AI视频终于不靠抽卡了！AI 教母「李飞飞」正式官宣

编辑：kid

拍过 AI 视频的人，大概都经历过这种崩溃：

你写了半天提示词，要求镜头绕人物一圈。结果镜头是动了，人物的脸也跟着“重新装修”了一遍；背景里的门一会儿在左边，一会儿又跑到了右边。

说白了，很多 AI 视频看起来像导演，工作方式却更像抽卡。

现在，李飞飞想把这件事改掉。

9 月 1 日，她创办的 World Labs 发布了新模型 Atlas。官方给出的演示很直接：放进一张或几张照片，再指定镜头从哪里出发、往哪里走，Atlas 就能生成新的视角，最长可以做到 1 分钟、1440p。

更夸张的是，它不只想生成一段好看的视频，还想把照片背后的空间“搭”出来。

01

以前让 AI 运镜靠许愿，现在可以直接“画路线”

Atlas 最容易看懂的能力，叫“相机控制生成”。名字有点硬，实际操作并不复杂。

以前用 AI 生成视频，你只能告诉它：“镜头慢慢向左移动，再绕到人物背后。”至于它怎么理解，基本看运气。

Atlas 换了一种做法：别只用文字形容，直接把相机的位置、角度和运动路线交给模型。

这就像过去你只能站在摄影棚外喊“拍得高级一点”，现在终于能走进去，告诉摄影师机位放哪儿、轨道怎么铺、镜头什么时候转弯。

World Labs 展示的例子里，用户可以用一到六张参考图，手动设计镜头路径，再让 Atlas 补出沿途画面。模型还会尝试保持人物、建筑和背景之间的空间关系，不让它们随着镜头移动随意“漂移”。

官方称，Atlas 最长能生成 1 分钟的 1440p 视频。这个数字很抢眼，但现在还不能简单理解成“人人都能一键拍大片”——Atlas 目前只向部分合作伙伴开放早期体验，普通用户还无法大规模实测它的稳定性、速度和成本。

02

只拍到正面，背面从哪里来？答案是：AI 猜的

Atlas 最神奇、也最需要警惕的地方，是它能生成相机从未拍到的区域。

比如你只给它一张机器人的正面照，然后把虚拟镜头绕到背后。原图里根本没有背面信息，Atlas 仍会生成一个“看起来合理”的背影。

这不是它真的看见了背面，而是模型根据训练中学到的世界知识，把缺失部分补了出来。

所以，Atlas 生成的是一个“可能存在的世界”，不一定是原本那个世界的精准复制。

这个区别非常重要。

如果是拍广告、做分镜、设计游戏场景，合理的想象往往已经够用；但如果拿它复原事故现场、建筑细节或新闻画面，模型补出来的内容就不能被当成事实。

当然，用户也能通过增加照片来减少它“自由发挥”的空间。World Labs 表示，输入的视角越多，Atlas 掌握的真实信息就越完整，依赖想象补洞的地方也会越少。官方展示了斯坦福校园等案例：从少量地面照片出发，生成新的俯视和移动视角，还能输出点云、3D Gaussian Splatting 等三维结果。

对普通人来说，可以把它理解成：过去 AI 只会把一张照片改漂亮；现在它开始尝试回答“这张照片拍摄的地方，转过身可能是什么样”。

03

真正的大招，可能不是拍视频，而是给机器人造“练功房”

如果 Atlas 只是让短视频运镜更丝滑，它会是一个很吸睛的创作工具。

但 World Labs 真正押注的，是机器人。

训练机器人有个现实难题：不能真让它在工厂、仓库和家里一天撞八百次桌角。真实采集又慢又贵，人工搭建仿真环境同样费时。

Atlas 的思路是，先用手机或少量相机拍下现实空间，再把它转换成一个可供机器人反复试错的数字训练场。

在官方演示中，研究人员用普通拍摄设备记录环境和机器人操作，再让 Atlas 协助生成机器人在不同位置可能看到的画面与深度信息。一个现实房间，可以被复制成多个光照、摆放和障碍物条件不同的版本，供机器人反复训练。

这有点像学车。

以前必须把新手直接塞进真实道路；现在先做出一个足够像真的驾校模拟器，让它在虚拟世界里练到不再横冲直撞。

World Labs 还展示了“子弹时间”式的视频重构：不用电影片场那种密密麻麻的相机阵列，只用三到五台普通手机或运动相机，就能从新的角度观看已经发生的动作。

这也是 Atlas 最有传播力的反差：看上去只是几部手机和几张照片，背后想做的却是一个能拍摄、能重建、还能让机器人进去训练的世界。

不过，演示漂亮不等于已经解决所有问题。画面在视觉上连贯，不代表尺寸、碰撞、受力和时间变化都符合真实物理规律。机器人要在工厂或家庭里可靠工作，还需要更多第三方测试。

04

结语

大语言模型让 AI 学会了“说世界”，图像模型让 AI 学会了“画世界”。Atlas 想再往前走一步：让 AI 知道镜头站在哪里，画面背后还有多大空间，下一步可以往哪儿走。

它现在仍处于早期阶段，普通用户能不能用、一次生成要花多少钱、长镜头会不会变形，都还没有答案。

但方向已经很清楚了：AI 视频的下一场竞争，可能不再只是比谁画面更精致，而是谁更能听懂导演的话；世界模型的下一场竞争，则是看谁能把现实更快地搬进电脑，再让机器人走进去。

如果几张手机照片就能生成一个可随意运镜的三维空间，你最想先拿它来做什么——重拍一段旧回忆，还是给自己家做一个数字分身？

— 完 —

科技前沿进展每日见