World Labs 近日发布新一代世界模型 Atlas。团队称，这一模型不只是生成视频，而是能够同时完成「生成、重建与模拟」，并通过相机位置、图像与 3D 空间信息来理解场景。
官方展示中，一个最直观的案例是经典电影《黑客帝国》的「子弹时间」效果。过去，拍摄 Neo 后仰躲子弹、镜头围绕人物旋转的画面，通常需要在绿幕摄影棚布置数百台相机，从不同角度同步采集。World Labs 表示，Atlas 最少只需要 3 台相机，甚至只需把 3 部 iPhone 固定在三脚架上拍摄，就可以重新生成摄像机环绕场景的不同视角。
团队举例称，无论是人物投篮，还是草莓落入牛奶后溅起液体，只要从几个角度拍下画面，Atlas 就能让虚拟摄像机进入原本没有真实拍到的位置，重新生成「时间冻结后镜头穿行其中」的效果。
把空间理解放进视频生成
World Labs 认为，Atlas 与当前主流 AI 视频模型最大的区别，在于输入图像具备明确的空间意义。一般生成式视频模型接收一张图片后，会依靠模型自身对场景的理解进行推测，再结合文字提示词控制输出。Atlas 的做法则是，把每张图像与对应的 3D 相机姿态绑定。
这意味着，模型不只知道「这是一张房间照片」，还知道这张照片是从房间中的哪个位置、以什么角度拍摄的。多张图像由此共同组成 World Labs 所说的 Spatial Context，也就是空间脉络。
在这个基础上，用户可以把一台虚拟摄像机放入场景中的任意位置与时间点，让 Atlas 预测从该位置看出去的世界会是什么样子。World Labs 将这一机制称为 New View Prediction，并认为它可能成为空间智能的基础能力之一。
将 3D 重建与生成式 AI 合并到同一模型
Atlas 的另一项变化，是 World Labs 试图整合长期分开的两个计算机视觉方向：3D Reconstruction 与 Generative AI。
传统 3D 重建强调忠实还原现实世界，往往需要大量照片，从不同角度对同一物体进行三角测量；生成式 AI 则擅长生成原本不存在的内容。World Labs 的判断是，真正理解空间的 AI，需要同时具备这两种能力。
因此，Atlas 在预训练阶段就原生支持文字、图片、视频、相机姿态和 3D 信息。目前，3D 信息主要通过 Depth Map，也就是深度图来表示，让模型同时获得画面的 RGB 像素内容以及背后的空间结构。
李飞飞表示，这意味着计算机视觉中长期分开发展的「像素生成」与「3D 重建」开始走向统一。对 World Labs 来说，核心在于生成真正具有空间脉络、同时受几何结构约束的像素，这也是公司迈向 Spatial Intelligence 的一步。
拍摄量从数百张降到几张
这项技术也可能改变 3D 内容制作的成本结构。传统 NeRF、Gaussian Splatting 等 3D 重建流程，常见问题之一是需要 Dense Capture，也就是高密度采集。
World Labs 联合创始人、NeRF 作者之一 Ben Mildenhall 举例说，要完整扫描一个房间，可能需要拍摄 100、200 甚至 300 张照片，因为桌底、椅脚之间、植物叶片后方等区域都需要足够图像覆盖。对没有经验的用户来说，扫描多个房间的空间，甚至可能耗费一两个小时。
Atlas 的目标，是把这件事从数百张照片降到几张照片。Mildenhall 表示，团队正尝试把所需拍摄量降到约 3 张图像，并称这可能相当于 50 至 100 倍的数据量下降。
原因在于，Atlas 可以先用真实图像重建能够确定的部分，再利用生成能力补足从未被相机拍到的空间。
在 World Labs 展示的斯坦福校园案例中，模型只使用地面拍摄的 3 至 25 张照片，就能生成从空中观看校园的视角；而一些原本需要约 2,000 张照片才能重建的多房间场景，团队称目前可以缩减到约 30 至 40 张输入图像。
这也是生成式 AI 与 3D 重建结合的意义所在：如果某个区域从未被镜头拍到，传统重建通常只能留下空洞；而生成模型可以根据空间上下文推测缺失内容。
从影视与游戏延伸到建筑和工业设计
World Labs 表示，Atlas 首批最直接的落地场景仍是内容产业。公司上一代产品 Marble 已经可以把图片、视频或文字转换成 Gaussian Splat 3D 世界，但团队观察到，很多创作者的真实使用路径其实是：输入一张图，生成完整 3D 场景，从不同角度截图，然后离开 Marble。
这让团队意识到，创作者未必需要完整的 3D 资产，Atlas 因而把 New View Prediction 直接做成模型核心能力。
这一点对电影、广告、游戏和视觉设计尤其关键。World Labs 指出，现在不少 AI 图片和视频模型虽然也能生成不同视角，但场景中的家具、人物和物体位置往往会随生成结果漂移。公司希望构建的是一个「Persistent 3D State」：物体的位置与身份能够持续存在，创作者只是在移动摄像机，而不是每次都重新抽取一次生成结果。
在此基础上，World Labs 认为，这套能力还可以扩展到建筑、施工、展陈设计和工业设计。
更长期目标指向机器人
不过，Atlas 更大的目标并不是好莱坞，而是机器人。World Labs 此前收购机器人公司 Cinex，其核心技术之一就是 Real-to-Sim 与 Sim-to-Real。
例如，企业如果要训练机械臂进行线材组装，通常需要先把真实工厂环境重建成模拟环境，再让机器人进行大量训练。但建立这类模拟环境的成本很高。
李飞飞表示，目前机器人产业最大的难题其实是数据。真实世界中的机器人操作数据难以获得，而且模型不能只学会一种标准情况。一根电线可能朝不同方向弯曲，箱子可能有不同尺寸和颜色，物体也可能位于场景中的不同位置，因此模拟环境还需要进行大量 Domain Randomization，生成各种变化。
World Labs 认为，Atlas 的 Sparse Reconstruction 能力，正好可以降低把真实世界转换成模拟环境的成本。
从更长期看，World Labs 希望 Atlas 不只是用于建立模拟环境，而是本身成为 Neural Simulator。如果模型能够理解「对世界采取某个动作之后，世界接下来会变成什么样子」，它就可以模拟机器人在真实环境中可能遇到的异常情况。