एआई अग्रणी फी-फी ली द्वारा स्थापित स्थानिक खुफिया कंपनी वर्ल्ड लैब्स ने 1 सितंबर, 2026 को एटलस को पेश किया और इसे अपनी अगली पीढ़ी का "ओमनी" विश्व मॉडल बताया। एक कंपनी ब्लॉग पोस्ट में, टीम ने कहा कि एटलस को मूल रूप से टेक्स्ट, इमेज, वीडियो और 3डी पर काम करने के लिए पहले से प्रशिक्षित किया गया है - एक एकल मॉडल जो उन कार्यों में से किसी एक में विशेषज्ञता के बजाय दुनिया को उत्पन्न करने, पुनर्निर्माण करने और अनुकरण करने के लिए बनाया गया है।

यह लॉन्च विश्व मॉडल थीसिस के लिए एक मील का पत्थर है जिसे ली ने कंपनी की स्थापना के बाद से समर्थन दिया है: कि एआई की अगली सीमा सिर्फ भाषा में नहीं है, बल्कि उन प्रणालियों में है जो समझते हैं कि दुनिया कैसे दिखाई देती है, व्यवहार करती है और विकसित होती है। वर्ल्ड लैब्स रचनात्मक उपयोगकर्ताओं के लिए काल्पनिक दुनिया प्रस्तुत करने, उच्च निष्ठा में वास्तविक दुनिया का अनुकरण करने और रोबोटों को कार्यों की योजना बनाने में मदद करने के लिए प्रौद्योगिकी को आधार बनाती है। इस और अन्य अग्रणी अनुसंधान प्रयासों पर अधिक जानकारी के लिए, हमारे एआई उद्योग कवरेज को देखें।

एक मॉडल, एक साझा स्थानिक संदर्भ

वास्तुकला की दृष्टि से, एटलस वह है जिसे वर्ल्ड लैब्स मल्टीमॉडल ऑटोरेग्रेसिव डिफ्यूजन ट्रांसफार्मर कहता है। एक बड़े भाषा मॉडल की तरह, यह पहले अपने इनपुट को एक संदर्भ में एन्कोड करता है और फिर उस संदर्भ पर वातानुकूलित आउटपुट उत्पन्न करता है। अंतर स्थानिक है: प्रत्येक इनपुट छवि को अंतरिक्ष में 3डी स्थिति पर आधारित किया जाता है, जिसे कंपनी एक स्थानिक संदर्भ कहती है, और एटलस जो कुछ भी उसने देखा है उसके साथ 3डी-संगत रहते हुए आगे क्या होता है उत्पन्न करता है - कल्पना करता है कि इसके परे क्या है।

वह डिज़ाइन उन क्षमताओं को सक्षम बनाता है जिन्हें पारंपरिक वीडियो जनरेटर पर बोल्ट करना अजीब होगा। दो असंबद्ध संदर्भ छवियों को अलग-अलग 3डी स्थितियों में संदर्भ में रखा जा सकता है, और एटलस एक ऐसी दुनिया का निर्माण करेगा जो उनके बीच आसानी से अंतर्विष्ट हो जाएगी, दरवाजे, हॉलवे और संक्रमण का आविष्कार करेगी जो संभावित रूप से दो दृश्यों को जोड़ती है। कंपनी ने यह भी कहा कि मॉडल को बड़े पैमाने पर बनाया गया है, प्रशिक्षण गणना बढ़ने के साथ प्रदर्शन में सुधार होता है।

पिक्सेल-परफेक्ट कैमरा नियंत्रण और लंबे प्रारूप वाला वीडियो

एटलस की प्रमुख पीढ़ी की विशेषता कैमरा-नियंत्रित वीडियो है। एक से छह इनपुट छवियों तक, मॉडल सटीक रूप से निर्दिष्ट कैमरा पथों का पालन करते हुए, 1440p रिज़ॉल्यूशन पर एक मिनट तक का वीडियो उत्पन्न कर सकता है। वर्ल्ड लैब्स इस बात पर जोर देती है कि कैमरा ज्योमेट्री एक देशी इनपुट प्रकार है - मोटे टेक्स्ट संकेतों से परे - ताकि निर्माता हर शॉट को फ्रेम कर सकें और हर गति को नियंत्रित कर सकें। डेमो में, टीम ने हाथ से डिज़ाइन किया गया कैमरा एक दृश्य के माध्यम से एक सुसंगत एक मिनट की क्लिप तैयार करता है, जो एक स्लॉट मशीन के लीवर को खींचने के बजाय "निर्देशक की कुर्सी पर" अनुभव का वर्णन करता है।

मॉडल जटिल संकेतों का पालन करने, पाठ प्रस्तुत करने और विभिन्न प्रकार की दृश्य शैलियों का उत्पादन करने की क्षमता के साथ, पाठ से छवियां और 360-डिग्री पैनोरमा भी उत्पन्न करता है।

पुनर्निर्माण जो विशेषज्ञ मॉडलों को चुनौती देता है

पुनर्निर्माण के पक्ष में, वर्ल्ड लैब्स एक साहसिक दावा करता है: एटलस कम से कम दो या तीन सामान्य छवियों से वास्तविक दुनिया के दृश्यों का पुनर्निर्माण करता है, "विशेष रूप से केवल 3 डी पुनर्निर्माण के लिए प्रशिक्षित मॉडलों द्वारा अत्याधुनिक परिणामों से बेहतर प्रदर्शन करता है।" कंपनी विरल इनपुट से नवीन दृश्य संश्लेषण को 3डी कंप्यूटर विज़न में दशकों पुरानी मूलभूत समस्या कहती है।

एटलस वास्तविक वातावरण के विश्वसनीय मनोरंजन के लिए सौ से अधिक इनपुट छवियों को भी ग्रहण कर सकता है। एक प्रदर्शन में, टीम ने स्टैनफोर्ड के मुख्य क्वाड को दो से पच्चीस जमीनी स्तर की तस्वीरों से टुकड़े-टुकड़े करके फिर से बनाया, फिर परिसर के ऊपर उड़ने वाले हवाई पथ बनाए - ऐसे दृश्यों को भरते हुए जिन्हें किसी भी कैमरे ने कभी कैद नहीं किया।

व्यावहारिक उपयोग के लिए, एटलस 2डी फ्रेम पर नहीं रुकता। यह मूल रूप से छवि फ्रेम और 3डी गहराई मानचित्रों पर काम करता है, दुनिया को बिंदु बादलों या 3डी गॉसियन स्प्लैट के रूप में आउटपुट करता है जो उच्च रिज़ॉल्यूशन और फ्रेम दर पर डिवाइस पर प्रस्तुत करता है। यह वही प्रतिनिधित्व है जिसका उपयोग वर्ल्ड लैब्स के पहले उत्पाद मार्बल में किया गया है, इसलिए एटलस आउटपुट सीधे कंपनी की मौजूदा पाइपलाइन में प्लग हो जाता है।

बुलेट टाइम से लेकर रोबोट ट्रेनिंग तक

रोबोटिक्स के लिए एटलस की सिमुलेशन क्षमताएं सबसे अधिक मायने रख सकती हैं। कंपनी ने दिखाया कि कम से कम तीन साधारण सेल-फोन कैमरों के फुटेज - तिपाई और क्लैंप के साथ लगे होते हैं जो एक बैकपैक में फिट होते हैं - एटलस के लिए एक दृश्य को फिर से बनाने और असंभव कोणों से "बुलेट टाइम" रीफ़्रेमिंग को सक्षम करने के लिए पर्याप्त है, किसी विशेष कैप्चर स्टूडियो की आवश्यकता नहीं है।

रियल-टू-सिम वर्कफ़्लोज़ के लिए, एटलस छोटे फोन वीडियो से रिक्त स्थान का पुनर्निर्माण करता है और फिर आरजीबी और गहराई डेटा उत्पन्न करता है, एक सिम्युलेटेड रोबोट के बॉडी-माउंटेड कैमरे एक पथ के साथ निरीक्षण करेंगे - दुनिया और रोबोट के दृश्य एक ही मॉडल से आते हैं। कंपनी ने प्रत्येक 24 फ़्रेमों का उपयोग करके बड़े स्कैन किए गए वातावरणों में नेविगेशन का प्रदर्शन किया, साथ ही हेरफेर परिदृश्यों का भी प्रदर्शन किया जहां एक कार्य के सिम्युलेटेड होने के बाद वस्तुओं, स्थितियों और दृश्यों को बदलकर सिम्युलेटेड कार्यों को अलग किया जा सकता है।

यह क्यों मायने रखता है

विश्व मॉडल को तेजी से बड़े भाषा मॉडल के पूरक के रूप में देखा जा रहा है: एलएलएम दुनिया के विवरणों के बारे में तर्क देते हैं, जबकि विश्व मॉडल का लक्ष्य दुनिया को स्वयं मॉडल करना है - समय के साथ इसकी ज्यामिति, भौतिकी और गतिशीलता। यदि एटलस के दावे बाहरी जांच के दायरे में हैं, तो अनुप्रयोग वीएफएक्स, गेमिंग, डिज़ाइन, इंजीनियरिंग और रोबोट प्रशिक्षण तक फैले हुए हैं, जहां सिंथेटिक लेकिन शारीरिक रूप से व्यवहार्य वातावरण शिक्षण मशीनों की लागत में नाटकीय रूप से कटौती कर सकते हैं।

मॉडल के पीछे की कंपनी अपने आप में उल्लेखनीय है। वर्ल्ड लैब्स की स्थापना स्टैनफोर्ड प्रोफेसर फी-फी ली द्वारा की गई थी, जिनकी इमेजनेट के निर्माण ने जस्टिन जॉनसन, बेन मिल्डेनहॉल और क्रिस्टोफ लास्नर के साथ गहन शिक्षण युग को प्रज्वलित करने में मदद की थी, और इसकी निवेशक सूची में a16z, Nvidia, AMD, Intel, Adobe, Salesforce और Samsung सहित अन्य शामिल हैं। मार्बल, कंपनी का पहला उत्पाद है, जो उपयोगकर्ताओं को छवियों, वीडियो, टेक्स्ट और 3डी लेआउट से लगातार 3डी दुनिया बनाने की सुविधा देता है, और वर्ल्ड लैब्स ने कहा कि एटलस इसके भविष्य के संस्करणों को शक्ति प्रदान करेगा।

एटलस अभी आम तौर पर उपलब्ध नहीं है: कंपनी शीघ्र पहुंच के लिए अनुरोध स्वीकार कर रही है। फिर भी, यह रिलीज एआई सिस्टम की दिशा में अब तक के सबसे ठोस कदमों में से एक है जो न केवल भौतिक दुनिया का वर्णन करता है, बल्कि इसका एक सुसंगत, हेरफेर करने योग्य मॉडल रखता है।

---

एआई से आगे रहें

नवीनतम एआई समाचार, विश्लेषण और सफलताएँ प्राप्त करें - सभी एक ही स्थान पर।

अधिक AI समाचार पढ़ें →