李飞飞新作问世！这款AI世界模型居然能暂停时间穿梭镜头

模型会记住已经看到的空间信息，再去推演后续画面，保证三维层面逻辑连贯WorldLabs。

这两年AI视频生成越来越热闹，不少模型已经可以产出画面流畅的短片，但一直有个绕不开的痛点：镜头稍微转动，画面里物体就容易变形、错位，看不到的背景直接“凭空崩坏”。很多时候想要拍出一段运镜顺滑的视频，只能靠文字描述镜头动作，最终成品效果全靠运气。

9月2日凌晨，李飞飞创办的WorldLabs推出新一代世界模型Atlas，跳出单纯生成2D画面的思路。它不再只盯着图片和视频像素，而是尝试让AI真正读懂三维空间，仅凭少量照片，就能补全镜头看不到的角落、重建完整场景，还可以做时空模拟，把影视特效、3D重建、机器人仿真放进同一套模型里面。不少业内人士评价，这一次，世界模型离现实产业落地更近了一步。

一、镜头不再靠猜，直接给AI设定摄像机轨迹

普通AI视频工具，想要实现推镜、环绕、拉升这类电影镜头，只能依靠文字描述运镜，模型很难精准理解复杂镜头逻辑，稍微复杂的镜头运动，画面就很容易出现穿模、物体漂移等问题36氪。

Atlas的最大不同，是把摄像机位置、角度这些几何参数当作原生输入。用户不用费劲写一大段提示词形容镜头，直接指定摄像机的运动路径，模型就严格按照设定去生成画面。

哪怕只有一张参考图片，Atlas也可以顺着设定轨迹向外推演，想象出摄像机背后原本没有拍到的场景。它最高可以输出1440p分辨率、时长一分钟的连贯视频，画面的物体结构、空间关系全程保持统一，不会出现镜头一转世界就变样的情况。

它还支持360度全景图生成。既可以用文本描述生成全景环境，也可以依托少量图片向外延展，不管是室内房间还是户外旷野，都能产出风格统一的全景素材。

两张毫无关联的图片，只要在三维空间中分别设定好位置，Atlas还能生成二者之间平滑过渡的完整世界，这对于影视预演、虚拟场景创作来说，是很实用的能力。

第三方盲测结果显示，面对复杂摄像机轨迹，Atlas对镜头指令的遵循度，明显优于多款主流视频生成模型，轨迹越复杂，优势就越突出36氪。

二、几张随手拍摄照片，就能还原完整三维场景

三维重建一直是计算机视觉领域的难题。过去想要还原一处真实场景，往往需要几十上百张不同角度的照片，还要依靠专门的三维软件处理，门槛高、耗时久。

Atlas改变了这个现状，输入数量极少的图像，就可以完成场景重建。只输入一张地面拍摄的照片，它就能生成对应的鸟瞰视角，照片拍到的物体忠实还原，没有拍到的区域，依靠模型积累的世界常识合理补全。增加第二张、第三张参考图片，生成的场景细节会进一步收敛，想象的部分随之变少，真实度持续提升。

团队演示过斯坦福大学主方庭的案例，仅仅25张地面随手拍摄的照片，Atlas就构建出整个校园环境，还可以生成高空俯瞰的飞行镜头，切换多条不一样的摄像机运动路线，无论镜头怎么游走，建筑、草坪的空间关系始终保持稳定。

如果不希望模型自行脑补未知区域，用户也可以关闭想象模式，只做精确重建。最多可以容纳上百张输入图像，对现实环境做高保真复刻。

更关键的是，它不只是输出二维图片，还可以直接输出点云、3D高斯泼溅这类标准三维数据。

创作者拿到结果之后，可以直接导入游戏引擎、特效软件继续加工，不用再做繁琐的二次转换，打通了从照片到可编辑3D资产的链路。在稀疏图像输入的重建任务测试中，Atlas的表现已经超过不少专门做三维重建的顶尖开源模型。

三、打通时间与空间，把普通素材变成仿真训练场

如果说相机生成、三维重建解决的是静态空间的问题，时空模拟能力，则让Atlas具备了模拟世界动态变化的本事。

普通三台摄像机录制的画面，借助Atlas就可以实现类似大片“子弹时间”效果。时间定格之后，镜头可以自由环绕物体转动，不需要搭建昂贵的多机位硬件阵列，普通拍摄素材就能完成过去影视工业的高难度镜头效果。

这一套能力对机器人行业意义更大。长久以来，机器人训练最大的痛点之一，就是真实环境采集数据成本太高。真机实地测试，不仅耗费大量人力时间，还存在设备损坏、安全风险。

Atlas实现了“真实到模拟”的工作流程。用手机随手拍摄几段环境视频，模型就重建出完整虚拟空间。模拟机器人在场景里移动，Atlas会实时输出机器人传感器本该看到的RGB画面与深度信息。

用户还可以随意修改仿真环境，更换物体、调整摆放位置、改动光照条件，批量生成大量差异化训练场景。机器人可以在虚拟环境中反复完成导航、抓取等任务，积累海量样本，再迁移到真实硬件上，大幅降低机器人研发的数据成本。

四、统一架构，兼顾生成、重建与模拟多项任务

市面上不少AI工具，大多是一个模型专攻一类任务，做视频的只管生成画面，做重建的只负责三维场景，想要完成一套完整工作流，需要来回切换多个工具。

Atlas采用多模态自回归扩散Transformer架构，把文本、图片、视频、相机位姿、深度图全部统一处理，所有输入都被锚定在三维空间上下文当中。

这套架构同时吸收大语言模型和扩散生成模型的技术优势，既可以用上KV缓存这类大模型加速手段，也兼容图像视频领域的蒸馏、引导采样等前沿算法，方便后续部署迭代。性能也遵循缩放定律，随着训练计算量提升，整体能力还会持续上涨。

按照团队规划，Atlas会作为底层核心技术，驱动WorldLabs旗下Marble产品迭代升级，未来更多新产品也会基于这套底座开发。Marble此前已经面向创作者开放，支持生成、编辑三维虚拟世界，Atlas落地之后，不管是普通创作者，还是游戏、特效、机器人行业的开发者，都能拿到更强的底层能力Marble。

五、世界模型，正在从概念走向产业

过去很长一段时间，世界模型更多停留在技术演示，好看却很难真正落地干活。Atlas的出现，给出了一套工程化的实现思路：不用把所有希望押在单一能力上，把视频生成、三维重建、时空模拟整合在同一个底座，兼顾创意内容创作与工业仿真两大方向。

当然现阶段它依旧存在局限，一分钟是理论最长生成时长，超长片段依旧会出现细节漂移，目前也还处于早期访问阶段，普通开发者还不能直接调用。

但它打开了新的想象空间。影视从业者可以低成本做镜头预演，游戏团队快速生成环境原型，机器人企业搭建虚拟训练场。AI的竞争，已经不再仅仅比拼文字对话能力，如何看懂、重建、模拟真实三维世界，会成为接下来行业角逐的重要赛道。