Fei-Fei Lis World Labs enthüllt Atlas, ein Omni-World-Modell für räumliche Intelligenz

World Labs, das vom KI-Pionier Fei-Fei Li gegründete Unternehmen für räumliche Intelligenz, stellte Atlas am 1. September 2026 vor und beschrieb es als sein „Omni“-Weltmodell der nächsten Generation. In einem Blogbeitrag des Unternehmens sagte das Team, dass Atlas von Grund auf darauf vorbereitet sei, nativ mit Text, Bildern, Videos und 3D zu arbeiten – ein einziges Modell, das zum Generieren, Rekonstruieren und Simulieren von Welten erstellt wurde, anstatt sich auf eine dieser Aufgaben zu spezialisieren.

Die Einführung ist ein Meilenstein für die Weltmodellthese, die Li seit der Gründung des Unternehmens vertritt: dass die nächste Grenze der KI nicht nur in der Sprache liegt, sondern in Systemen, die verstehen, wie Welten erscheinen, sich verhalten und entwickeln. World Labs stellt die Technologie als Grundlage für die Darstellung imaginärer Welten für kreative Benutzer, die Simulation der realen Welt in hoher Wiedergabetreue und die Unterstützung von Robotern bei der Planung von Aktionen dar. Weitere Informationen zu diesem und anderen Pionierforschungsbemühungen finden Sie in unserer KI-Branchenberichterstattung.

Ein Modell, ein gemeinsamer räumlicher Kontext

Architektonisch ist Atlas das, was World Labs als multimodalen autoregressiven Diffusionstransformator bezeichnet. Wie ein großes Sprachmodell kodiert es zunächst seine Eingaben in einen Kontext und generiert dann von diesem Kontext abhängige Ausgaben. Der Unterschied ist räumlich: Jedes Eingabebild ist an einer 3D-Position im Raum verankert und bildet das, was das Unternehmen einen räumlichen Kontext nennt, und Atlas generiert, was als nächstes kommt, bleibt dabei aber 3D-konsistent mit allem, was es gesehen hat – und stellt sich vor, was dahinter liegt.

Dieses Design ermöglicht Funktionen, die sich nur schwer an herkömmliche Videogeneratoren anschließen ließen. Zwei unabhängige Referenzbilder können an unterschiedlichen 3D-Positionen in den Kontext gestellt werden, und Atlas erzeugt eine Welt, die nahtlos zwischen ihnen interpoliert und Türen, Flure und Übergänge erfindet, die die beiden Szenen plausibel überbrücken. Das Unternehmen sagte außerdem, dass das Modell maßstabsgetreu aufgebaut sei und die Leistung mit zunehmender Trainingsrechenleistung zunimmt.

Pixelgenaue Kamerasteuerung und langes Video

Die Marquee-Generierungsfunktion von Atlas ist kameragesteuertes Video. Aus einem bis sechs Eingangsbildern kann das Modell bis zu einer Minute Video mit einer Auflösung von 1440p generieren und dabei genau festgelegten Kamerapfaden folgen. World Labs betont, dass es sich bei der Kamerageometrie um einen nativen Eingabetyp handelt, der über grobe Texteingabeaufforderungen hinausgeht, sodass Entwickler jede Aufnahme einrahmen und jede Bewegung steuern können. In Demos hat das Team von Hand Kamerawege durch eine Szene entworfen, um einen zusammenhängenden einminütigen Clip zu produzieren, der das Erlebnis als „im Regiestuhl“ beschreibt, anstatt den Hebel eines Spielautomaten zu betätigen.

Das Modell generiert außerdem Bilder und 360-Grad-Panoramen aus Text und bietet die Möglichkeit, komplexe Eingabeaufforderungen zu befolgen, Text wiederzugeben und eine Vielzahl visueller Stile zu erzeugen.

Rekonstruktion, die Spezialmodelle herausfordert

Was die Rekonstruktion betrifft, erhebt World Labs eine kühne Behauptung: Atlas rekonstruiert reale Szenen aus nur zwei oder drei gewöhnlichen Bildern und „übertrifft damit die Ergebnisse modernster Modelle, die speziell nur für die 3D-Rekonstruktion trainiert wurden“. Das Unternehmen bezeichnet die Synthese neuartiger Ansichten aus spärlichen Eingaben als ein jahrzehntealtes grundlegendes Problem der 3D-Computervision.

Atlas kann außerdem mehr als hundert Eingabebilder aufnehmen, um reale Umgebungen originalgetreu nachzubilden. In einer Demonstration baute das Team das Hauptquadrat von Stanford Stück für Stück aus zwei bis fünfundzwanzig Bodenfotos um und erstellte dann Flugrouten, die hoch über dem Campus flogen – und so Ansichten füllten, die noch nie mit einer Kamera aufgenommen wurden.

Entscheidend für den praktischen Einsatz ist, dass Atlas nicht bei 2D-Frames Halt macht. Es arbeitet nativ mit Bildrahmen und 3D-Tiefenkarten und gibt Welten als Punktwolken oder 3D-Gaußsche Splats aus, die auf dem Gerät mit hoher Auflösung und Bildraten gerendert werden. Dies ist die gleiche Darstellung, die auch in Marble, dem ersten Produkt von World Labs, verwendet wird, sodass die Atlas-Ausgaben direkt in die bestehende Pipeline des Unternehmens eingebunden werden.

Von der Bullet Time zum Robotertraining

Die Simulationsfähigkeiten von Atlas dürften für die Robotik am wichtigsten sein. Das Unternehmen zeigte, dass Aufnahmen von nur drei gewöhnlichen Handykameras – montiert mit Stativen und Klemmen, die in einen Rucksack passen – ausreichen, damit Atlas eine Szene rekonstruieren und „Bullet-Time“-Neuformatierungen aus unmöglichen Winkeln ermöglichen kann, ohne dass ein spezielles Aufnahmestudio erforderlich ist.

Für Real-to-Sim-Workflows rekonstruiert Atlas Räume aus kurzen Telefonvideos und generiert dann die RGB- und Tiefendaten, die die am Körper montierten Kameras eines simulierten Roboters entlang eines Pfades beobachten würden – wobei die Welt und die Sicht des Roboters darauf vom selben Modell stammen. Das Unternehmen demonstrierte die Navigation durch große gescannte Umgebungen mit jeweils 24 Bildern sowie Manipulationsszenarien, bei denen simulierte Aufgaben durch Ändern von Objekten, Positionen und Szenen variiert werden können, sobald eine Aufgabe simuliert ist.

Warum es wichtig ist

Weltmodelle werden zunehmend als Ergänzung zu großen Sprachmodellen betrachtet: LLMs beschäftigen sich mit Beschreibungen der Welt, während Weltmodelle darauf abzielen, die Welt selbst zu modellieren – ihre Geometrie, Physik und Dynamik im Zeitverlauf. Wenn die Behauptungen von Atlas einer externen Prüfung standhalten, erstrecken sich die Anwendungen über VFX, Spiele, Design, Technik und Robotertraining, wo synthetische, aber physikalisch plausible Umgebungen die Kosten für das Erlernen von Maschinen zum Handeln drastisch senken könnten.

Das Unternehmen hinter dem Modell ist an sich schon bemerkenswert. World Labs wurde von Fei-Fei Li – dem Stanford-Professor, dessen Gründung von ImageNet dazu beitrug, das Zeitalter des Deep Learning einzuleiten – zusammen mit Justin Johnson, Ben Mildenhall und Christoph Lassner gegründet. Zu den Investoren zählen unter anderem a16z, Nvidia, AMD, Intel, Adobe, Salesforce und Samsung. Mit Marble, dem ersten Produkt des Unternehmens, können Benutzer dauerhafte 3D-Welten aus Bildern, Videos, Texten und 3D-Layouts erstellen. Laut World Labs wird Atlas künftige Versionen davon unterstützen.

Atlas ist noch nicht allgemein verfügbar: Das Unternehmen nimmt Anfragen für einen frühen Zugriff entgegen. Dennoch markiert die Veröffentlichung einen der bisher konkretsten Schritte hin zu KI-Systemen, die nicht nur die physische Welt beschreiben, sondern ein konsistentes, manipulierbares Modell davon enthalten.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →