三部手机拍出“子弹时间”：李飞飞团队新模型 Atlas 如何用几张照片重建三维世界

从三张照片到三维世界

你有没有想过，只用三部手机架在三脚架上，拍一段有人投篮或草莓掉进牛奶的画面，就能生成《黑客帝国》里那种时间凝固、镜头环绕的“子弹时间”效果？这听起来像电影特效团队的专属能力，但现在，李飞飞（Fei-Fei Li）联合创立的公司 World Labs 推出的新模型 Atlas，让这件事变得触手可及。

Atlas 的核心能力叫“新视角预测”——给它一个场景的若干视角（哪怕只有两三张），它就能推断出从任意新位置、新角度看到的画面应该长什么样。这不是简单的图像插值，而是基于对空间几何的理解，生成在三维结构上自洽的内容。换句话说，它既在“生成”，也在“重建”，而且把这两件事放在同一个模型里完成。

过去，生成逼真画面是文生视频模型的强项，而精确重建三维结构则是计算机视觉的传统领域，两者泾渭分明。Atlas 打破了这道墙。它接收的每一张输入图像都带有明确的相机位姿（即拍摄时的位置和朝向），这让模型能以高精度还原空间关系，而不是靠模糊的文字提示反复试错。

为什么“新视角预测”是关键

World Labs 联合创始人 Justin Johnson 在 a16z 的访谈中解释，大语言模型的基础是“预测下一个 Token”，视频模型的基础是“预测下一帧”，而 Atlas 的基础是“预测新的视角”。这个任务看似简单，实则要求模型真正理解空间的几何结构和物体之间的相对关系。

举个例子：如果你在房间四个角落各拍一张照片，传统重建方法需要这些照片覆盖所有表面，否则就会出现空洞。但现实中，总有拍不到的地方——桌子底下、椅子腿之间、植物叶片的缝隙。Atlas 的做法是：先用三角测量确定已被多视角覆盖的部分，再用生成能力合理补全未被拍摄的区域。这种“重建+生成”的混合机制，让它能用极少的输入（比如 3 到 25 张地面拍摄的照片）重建出斯坦福校园中央庭院的空中俯瞰视角。

Ben Mildenhall（NeRF 论文作者之一）指出，过去做三维重建必须“密集采集”——一个房间可能要拍几百张照片才能完整覆盖。这对普通用户来说几乎不可行。而 Atlas 把所需照片数量降到原来的几十分之一，使得大量已有素材（比如随手拍的旅游照、旧视频片段）都能被重新利用，变成可穿行的三维场景。

架构革新：多模态原生支持

Atlas 的另一个突破在于架构设计。它从预训练阶段就原生支持多种模态：文字、图片、视频、深度图，以及最关键的——相机位姿。这意味着模型不需要后期微调或额外模块，就能直接处理带空间信息的输入。

相比之下，World Labs 上一代模型 Marble 虽然也能生成三维世界，但输出被限制在“高斯泼溅”这一种表示形式上。高斯泼溅渲染效率高，适合 VR 和游戏引擎，但也成了瓶颈——所有生成内容都必须经过这一层转换，损失细节且难以扩展。

Atlas 改变了策略：它不再强制输出某种三维格式，而是专注于“新视角预测”这一基础任务。需要高斯泼溅时，它可以生成；不需要时，直接输出 RGB 图像或深度图即可。这种灵活性让模型能更好地随规模扩展——Justin Johnson 提到，他们已验证模型性能随参数量、训练时长和算力投入线性提升，当前版本只是受限于发布周期，远未达到架构上限。

创作者和机器人的共同需求

Atlas 的应用场景横跨创意产业和机器人领域。对创作者而言，它解决了长期痛点：保持多视角画面的空间一致性。过去，用不同 AI 模型生成同一房间的不同角度，常常出现家具位置偏移、门窗比例失调的问题。Atlas 通过空间上下文机制，确保所有生成视角都基于同一个隐式的三维结构，大幅减少后期修正工作。

更进一步，它有望简化三维设计流程。比如展会展位搭建、建筑可视化等场景，传统工作流依赖专业软件手动建模，修改一次可能耗时数天。如果设计师能直接上传几张参考图，再通过自然语言或草图指定修改（如“把沙发移到窗边”），AI 自动生成更新后的多视角画面，效率将极大提升。

在机器人领域，Atlas 的价值同样显著。World Labs 收购的机器人公司 Scenix 原本依赖密集重建将现实环境转为仿真场景，过程繁琐。现在，Atlas 能快速生成高保真仿真环境，用于训练机械臂等智能体。更重要的是，仿真环境需要“随机化”——比如电缆弯曲方向、箱子位置的变化——而 Atlas 可基于少量真实数据生成大量变体，解决机器人领域最缺的训练数据问题。

动态世界与可编辑性：下一步挑战

尽管 Atlas 已展示静态场景的惊人能力，但真正的“空间智能”还需处理时间维度。Justin Johnson 承认，动态模拟能力仍在开发中。不过，Atlas 架构本身已支持动态内容——部分演示视频中的水面波浪、移动车辆就是证明。团队策略是：预训练阶段混入动态数据，让模型学会分离静态结构与动态元素；当前版本侧重静态重建，后续将释放更多动态潜力。

另一大方向是“可编辑性”。Ben Mildenhall 强调，专业用户不仅需要高质量输出，还需要精确控制——比如指定场景中出现哪些物体、如何布局、何时发生事件。现有视频模型虽有初步编辑功能，但往往牺牲画质。Atlas 的目标是在不降低质量的前提下，提供类似“搭乐高”般直观的交互方式，让用户能随时修改生成的世界。

Fei-Fei Li 补充道，智能的本质是“观察-体验-交互”的闭环。Atlas 目前完成了观察和体验，下一步是让虚拟世界真正响应用户的操作，成为可行动、可规划的环境。

规模定律与算力瓶颈

团队对“规模定律”抱有坚定信念——更大的模型、更多数据、更长训练时间，必然带来性能提升。Justin Johnson 回忆，早期一个小规模实验模型成功生成花园桌子底部视角（包括一个真实存在的足球）时，三人立刻决定全力推进 Atlas。这证明新架构可行，且扩展路径清晰。

然而，当前主要瓶颈是训练算力。Fei-Fei Li 明确表示：“我们才刚刚开始。”发布版本并非技术极限，而是项目排期下的妥协。随着算力资源增加，模型规模有望继续扩大，进一步提升重建精度和生成质量。

结语

Atlas 的意义不仅在于技术整合，更在于重新定义了“世界模型”的可能性。它不再满足于生成孤立的画面，而是构建一个内部一致、可探索、可交互的虚拟空间。无论是三部手机复刻“子弹时间”，还是用旧照片重建童年故居，这些应用背后都是同一种能力：理解并重现我们所处世界的几何与逻辑。

这条路还很长——动态模拟、物理交互、实时编辑……但正如团队所说，他们已经跨过了最难的一道关：让生成的像素真正扎根于空间之中。