60台相机缩到3台，李飞飞把子弹时间做成了超梦

1999年《黑客帝国》里基努·里维斯仰身躲子弹的画面，让“子弹时间”成了影史经典。当年剧组在绿幕棚里沿弧线布置了120台静态相机，按时间差依次曝光，后期再通过插帧和合成，才拼出那个震撼的慢动作环绕镜头。

去年10月VOGUE时尚盛典，现场为了重现类似效果，围起一整圈弧形金属支架，齐刷刷架了60台iPhone 17 Pro，配合Blackmagic扩展坞与Genlock锁相同步发生器，才拍出刷屏的明星子弹时间大片。对传统多机位阵列来说，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。

李飞飞World Labs刚发布的3D世界模型Atlas，直接打破了这个规矩。官方演示里，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台普通手机和运动相机，就完成了素材采集。

少掉的57台相机，被谁“算”没了？

传统做法像小时候玩的“连点成线”游戏：为了勾勒平滑的圆弧轨迹，过去必须密密麻麻标出60个点，连起来才不显得突兀。Atlas彻底改写了规则——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）全揉进了同一个“空间上下文”。当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，需要更精细细节时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技术博客所说：它看见的越多，需要“想象”的就越少。在镜头拍到的地方，Atlas尽量保持内容与几何一致；物体背面、遮挡区等没被记录的位置，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

你可能好奇：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？此前APPSO针对VOGUE子弹时间的复刻实验中，就曾用一张库里投篮的高清照片输入视频生成模型，通过Prompt成功模拟出相当流畅的环绕运镜。

那种基于单图和提示词的生成方式很惊艳，适合快速创作。但从精确控制角度看，它与Atlas走的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，根据文本语义推演“一段看起来像是在旋转拍摄的视频”，镜头轨迹、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。

这意味着不用再靠提示词碰运气，费劲让AI“把镜头往左上方拉一点”；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运动轨迹。更关键的是，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都能更明确地对齐。

普通AI视频是在2D画布上“画出运镜的感觉”；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。

摄影史就是“现场决策不断后移”的历史

当摄影机机位真正变成可自由调节的参数，整个摄影规则就被改写了。把视线放宽到影像技术发展史，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；进入数码时代后，RAW格式让人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普及后，拍完照片还能重新模拟光圈虚化与景深。

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。

从看懂二维照片，到理解三维世界

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。

从《黑客帝国》里120台相机堆出来的奇观，到如今3台手机就能算出的子弹时间，Atlas展示的不只是技术迭代——它把“机位”这个摄影最核心的决策权，从拍摄现场交到了后期电脑里。当三维世界可以被事后重建和自由取景，影像创作的边界，可能比我们想象的还要大得多。