World Labs, la société d'intelligence spatiale fondée par le pionnier de l'IA Fei-Fei Li, a présenté Atlas le 1er septembre 2026, le décrivant comme son modèle mondial « omni » de nouvelle génération. Dans un article de blog de l'entreprise, l'équipe a déclaré qu'Atlas était pré-entraîné à partir de zéro pour fonctionner de manière native sur le texte, les images, la vidéo et la 3D – un modèle unique conçu pour générer, reconstruire et simuler des mondes plutôt que de se spécialiser dans l'une de ces tâches.
Ce lancement constitue une étape importante dans la thèse des modèles mondiaux que Li défend depuis la création de l'entreprise : selon laquelle la prochaine frontière de l'IA ne réside pas seulement dans le langage, mais dans les systèmes qui comprennent comment les mondes apparaissent, se comportent et évoluent. World Labs considère la technologie comme la base permettant de créer des mondes imaginaires pour les utilisateurs créatifs, de simuler le monde réel en haute fidélité et d'aider les robots à planifier leurs actions. Pour en savoir plus sur ce sujet et sur d’autres efforts de recherche de pointe, explorez notre Couverture de l’industrie de l’IA.
Un modèle, un contexte spatial partagé
Sur le plan architectural, Atlas est ce que World Labs appelle un transformateur de diffusion autorégressif multimodal. Comme un grand modèle de langage, il code d'abord ses entrées dans un contexte, puis génère des sorties conditionnées par ce contexte. La différence est spatiale : chaque image d'entrée est ancrée à une position 3D dans l'espace, formant ce que l'entreprise appelle un contexte spatial, et Atlas génère ce qui suit tout en restant cohérent en 3D avec tout ce qu'il a vu - en imaginant ce qui se trouve au-delà.
Cette conception permet des fonctionnalités qui seraient difficiles à intégrer aux générateurs vidéo conventionnels. Deux images de référence sans rapport peuvent être placées dans le contexte à différentes positions 3D, et Atlas générera un monde qui s'interpolera en douceur entre elles, inventant des portes, des couloirs et des transitions qui relieront de manière plausible les deux scènes. La société a également déclaré que le modèle est conçu pour évoluer, les performances s'améliorant à mesure que le calcul d'entraînement augmente.
Contrôle de la caméra au pixel près et vidéo longue durée
La fonction de génération de chapiteau d'Atlas est la vidéo contrôlée par caméra. À partir d'une à six images d'entrée, le modèle peut générer jusqu'à une minute de vidéo à une résolution de 1 440p, en suivant des trajectoires de caméra précisément spécifiées. World Labs souligne que la géométrie de la caméra est un type d'entrée natif - allant au-delà des invites de texte grossières - afin que les créateurs puissent cadrer chaque plan et contrôler chaque mouvement. Dans les démos, l'équipe a conçu à la main des parcours de caméra à travers une scène pour produire un clip cohérent d'une minute, décrivant l'expérience comme étant "dans le fauteuil du réalisateur" plutôt que de tirer le levier d'une machine à sous.
Le modèle génère également des images et des panoramas à 360 degrés à partir du texte, avec la possibilité de suivre des invites complexes, de restituer du texte et de produire une variété de styles visuels.
Une reconstruction qui remet en question les modèles spécialisés
Du côté de la reconstruction, World Labs fait une affirmation audacieuse : Atlas reconstruit des scènes du monde réel à partir de seulement deux ou trois images ordinaires, "surpassant les résultats de pointe obtenus par des modèles spécialement formés uniquement pour la reconstruction 3D". La société considère la nouvelle synthèse de vues à partir d’entrées clairsemées comme un problème fondamental vieux de plusieurs décennies dans la vision par ordinateur 3D.
Atlas peut également ingérer plus d'une centaine d'images d'entrée pour une recréation fidèle d'environnements réels. Lors d'une démonstration, l'équipe a reconstruit pièce par pièce le Main Quad de Stanford à partir de deux à vingt-cinq photos au niveau du sol, puis a généré des trajectoires aériennes survolant le campus, remplissant ainsi des vues qu'aucune caméra n'avait jamais capturées.
Essentiellement pour une utilisation pratique, Atlas ne s’arrête pas aux images 2D. Il fonctionne de manière native sur des images et des cartes de profondeur 3D, produisant des mondes sous forme de nuages de points ou d'éclaboussures gaussiennes 3D qui s'affichent sur l'appareil à haute résolution et à des fréquences d'images élevées. Il s'agit de la même représentation utilisée dans Marble, le premier produit de World Labs, de sorte que les sorties d'Atlas se connectent directement au pipeline existant de l'entreprise.
Du Bullet Time à la formation des robots
Les capacités de simulation d'Atlas sont peut-être les plus importantes pour la robotique. La société a montré que les images de seulement trois caméras de téléphone portable ordinaires – montées avec des trépieds et des pinces qui tiennent dans un sac à dos – suffisent à Atlas pour reconstruire une scène et permettre un recadrage « bullet time » sous des angles impossibles, sans qu'un studio de capture spécialisé ne soit nécessaire.
Pour les flux de travail Real-to-Sim, Atlas reconstruit les espaces à partir de courtes vidéos téléphoniques, puis génère les données RVB et de profondeur que les caméras montées sur le corps d'un robot simulé observeraient le long d'un chemin - le monde et la vue du robot provenant du même modèle. La société a démontré la navigation dans de grands environnements numérisés en utilisant 24 images chacune, ainsi que des scénarios de manipulation dans lesquels les tâches simulées peuvent varier en changeant les objets, les positions et les scènes une fois qu'une tâche est simulée.
Pourquoi c'est important
Les modèles mondiaux sont de plus en plus considérés comme un complément aux grands modèles de langage : les LLM raisonnent sur les descriptions du monde, tandis que les modèles mondiaux visent à modéliser le monde lui-même : sa géométrie, sa physique et sa dynamique au fil du temps. Si les affirmations d'Atlas résistent à un examen externe, les applications couvrent les effets visuels, les jeux, la conception, l'ingénierie et la formation de robots, où des environnements synthétiques mais physiquement plausibles pourraient réduire considérablement le coût de l'apprentissage des machines à agir.
L’entreprise derrière le modèle est remarquable en soi. World Labs a été fondé par Fei-Fei Li – le professeur de Stanford dont la création d'ImageNet a contribué à déclencher l'ère de l'apprentissage profond – aux côtés de Justin Johnson, Ben Mildenhall et Christoph Lassner, et sa liste d'investisseurs comprend a16z, Nvidia, AMD, Intel, Adobe, Salesforce et Samsung, entre autres. Marble, le premier produit de la société, permet aux utilisateurs de créer des mondes 3D persistants à partir d'images, de vidéos, de texte et de mises en page 3D, et World Labs a déclaré qu'Atlas en alimenterait les futures versions.
Atlas n'est pas encore disponible pour tous : la société accepte les demandes d'accès anticipé. Néanmoins, cette version marque l’une des étapes les plus concrètes à ce jour vers des systèmes d’IA qui ne se contentent pas de décrire le monde physique, mais en contiennent un modèle cohérent et manipulable.
---
Gardez une longueur d'avance sur l'IARecevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.
Lire plus d'actualités sur l'IA →
