深关系更多依赖模型自主发挥，缺乏精确控制。而Atlas的最大质变在于，它将相机位姿作为模型的原生几何输入参数。用户不再需要靠提示词碰运气，而是可以像在3D软件里排布机位一样，直接给虚拟摄影机设定精确的运动轨迹。这些轨迹坐标与现实空间严格对应——现场相机在哪个位置，虚拟镜头移到什么距离，Atlas都能明确对齐。简言之，普通AI视频是在2D画布上“画出运镜的感觉”，而Atlas先在神经网络内部构建起一个具有空间与时间连续性的三维世界，再派一台受用户完全操控的虚拟摄影机进入这个世界去重新取景。
后期自由度：从胶片到机位的革命
影像技术的发展史，本质上就是“现场拍摄决策不断向后期推迟”的历史。胶片时代，对焦、机位、快门时机几乎无法后期挽回；数码时代，RAW格式允许后期调整白平衡和曝光，计算摄影则让虚化与景深可事后模拟。而Atlas将这种“后期自由度”推向了最核心的机位：拍摄结束后，摄影师不仅能自由切换角度，甚至可以在电脑里凭空调出一个现场根本不存在的“上帝视角”——俯瞰整个场景，或拉近重构一个细节特写。这种体验让人联想到《赛博朋克2077》中的“超梦”编辑模式：玩家在凝固的时空里自由移动镜头，重新审视整个现场。Atlas相当于将科幻设定带进现实，未来普通人或许也能用手机随手记录片刻，事后真正“走入”那段三维记忆，从任意角度回味生活。
影响与观察
空间智能的基石
子弹时间只是Atlas展现在大众面前最直观的切面。在World Labs的蓝图中，这套能力最终要通向的是“空间智能”（Spatial Intelligence）。Atlas在推断时不仅能输出视频像素，还能同步导出稠密深度图、三维点云以及3D Gaussian Splat。它会先预测每一帧的深度，拼出场景的三维骨架，补全未被摄影机覆盖的区域，并转换成完整的3D Gaussian Splat场景，最终生成可在设备上实时渲染、自由穿梭的数字空间。这为“Real-to-Sim-to-Real”（真实→仿真→真实）的闭环提供了关键支撑。
对机器人训练的低成本赋能
2025年2月，World Labs宣布完成10亿美元融资；7月，公司收购了机器人与仿真公司SceniX。对于具身智能和人形机器人领域，一个关键瓶颈是如何低成本、规模化地获得丰富的训练经验和评测环境。真实机器人每次试错都会占用硬件、人工和场地，且很多罕见情况难以在现实中复现。有了Atlas，模型仅凭几条现场视频就能重建出逼真的数字孪生世界，算法可以在其中随意规划导航路线、推演机械臂抓取，甚至更改物体摆放、光照和背景，以极低成本生成近乎无限的训练数据。
结语
从当年创建ImageNet开启深度学习图像识别浪潮，到如今创立World Labs探索空间智能，李飞飞的研究主线始终清晰：从前是教电脑看懂一张二维照片里有什么，现在是教电脑理解一个三维空间里的物理规律、几何关系以及下一秒会发生什么。《黑客帝国》靠上百台相机硬生生围出子弹时间，如今几台手机配合一个世界模型就能重建出鲜活的三维时空。技术的每一次跃升，都在把创作从沉重的设备中解救出来。当物理机位不再成为灵感的阻碍，决定镜头方向的，永远是创作者想要讲述的故事。
信息来源：爱范儿，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。