← 返回博客
Ai预计阅读 8 分钟

李飞飞把世界模型塞进了浏览器,每秒 15 帧,而帧率就是论点

发布于 2026年11月7日
李飞飞把世界模型塞进了浏览器,每秒 15 帧,而帧率就是论点

World Labs 在 11 月 5 日放出一个研究预览:一张照片生成一个世界,然后你能在里面走。它跑在浏览器标签页里。画面由云端 GPU 渲染,以最高每秒 15 帧的速度推给你,同时你控制镜头。

这个 demo 叫 Frameboy,外壳做成了一台掌机。你选一盘卡带,等几秒,然后就站在一间你点下去之前不存在的房间里。十字键负责移动,摇杆负责转头。有点卡,因为每秒 15 帧就是每秒 15 帧。

World Labs 自己清楚。官方说法就是:这是预览,必须跑在云端硬件上,成本比本地渲染高。它想让你注意的是另一件事。

它讲的不是画质,是迭代成本

如果 Atlas 出一段镜头要几十秒甚至几分钟,你会认真规划。选一条机位,确认,等,看结果,然后改一个地方再等。每一次尝试都要付几分钟和一份注意力,所以你只会试几次,而且每次都保守。

把等待压到接近零,账就反过来了。World Labs 的说法是:当一个坏主意的成本趋近于零,就不存在坏主意。原来算错误的东西,变成了探索。

这是关于工作流的判断,而且很容易拿自己的习惯去验。用过慢速生成视频工具的人都熟悉那种囤积提示词的状态:写三条,想一下花哪条,挑稳的那条。一个秒回的工具会收到二十条,而第二十条是你小心的时候根本不会打的。

每秒 15 帧不够上头显,也不够像一个游戏。它够让这个循环像「驾驶」而不是「下单」。这个区别,是这次发布里干了大部分活的东西。

Atlas 是什么

Atlas 是 9 月初发的。它跟更早的世界模型最关键的不同,在于拿什么当上下文。大多数生成式视频系统条件在文本提示和时间轴上。Atlas 条件在空间上下文上:一个能吸收文本、图像、视频和 3D 输入的共享表示,然后从一个镜头姿态出发生成下一帧。

它的上一代 RTFM 只能在已经存在的视点之间插值。Atlas 能从零生成场景,起点可以只是一张图或一句描述。它保留了新视角合成能力,所以你也可以拿一个真实地点的几张照片,在它们之间和之外漫游。

Frameboy 服务的是 Atlas 的一个变体,为了推理速度做了很硬的优化。官方说这次优化没在新视角质量上让步,这种话只有外部测试能定。

demo 里放了两条建场景的路子。第一条:给一张图,Atlas 往外扩,把场景剩下的视点自己编出来。第二条:给一个真实地标的少量照片,它把空间重建到能走进去的程度。第一条更惊艳,第二条更有用,因为「勘察一个你确实能去的地点」是已经有人在付钱的任务。

真正会落地的是 Viewfinder

demo 里的世界是挑过的。你还不能上传自己的照片生成可漫游空间,至少公开路径不行。

这个能力在 Viewfinder 里,World Labs 那个逐帧搭场景的网页应用,目前封闭内测。每一帧同时带颜色和深度。场景搭完,Frameboy 的叠加层可以实时流式探索它。流水线是:离线构建,实时漫游。

每帧带深度是关键信号。输出平面图像的系统是视频生成器。输出颜色加深度的系统是渲染器,其他软件可以消费它。所以公司自己的说法落在「下一代生成式渲染器」,而不是「视频模型」。

底下的硬件问题

Frameboy 出现的时间点,是 AMD 宣布以约 82 亿美元全股票收购 World Labs 之后六周。交易预计 2026 年底前完成,还需监管批准。World Labs 联合创始人李飞飞将出任 AMD 执行副总裁兼首席科学家,向苏姿丰汇报。

合作比交易更早。过去一年两家公司在把 World Labs 的模型优化到 AMD GPU 上训练和推理。所以 Frameboy 不只是一个产品 demo,它同时是一次示范:一个实时世界模型可以跑在特定厂商的加速器上,快到能撑起交互式产品。

这个背景解释了公告里那些诚实的限制。消费级本地运行不在选项里。云 GPU 成本高于本地渲染,公司直接说了,并且预测硬件和算法会互相适配,整件事会变便宜。这是一家有加速器伙伴的公司被允许说的话。

还缺什么

清单很短,也很具体。

快速移动镜头时,每秒 15 帧会掉稳定性。长时间扫过一个场景,画面会漂。公开访问只限挑过的世界,所以「有人上传一组角度很差的手机照片会怎样」这个有意思的问题没有答案。Viewfinder 是封闭内测,没有定价、没有 SLA、没有说一次会话能跑多久才开始失真。

还有一个更微妙、谁都没解决的问题。新视角合成有一种典型的失败:模型不知道沙发后面是什么,于是编一个看起来合理的东西,等你绕回来,它跟自己矛盾。绕一整圈还能保持一致,是区分 demo 和工具的那道考题,而 demo 场景都是挑过的。

这些都不削弱这次发布。Frameboy 有意思的地方在于它给出一个可测量、可反驳的判断:把反馈环压得足够短,你使用工具的方式会变,不只是变快。这个判断可以被检验。给一支预演团队同一个模型的慢版和快版,数他们试了几条机位。

如果数字上去了,世界模型这门生意就有了产品。如果没上去,每秒 15 帧就只是新闻稿里的一个数字,真正的市场还在原地:离线生成、认真规划、大量等待。

相关文章