Η World Labs, η εταιρεία χωρικής νοημοσύνης που ιδρύθηκε από τον πρωτοπόρο της τεχνητής νοημοσύνης Fei-Fei Li, παρουσίασε τον Atlas την 1η Σεπτεμβρίου 2026, περιγράφοντάς τον ως το παγκόσμιο μοντέλο «omni» της επόμενης γενιάς. Σε μια ανάρτηση ιστολογίου της εταιρείας, η ομάδα είπε ότι η Atlas είναι προεκπαιδευμένη από την αρχή για να λειτουργεί εγγενώς σε κείμενο, εικόνες, βίντεο και 3D - ένα ενιαίο μοντέλο που δημιουργήθηκε για να δημιουργεί, να αναδομεί και να προσομοιώνει κόσμους αντί να εξειδικεύεται σε οποιαδήποτε από αυτές τις εργασίες.
Το λανσάρισμα είναι ένα ορόσημο για τη θέση των παγκόσμιων μοντέλων που υπερασπίστηκε ο Li από την ίδρυση της εταιρείας: ότι το επόμενο όριο της τεχνητής νοημοσύνης δεν βρίσκεται μόνο στη γλώσσα, αλλά σε συστήματα που κατανοούν πώς εμφανίζονται, συμπεριφέρονται και εξελίσσονται οι κόσμοι. Η World Labs πλαισιώνει την τεχνολογία ως τη βάση για την απόδοση φανταστικών κόσμων για δημιουργικούς χρήστες, την προσομοίωση του πραγματικού κόσμου με υψηλή πιστότητα και τη βοήθεια των ρομπότ να σχεδιάζουν ενέργειες. Για περισσότερα σχετικά με αυτήν και άλλες πρωτοποριακές ερευνητικές προσπάθειες, εξερευνήστε την κάλυψη του κλάδου AI.
Ένα μοντέλο, ένα κοινόχρηστο χωρικό πλαίσιο
Αρχιτεκτονικά, η Atlas είναι αυτό που η World Labs αποκαλεί πολυτροπικό αυτοπαλινδρομικό μετασχηματιστή διάχυσης. Όπως ένα μεγάλο γλωσσικό μοντέλο, πρώτα κωδικοποιεί τις εισόδους του σε ένα περιβάλλον και στη συνέχεια παράγει εξόδους που εξαρτώνται από αυτό το πλαίσιο. Η διαφορά είναι χωρική: κάθε εικόνα εισόδου γειώνεται σε μια τρισδιάστατη θέση στο διάστημα, διαμορφώνοντας αυτό που η εταιρεία αποκαλεί χωρικό πλαίσιο και η Atlas δημιουργεί ό,τι ακολουθεί, ενώ παραμένει 3D-συνεπής με όλα όσα έχει δει — φανταζόμενος τι βρίσκεται πέρα από αυτό.
Αυτός ο σχεδιασμός επιτρέπει δυνατότητες που θα ήταν άβολο να βιδωθούν σε συμβατικές γεννήτριες βίντεο. Δύο άσχετες εικόνες αναφοράς μπορούν να τοποθετηθούν στο περιβάλλον σε διαφορετικές θέσεις 3D και ο Atlas θα δημιουργήσει έναν κόσμο που παρεμβάλλεται ομαλά μεταξύ τους, επινοώντας πόρτες, διαδρόμους και μεταβάσεις που γεφυρώνουν εύλογα τις δύο σκηνές. Η εταιρεία είπε επίσης ότι το μοντέλο έχει κατασκευαστεί σε κλίμακα, με την απόδοση να βελτιώνεται καθώς αυξάνεται ο υπολογισμός της εκπαίδευσης.
Pixel-Perfect Έλεγχος κάμερας και βίντεο μεγάλης μορφής
Η δυνατότητα δημιουργίας μαρκίζας του Atlas είναι το βίντεο ελεγχόμενο από κάμερα. Από μία έως έξι εικόνες εισόδου, το μοντέλο μπορεί να δημιουργήσει έως και ένα λεπτό βίντεο σε ανάλυση 1440p, ακολουθώντας επακριβώς καθορισμένες διαδρομές κάμερας. Η World Labs τονίζει ότι η γεωμετρία της κάμερας είναι ένας εγγενής τύπος εισαγωγής — που ξεπερνά τις προτροπές χονδροειδούς κειμένου — έτσι οι δημιουργοί μπορούν να καδράρουν κάθε λήψη και να ελέγχουν κάθε κίνηση. Στα demo, η ομάδα που σχεδίασε το χέρι της κάμερας διασχίζει μια σκηνή για να δημιουργήσει ένα συνεκτικό κλιπ ενός λεπτού, που περιγράφει την εμπειρία ως «στην καρέκλα του σκηνοθέτη» αντί να τραβήξει το μοχλό ενός κουλοχέρη.
Το μοντέλο δημιουργεί επίσης εικόνες και πανοράματα 360 μοιρών από κείμενο, με τη δυνατότητα να ακολουθεί πολύπλοκες οδηγίες, να αποδίδει κείμενο και να παράγει μια ποικιλία οπτικών στυλ.
Ανακατασκευή που προκαλεί τα εξειδικευμένα μοντέλα
Από την πλευρά της ανακατασκευής, η World Labs κάνει έναν τολμηρό ισχυρισμό: η Atlas ανακατασκευάζει πραγματικές σκηνές από δύο ή τρεις συνηθισμένες εικόνες, «ξεπερνώντας τα τελευταίας τεχνολογίας αποτελέσματα από μοντέλα ειδικά εκπαιδευμένα μόνο για 3D ανακατασκευή». Η εταιρεία αποκαλεί τη σύνθεση νέας προβολής από αραιές εισόδους ένα θεμελιώδες πρόβλημα δεκαετιών στην τρισδιάστατη όραση υπολογιστών.
Ο Atlas μπορεί επίσης να απορροφήσει περισσότερες από εκατό εικόνες εισόδου για πιστή αναπαράσταση πραγματικών περιβαλλόντων. Σε μια επίδειξη, η ομάδα ανακατασκεύασε το Main Quad του Stanford κομμάτι-κομμάτι από δύο έως είκοσι πέντε φωτογραφίες στο επίπεδο του εδάφους, και στη συνέχεια δημιούργησε εναέρια μονοπάτια που πετούσαν ψηλά πάνω από την πανεπιστημιούπολη — συμπληρώνοντας όψεις που δεν έχει καταγράψει ποτέ κάμερα.
Κρίσιμο για πρακτική χρήση, το Atlas δεν σταματά στα 2D καρέ. Λειτουργεί εγγενώς σε πλαίσια εικόνων και τρισδιάστατους χάρτες βάθους, εξάγοντας κόσμους ως σύννεφα σημείων ή τρισδιάστατα γκάους splats που αποδίδονται στη συσκευή σε υψηλή ανάλυση και ρυθμούς καρέ. Αυτή είναι η ίδια αναπαράσταση που χρησιμοποιείται στο Marble, το πρώτο προϊόν της World Labs, επομένως οι έξοδοι Atlas συνδέονται απευθείας στον υπάρχοντα αγωγό της εταιρείας.
Από το Bullet Time έως την εκπαίδευση ρομπότ
Οι δυνατότητες προσομοίωσης του Atlas μπορεί να έχουν μεγαλύτερη σημασία για τη ρομποτική. Η εταιρεία έδειξε ότι πλάνα από τρεις συνηθισμένες κάμερες κινητών τηλεφώνων — τοποθετημένες με τρίποδα και σφιγκτήρες που χωρούν σε ένα σακίδιο — είναι αρκετό για την Atlas για να ανακατασκευάσει μια σκηνή και να επιτρέψει το «bullet time» να ξανακαδράρει από αδύνατες γωνίες, χωρίς να απαιτείται εξειδικευμένο στούντιο λήψης.
Για ροές εργασίας Real-to-Sim, η Atlas ανακατασκευάζει χώρους από σύντομα βίντεο τηλεφώνου και, στη συνέχεια, δημιουργεί τα δεδομένα RGB και βάθους που θα παρατηρούσαν οι κάμερες στο σώμα του προσομοιωμένου ρομπότ κατά μήκος μιας διαδρομής — με τον κόσμο και την άποψη του ρομπότ να προέρχονται από το ίδιο μοντέλο. Η εταιρεία επέδειξε πλοήγηση σε μεγάλα σαρωμένα περιβάλλοντα χρησιμοποιώντας 24 καρέ το καθένα, καθώς και σενάρια χειρισμού όπου οι προσομοιωμένες εργασίες μπορούν να ποικίλλουν αλλάζοντας αντικείμενα, θέσεις και σκηνές μετά την προσομοίωση μιας εργασίας.
Γιατί έχει σημασία
Τα παγκόσμια μοντέλα θεωρούνται όλο και περισσότερο ως συμπλήρωμα των μεγάλων γλωσσικών μοντέλων: τα LLMs κάνουν λόγο για περιγραφές του κόσμου, ενώ τα παγκόσμια μοντέλα στοχεύουν να μοντελοποιήσουν τον ίδιο τον κόσμο - τη γεωμετρία, τη φυσική και τη δυναμική του με την πάροδο του χρόνου. Εάν οι ισχυρισμοί του Atlas ισχύουν υπό εξωτερικό έλεγχο, οι εφαρμογές καλύπτουν το VFX, το gaming, το σχεδιασμό, τη μηχανική και την εκπαίδευση ρομπότ, όπου συνθετικά αλλά φυσικά εύλογα περιβάλλοντα θα μπορούσαν να μειώσουν δραματικά το κόστος διδασκαλίας των μηχανών.
Η εταιρεία πίσω από το μοντέλο είναι από μόνη της αξιοσημείωτη. Η World Labs ιδρύθηκε από τον Fei-Fei Li - τον καθηγητή του Στάνφορντ του οποίου η δημιουργία του ImageNet βοήθησε στην ανάφλεξη της εποχής της βαθιάς μάθησης - μαζί με τους Justin Johnson, Ben Mildenhall και Christoph Lassner, και η λίστα επενδυτών της περιλαμβάνει a16z, Nvidia, AMD, Intel, Adobe, Salesforce και Samsung, μεταξύ άλλων. Το Marble, το πρώτο προϊόν της εταιρείας, επιτρέπει στους χρήστες να δημιουργούν μόνιμους τρισδιάστατους κόσμους από εικόνες, βίντεο, κείμενο και τρισδιάστατες διατάξεις, και η World Labs είπε ότι η Atlas θα τροφοδοτήσει τις μελλοντικές εκδόσεις της.
Το Atlas δεν είναι ακόμη γενικά διαθέσιμο: η εταιρεία δέχεται αιτήματα για έγκαιρη πρόσβαση. Ωστόσο, η κυκλοφορία σηματοδοτεί ένα από τα πιο συγκεκριμένα βήματα μέχρι σήμερα προς τα συστήματα τεχνητής νοημοσύνης που δεν περιγράφουν απλώς τον φυσικό κόσμο, αλλά διαθέτουν ένα συνεπές, χειραγώγιμο μοντέλο του.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα τελευταία νέα, αναλύσεις και ανακαλύψεις AI — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
