李飞飞的 World Labs，把赛博朋克的「超梦」做出来了

1999 年《黑客帝国》里基努·里维斯仰身躲子弹的那一幕，让「子弹时间」成了影史上最震撼的视觉奇观之一。

当年拍摄这个镜头时，剧组在绿幕摄影棚里沿弧线布置了 120 台静态相机，并在阵列两端配置电影摄影机。相机按照事先设计的时间差依次曝光，让人物动作以极慢速度继续，同时让视角沿着相机阵列移动。

后期再通过插帧、数字背景与合成，把这些离散视角接成我们后来熟悉的「子弹时间」。去年 10 月底的 VOGUE 时尚盛典，现场为了重现这种效果，同样围起了一整圈密不透风的弧形金属支架，上面齐刷刷架着整整 60 台 iPhone 17 Pro，配合 Blackmagic 扩展坞与 Genlock 锁相同步发生器，才拍出了刷屏全网的明星子弹时间大片。

对传统多机位「子弹时间」阵列来说，想获得足够连续的真实视角，最直接的办法始终是把相机铺得足够密。而李飞飞 World Labs 刚刚发布的 3D 世界模型 Atlas，直接打破了这个规矩。少掉的 57 台相机，到底被谁「算」没了？

在官方给出的演示里，同样是动态主体的「子弹时间」，现场既没有 60 台手机组成的庞大阵列，也没有复杂的锁相发生器——操作人员只随手在几个不同角度架了 3 到 5 台普通的手机和运动相机，就完成了素材采集。

要想在时间静止的同时移动机位，传统的做法就像小时候玩过的「连点成线」游戏：为了勾勒出一条平滑的圆弧轨迹，过去必须密密麻麻标出 60 个点，连起来才不会显得突兀生硬。Atlas 彻底改写了这个游戏规则。它不再需要 60 个点，3 到 5 个点就够了。

在这个名为「多模态自回归扩散 Transformer」的架构里，Atlas 把文字、图像、深度以及相机位姿（Camera Pose）全都揉进了同一个「空间上下文」。当操作人员把几台手机从不同角度拍到的视频丢给模型时，每一帧画面都带着明确的三维空间坐标。

凭借这几个真实的稀疏视角（Sparse Views），模型在统一的空间上下文里维持不同视角之间的几何一致性，并推断、生成输入没有覆盖的区域。这个空间上下文的胃口很大：静态场景通常只要 2 到 3 张照片就能完成基础重建，而如果需要更精细的细节，它也能一口气吃下上百张图片。给的真实视角越多，模型对空间的理解就越扎实。

正如 World Labs 的技术博客： 它看见的越多，需要「想象」的就越少。The more it sees, the less it imagines.它看见的越多，需要「想象」的就越少。

The more it sees, the less it imagines.在镜头拍到的地方，Atlas 会尽量保持内容与几何的一致；而物体背面、遮挡区等没有被摄影机记录的位置，则根据训练中学到的世界先验生成一个「合理的答案」。

进可重构特写，退可俯瞰全场 看到这里，你可能多少也有点好奇：如今的视频模型也能生成环绕运镜，Atlas 和输入一句「生成一段摄影机围绕主体旋转的视频」有什么区别？在去年 APPSO 针对 VOGUE 子弹时间的复刻实验中，我们就曾用一张库里投篮的高清照片输入给视频生成模型，通过 Prompt 提示词成功模拟出了一段相当流畅的环绕运镜。

这种基于单图和提示词的生成方式非常惊艳，也很适合快速创作。

不过从精确控制的角度来看，它与 Atlas 走的其实是两条截然不同的技术路线： 主流视频生成模型是在二维像素层面，根据文本语义去推演「一段看起来像是在旋转拍摄的视频」，镜头的运动轨迹、转速和景深关系更多依赖模型自主发挥； 而 Atlas 最大的质变，在于它把摄影机位姿（Camera Pose）做成了模型的原生几何输入参数。

这意味着你不用再靠提示词碰运气，费劲地让 AI「把镜头往左上方拉一点」；你可以像在 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。更关键的是，这些轨迹坐标与现实空间是严格对应的——现场相机在哪个位置，虚拟镜头移到什么距离，Atlas 都能更明确地对齐。

普通 AI 视频是在 2D 画布上「画出运镜的感觉」；而 Atlas 是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，再派一台受你完全操控的虚拟摄影机进入这个世界去重新取景。当摄影机机位真正变成一个可自由调节的参数，整个摄影的规则就被改写了。

如果把视线放宽到整个影像技术的发展史，你会发现一部摄影史，本质上就是「现场拍摄决策不断向后期推迟」的历史： 百年前的胶片时代，摄影师需要在拍摄现场完成大量关键决定，对焦、机位、快门时机尤其难以后期挽回，曝光和色彩虽然也有暗房调整空间，但容错远没有今天这么高； 进入数码时代后，RAW 格式让我们可以在拍摄后随意调整白平衡和曝光；计算摄影与多摄系统的普及，让我们可以在拍完照片后再重新模拟光圈虚化与景深； 而 Atlas 把这种「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」——去俯瞰整个场景，或者拉近重构一个细节特写。

这种拍完后再选机位的体验，有些似曾相识——这不就是《赛博朋克 2077》里的「超梦」吗？进入编辑模式后，视角不再受限于原本的第一人称，玩家可以在凝固的时空里自由移动镜头，重新审视整个现场。Atlas 就像是把这种科幻设定带进了现实。

或许在不久的未来，普通人也能体验到类似「超梦」的感觉：现场随手用手机记录片刻，事后便能真正「走入」那段三维记忆，从任意角度重新取景与回味生活。从看懂一张二维照片，到理解整个三维世界 子弹时间只是 Atlas 展现在大众面前最酷炫的切面。

在 World Labs 的蓝图里，这套能力最终要通向的，是一个更宏大的命题：空间智能（Spatial Intelligence）。在推断时，Atlas 不仅能输出最终的视频像素，还能同步导出稠密深度图（Depth）、三维点云（Point Cloud）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（点云）、补全没有被摄影机覆盖的区域，并转换成完整的 3D Gaussian Splat 场景，最终生成可以在设备上实时渲染、自由穿梭的数字空间。今年 2 月，World Labs 宣布完成 10 亿美元新融资；7 月，公司又收购了机器人与仿真公司 SceniX。

在技术阐述中，他们反复强调了一个核心概念：Real-to-Sim-to-Real（真实 → 仿真 → 真实）。对于目前火热的具身智能（Embodied AI）与人形机器人来说，一个关键瓶颈是如何低成本、规模化地获得足够丰富的训练经验和评测环境。真实机器人每一次试错都会占用硬件、人工和场地，而且很多罕见情况难以在现实中反复复现。

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。算法可以让虚拟机器人在这个环境里随意规划导航路线、推演机械臂抓取，甚至自由更改物体的摆放、光照和背景，以极低的成本生成近乎无限的机器人训练数据。

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」。当年，《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。