World Labs, la società di intelligenza spaziale fondata dal pioniere dell'intelligenza artificiale Fei-Fei Li, ha introdotto Atlas il 1° settembre 2026, descrivendolo come il suo modello mondiale "omni" di prossima generazione. In un post sul blog aziendale, il team ha affermato che Atlas è pre-addestrato da zero per operare in modo nativo su testo, immagini, video e 3D: un unico modello costruito per generare, ricostruire e simulare mondi piuttosto che specializzarsi in uno qualsiasi di questi compiti.
Il lancio rappresenta una pietra miliare per la tesi sui modelli mondiali che Li ha sostenuto sin dalla fondazione dell’azienda: che la prossima frontiera dell’intelligenza artificiale non risiede solo nel linguaggio, ma nei sistemi che comprendono come i mondi appaiono, si comportano e si evolvono. World Labs inquadra la tecnologia come base per il rendering di mondi immaginari per utenti creativi, simulando il mondo reale in alta fedeltà e aiutando i robot a pianificare le azioni. Per ulteriori informazioni su questo e altri sforzi di ricerca di frontiera, esplora la nostra copertura del settore dell'intelligenza artificiale.
Un modello, un contesto spaziale condiviso
Dal punto di vista architettonico, Atlas è ciò che World Labs chiama un trasformatore di diffusione autoregressivo multimodale. Come un grande modello linguistico, prima codifica i suoi input in un contesto e poi genera output condizionati da quel contesto. La differenza è spaziale: ogni immagine di input è fissata in una posizione 3D nello spazio, formando quello che l'azienda chiama un contesto spaziale, e Atlas genera ciò che verrà dopo rimanendo coerente in 3D con tutto ciò che ha visto, immaginando cosa c'è oltre di esso.
Questo design consente funzionalità che sarebbe scomodo installare su generatori video convenzionali. Due immagini di riferimento non correlate possono essere inserite nel contesto in diverse posizioni 3D e Atlas genererà un mondo che si interpola dolcemente tra loro, inventando porte, corridoi e transizioni che collegano plausibilmente le due scene. L’azienda ha inoltre affermato che il modello è costruito su larga scala, con prestazioni che migliorano con l’aumento del calcolo dell’addestramento.
Controllo della fotocamera pixel-perfect e video di lunga durata
La funzione di generazione del tendone di Atlas è il video controllato dalla telecamera. Da una a sei immagini in ingresso, il modello può generare fino a un minuto di video con risoluzione 1440p, seguendo percorsi della telecamera specificati con precisione. World Labs sottolinea che la geometria della fotocamera è un tipo di input nativo, che va oltre le istruzioni di testo grossolano, in modo che i creatori possano inquadrare ogni inquadratura e controllare ogni movimento. Nelle demo, il team ha progettato manualmente i percorsi della telecamera attraverso una scena per produrre una clip coerente di un minuto, descrivendo l'esperienza come "sulla sedia del regista" piuttosto che tirare la leva di una slot machine.
Il modello genera anche immagini e panorami a 360 gradi dal testo, con la possibilità di seguire istruzioni complesse, eseguire il rendering del testo e produrre una varietà di stili visivi.
Una ricostruzione che sfida i modelli specialistici
Sul fronte della ricostruzione, World Labs fa un'affermazione coraggiosa: Atlas ricostruisce scene del mondo reale da appena due o tre immagini ordinarie, "superando i risultati all'avanguardia ottenuti da modelli appositamente addestrati solo per la ricostruzione 3D". L’azienda definisce la sintesi di nuove viste da input sparsi un problema fondamentale vecchio di decenni nella visione artificiale 3D.
Atlas può anche acquisire più di un centinaio di immagini di input per ricreare fedelmente ambienti reali. In una dimostrazione, il team ha ricostruito pezzo per pezzo il Main Quad di Stanford, utilizzando da due a venticinque foto a livello del suolo, quindi ha generato percorsi aerei che volavano in alto sopra il campus, riempiendo viste che nessuna fotocamera aveva mai catturato.
Fondamentalmente per l'uso pratico, Atlas non si ferma ai fotogrammi 2D. Funziona nativamente su fotogrammi di immagine e mappe di profondità 3D, producendo mondi come nuvole di punti o simboli gaussiani 3D che eseguono il rendering sul dispositivo ad alta risoluzione e frame rate. Questa è la stessa rappresentazione utilizzata in Marble, il primo prodotto di World Labs, quindi i risultati di Atlas si collegano direttamente alla pipeline esistente dell'azienda.
Dal Bullet Time all'addestramento dei robot
Le capacità di simulazione di Atlas potrebbero avere la massima importanza per la robotica. L'azienda ha dimostrato che le riprese di appena tre comuni fotocamere di telefoni cellulari, montate su treppiedi e morsetti che si adattano a uno zaino, sono sufficienti per Atlas per ricostruire una scena e consentire la riformulazione "bullet time" da angolazioni impossibili, senza bisogno di uno studio di acquisizione specializzato.
Per i flussi di lavoro Real-to-Sim, Atlas ricostruisce gli spazi da brevi video telefonici e quindi genera i dati RGB e di profondità che le telecamere montate sul corpo di un robot simulato osserverebbero lungo un percorso, con il mondo e la visione del robot provenienti dallo stesso modello. L'azienda ha dimostrato la navigazione in ambienti scansionati di grandi dimensioni utilizzando 24 fotogrammi ciascuno, oltre a scenari di manipolazione in cui le attività simulate possono essere variate modificando oggetti, posizioni e scene una volta simulata un'attività.
Perché è importante
I modelli del mondo sono sempre più visti come un complemento ai modelli linguistici di grandi dimensioni: i LLM ragionano sulle descrizioni del mondo, mentre i modelli del mondo mirano a modellare il mondo stesso: la sua geometria, fisica e dinamica nel tempo. Se le affermazioni di Atlas reggeranno sotto un esame esterno, le applicazioni spazieranno VFX, giochi, design, ingegneria e addestramento di robot, dove ambienti sintetici ma fisicamente plausibili potrebbero ridurre drasticamente i costi per insegnare alle macchine ad agire.
L'azienda dietro il modello è notevole di per sé. World Labs è stata fondata da Fei-Fei Li – il professore di Stanford la cui creazione di ImageNet ha contribuito ad innescare l’era del deep learning – insieme a Justin Johnson, Ben Mildenhall e Christoph Lassner, e la sua lista di investitori include a16z, Nvidia, AMD, Intel, Adobe, Salesforce e Samsung, tra gli altri. Marble, il primo prodotto dell'azienda, consente agli utenti di creare mondi 3D persistenti da immagini, video, testo e layout 3D e World Labs ha affermato che Atlas ne alimenterà le versioni future.
Atlas non è ancora generalmente disponibile: l'azienda sta accettando richieste di accesso anticipato. Tuttavia, il rilascio segna uno dei passi più concreti finora verso sistemi di intelligenza artificiale che non si limitano a descrivere il mondo fisico, ma ne mantengono un modello coerente e manipolabile.
---
Stai al passo con l'intelligenza artificialeRicevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.
Leggi altre notizie sull'AI →
