1999 年《駭客任務》里基努·李維
仰身躲子彈的那一幕，讓「子彈時間」成了影史上最震撼的視覺奇觀之一。
當年拍攝這個鏡頭時，劇組在綠幕攝影棚里沿弧線布置了 120 台靜態相機，並在陣列兩端配置電影攝影機。
相機按照事先設計的時間差依次曝光，讓人物動作以極慢速度繼續，同時讓視角沿著相機陣列移動。後期再通過插幀、數字背景與合成，把這些離散視角接成我們後來熟悉的「子彈時間」。
去年 10 月底的 VOGUE 時尚盛典，現場為了重現這種效果，同樣圍起了一整圈密不透風的弧形金屬支架，上面齊刷刷架著整整 60 台 iPhone 17 Pro，配合 Blackmagic 擴展塢與 Genlock 鎖相同步發生器，才拍出了洗版全網的明星子彈時間大片。
對傳統多機位「子彈時間」陣列來說，想獲得足夠連續的真實視角，最直接的辦法始終是把相機鋪得足夠密。
而李飛飛World Labs 剛剛發布的 3D 世界模型 Atlas，直接打破了這個規矩。
少掉的 57 台相機，到底被誰「算」沒了？
在官方給出的演示里，同樣是動態主體的「子彈時間」，現場既沒有 60 台手機組成的龐大陣列，也沒有複雜的鎖相發生器——操作人員只隨手在幾個不同角度架了 3 到 5 台普通的手機和運動相機，就完成了素材採集。
要想在時間靜止的同時移動機位，傳統的做法就像小時候玩過的「連點成線」遊戲：為了勾勒出一條平滑的圓弧軌跡，過去必須密密麻麻標出 60 個點，連起來才不會顯得突兀生硬。
Atlas 徹底改寫了這個遊戲規則。它不再需要 60 個點，3 到 5 個點就夠了。
在這個名為「多模態自回歸擴散 Transformer」的架構里，Atlas 把文字、圖像、深度以及相機位姿（Camera Pose）全都揉進了同一個「空間上下文」。
當操作人員把幾台手機從不同角度拍到的影片丟給模型時，每一幀畫面都帶著明確的三維空間坐標。
憑藉這幾個真實的稀疏視角（Sparse Views），模型在統一的空間上下文里維持不同視角之間的幾何一致性，並推斷、生成輸入沒有覆蓋的區域。
這個空間上下文的胃口很大：靜態場景通常只要 2 到 3 張照片就能完成基礎重建，而如果需要更精細的細節，它也能一口氣吃下上百張圖片。給的真實視角越多，模型對空間的理解就越紮實。正如 World Labs 的技術部落格：
它看見的越多，需要「想像」的就越少。
The more it sees, the less it imagines.
在鏡頭拍到的地方，Atlas 會儘量保持內容與幾何的一致；而物體背面、遮擋區等沒有被攝影機記錄的位置，則根據訓練中學到的世界先驗生成一個「合理的答案」。
進可重構特寫，退可俯瞰全場
看到這裡，你可能多少也有點好奇：如今的影片模型也能生成環繞運鏡，Atlas 和輸入一句「生成一段攝影機圍繞主體旋轉的影片」有什麼區別？
在去年 APPSO 針對 VOGUE 子彈時間的復刻實驗中，我們就曾用一張庫里投籃的高清照片輸入給影片生成模型，通過 Prompt 提示詞成功模擬出了一段相當流暢的環繞運鏡。
該圖片疑似使用了AI生成技術，請謹慎甄別
這種基於單圖和提示詞的生成方式非常驚艷，也很適合快速創作。不過從精確控制的角度來看，它與 Atlas 走的其實是兩條截然不同的技術路線：
主流影片生成模型是在二維像素層面，根據文本語義去推演「一段看起來像是在旋轉拍攝的影片」，鏡頭的運動軌跡、轉速和景深關係更多依賴模型自主發揮；
而 Atlas 最大的質變，在於它把攝影機位姿（Camera Pose）做成了模型的原生幾何輸入參數。
這意味著你不用再靠提示詞碰運氣，費勁地讓 AI「把鏡頭往左上方拉一點」；你可以像在 3D 軟體里排布機位一樣，直接給虛擬攝影機設定精確的運動軌跡。
更關鍵的是，這些軌跡坐標與現實空間是嚴格對應的——現場相機在哪個位置，虛擬鏡頭移到什麼距離，Atlas 都能更明確地對齊。
普通 AI 影片是在 2D 畫布上「畫出運鏡的感覺」；而 Atlas 是先在神經網路內部構建起一個具有空間與時間連續性的三維世界，再派一台受你完全操控的虛擬攝影機進入這個世界去重新取景。
當攝影機機位真正變成一個可自由調節的參數，整個攝影的規則就被改寫了。如果把視線放寬到整個影像技術的發展史，你會發現一部攝影史，本質上就是「現場拍攝決策不斷向後期推遲」的歷史：
百年前的膠片時代，攝影師需要在拍攝現場完成大量關鍵決定，對焦、機位、快門時機尤其難以後期挽回，曝光和色彩雖然也有暗房調整空間，但容錯遠沒有今天這麼高；
進入數碼時代後，RAW 格式讓我們可以在拍攝後隨意調整白平衡和曝光；計算攝影與多攝系統的普及，讓我們可以在拍完照片後再重新模擬光圈虛化與景深；
而 Atlas 把這種「後期自由度」推向了最核心的機位：拍攝結束後，攝影師不僅能自由切換角度，甚至可以在電腦里憑冷氣出一個現場根本不存在的「上帝視角」——去俯瞰整個場景，或者拉近重構一個細節特寫。
這種拍完後再選機位的體驗，有些似曾相識——這不就是《電馭叛客 2077》里的「超夢」嗎？進入編輯模式後，視角不再受限於原本的第一人稱，玩家可以在凝固的時空里自由移動鏡頭，重新審視整個現場。
Atlas 就像是把這種科幻設定帶進了現實。或許在不久的未來，普通人也能體驗到類似「超夢」的感覺：現場隨手用手機記錄片刻，事後便能真正「走入」那段三維記憶，從任意角度重新取景與回味生活。
從看懂一張二維照片，到理解整個三維世界
子彈時間只是 Atlas 展現在大眾面前最酷炫的切面。在 World Labs 的藍圖裡，這套能力最終要通向的，是一個更宏大的命題：空間智能（Spatial Intelligence）。
在推斷時，Atlas 不僅能輸出最終的影片像素，還能同步導出稠密深度圖（Depth）、三維點雲（Point Cloud）以及 3D Gaussian Splat。
它會先預測每一幀的深度，拼出場景的三維骨架（點雲）、補全沒有被攝影機覆蓋的區域，並轉換成完整的 3D Gaussian Splat 場景，最終生成可以在設備上實時渲染、自由穿梭的數位空間。
今年 2 月，World Labs 宣布完成 10 億美元新融資；7 月，公司又收購了機器人與仿真公司 SceniX。在技術闡述中，他們反覆強調了一個核心概念：Real-to-Sim-to-Real（真實 → 仿真 → 真實）。
對於目前火熱的具身智能（Embodied AI）與人形機器人來說，一個關鍵瓶頸是如何低成本、規模化地獲得足夠豐富的訓練經驗和評測環境。真實機器人每一次試錯都會占用硬體、人工和場地，而且很多罕見情況難以在現實中反覆復現。
有了 Atlas，模型僅憑幾條現場影片就能重建出逼真的數字孿生世界。算法可以讓虛擬機器人在這個環境裡隨意規劃導航路線、推演機械臂抓取，甚至自由更改物體的擺放、光照和背景，以極低的成本生成近乎無限的機器人訓練數據。
從當年創建 ImageNet 開啟深度學習圖像識別浪潮，到如今創立 World Labs 探索空間智能，李飛飛的研究主線始終清晰：
從前是教電腦「看懂一張二維照片裡有什麼」；現在是教電腦「理解一個三維空間裡的物理規律、幾何關係以及下一秒會發生什麼」。
當年，《駭客任務》靠上百台相機硬生生圍出子彈時間；如今，幾台手機配合一個世界模型就能重建出鮮活的三維時空。技術的每一次躍升，都在把創作從沉重的設備中解救出來。
當物理機位不再成為靈感的阻礙，決定鏡頭方向的，永遠是創作者想要講述的故事。
