AI ရှေ့ဆောင် Fei-Fei Li မှ တည်ထောင်ထားသော အာကာသထောက်လှမ်းရေးကုမ္ပဏီ World Labs သည် ၎င်း၏မျိုးဆက်သစ် "omni" ကမ္ဘာ့မော်ဒယ်အဖြစ် Atlas ကို 2026 ခုနှစ် စက်တင်ဘာလ 1 ရက်နေ့တွင် မိတ်ဆက်ခဲ့သည်။ ကုမ္ပဏီဘလော့ဂ်ပို့စ်တစ်ခုတွင် Atlas သည် စာသား၊ ရုပ်ပုံများ၊ ဗီဒီယိုနှင့် 3D တို့ကို မူရင်းအတိုင်းလုပ်ဆောင်ရန် Atlas ကို အစမှကြိုတင်လေ့ကျင့်ထားခြင်းဖြစ်သည် — ထိုအလုပ်များထဲမှ တစ်ခုမဟုတ်တစ်ခုအတွက် အထူးလုပ်ဆောင်ရမည့်အစား ကမ္ဘာများကို ထုတ်လုပ်ရန်၊ ပြန်လည်တည်ဆောက်ရန်နှင့် အတုယူရန် တည်ဆောက်ထားသည့် တစ်ခုတည်းသောပုံစံဖြစ်သည်။

AI ၏နောက်ထပ်မျက်နှာစာသည် ဘာသာစကားဖြင့်သာမက ကမ္ဘာကြီး၏ပုံပန်းသဏ္ဍာန်၊ ပြုမူပုံနှင့် ဆင့်ကဲပြောင်းလဲလာပုံကို နားလည်သည့်စနစ်များတွင် Li သည် ကုမ္ပဏီကိုစတင်တည်ထောင်ကတည်းက ချန်ပီယံဖြစ်ခဲ့သည့် ကမ္ဘာ့မော်ဒယ်များစာတမ်းအတွက် မှတ်တိုင်တစ်ခုဖြစ်သည်။ World Labs သည် တီထွင်ဖန်တီးသူများအတွက် စိတ်ကူးယဉ်ကမ္ဘာများကို ပုံဖော်ပေးခြင်း၊ လက်တွေ့ကမ္ဘာကို သစ္စာရှိရှိ ပုံဖော်ခြင်းနှင့် စက်ရုပ်များ၏ လုပ်ဆောင်ချက်များကို စီစဉ်ရာတွင် ကူညီပေးခြင်းအတွက် နည်းပညာကို World Labs မှ ဘောင်ခတ်ထားသည်။ ဤနှင့် အခြားသော နယ်နိမိတ်ဆိုင်ရာ သုတေသန အားထုတ်မှုများအပေါ် ပိုမိုသိရှိရန်၊ ကျွန်ုပ်တို့၏ AI လုပ်ငန်းဆိုင်ရာ လွှမ်းခြုံမှု ကို လေ့လာပါ။

မော်ဒယ်တစ်ခု၊ မျှဝေထားသော Spatial Context တစ်ခု

ဗိသုကာအရ၊ Atlas သည် World Labs ဟုခေါ်သော multimodal autoregressive diffusion transformer ဖြစ်သည်။ ကြီးမားသောဘာသာစကားပုံစံတစ်ခုကဲ့သို့ပင်၊ ၎င်းသည် ၎င်း၏ထည့်သွင်းမှုများကို ဆက်စပ်အကြောင်းအရာတစ်ခုသို့ ဦးစွာကုဒ်သွင်းပြီးနောက် ထိုအကြောင်းအရာတွင် သတ်မှတ်ထားသော အထွက်များကိုထုတ်ပေးသည်။ ခြားနားချက်မှာ spatial ဖြစ်သည်- ထည့်သွင်းပုံတစ်ခုစီသည် အာကာသအတွင်းရှိ 3D အနေအထားတွင် အခြေခံထားပြီး ကုမ္ပဏီက spatial context ဟုခေါ်သည့် အသွင်အပြင်ကို ဖန်တီးကာ Atlas သည် ၎င်းတွင်မြင်ရသမျှအရာအားလုံးနှင့် 3D-တသမတ်တည်းရှိနေစဉ်တွင် နောက်ထပ်လာမည့်အရာကိုထုတ်ပေးပါသည်။

ထိုဒီဇိုင်းသည် သမားရိုးကျ ဗီဒီယို ဂျင်နရေတာများပေါ်တွင် တပ်ဆင်ရန် အဆင်မပြေနိုင်သည့် စွမ်းရည်များကို ပံ့ပိုးပေးသည်။ မသက်ဆိုင်သောအကိုးအကားပုံနှစ်ခုကို မတူညီသော 3D အနေအထားများတွင် ဆက်စပ်ထည့်သွင်းနိုင်ပြီး Atlas သည် ၎င်းတို့ကြားတွင် ချောမွေ့စွာပေါင်းစပ်ထားသော ကမ္ဘာကြီးကို ဖန်တီးပေးမည်ဖြစ်ပြီး၊ မြင်ကွင်းနှစ်ခုကို ခိုင်လုံစွာပေါင်းကူးပေးသည့် တံခါးဝများ၊ စင်္ကြံများနှင့် အသွင်ကူးပြောင်းမှုများကို တီထွင်ဖန်တီးပေးမည်ဖြစ်သည်။ လေ့ကျင့်ရေး တွက်ချက်မှု တိုးလာသည်နှင့်အမျှ စွမ်းဆောင်ရည် ပိုမိုကောင်းမွန်လာကာ မော်ဒယ်ကို အတိုင်းအတာတစ်ခုအထိ တည်ဆောက်ထားကြောင်း ကုမ္ပဏီက ပြောကြားခဲ့သည်။

Pixel-Perfect Camera Control နှင့် Long-Form ဗီဒီယို

Atlas ၏ marquee မျိုးဆက်အင်္ဂါရပ်မှာ ကင်မရာဖြင့် ထိန်းချုပ်ထားသော ဗီဒီယိုဖြစ်သည်။ ထည့်သွင်းပုံတစ်ပုံမှ ခြောက်ပုံအထိ၊ မော်ဒယ်သည် တိကျစွာသတ်မှတ်ထားသော ကင်မရာလမ်းကြောင်းများအတိုင်း 1440p ရုပ်ထွက်နှင့် တစ်မိနစ်အထိ ဗီဒီယိုကို ထုတ်ပေးနိုင်သည်။ World Labs သည် ကင်မရာဂျီသြမေတြီသည် မူရင်းထည့်သွင်းမှုအမျိုးအစားဖြစ်သည်—ကြမ်းတမ်းသောစာသားအချက်ပြမှုများကိုကျော်လွန်သွားသည်— ထို့ကြောင့် ဖန်တီးသူများသည် ရိုက်ချက်တိုင်းကိုဘောင်ခတ်ပြီး လှုပ်ရှားမှုတိုင်းကို ထိန်းချုပ်နိုင်သည်။ သရုပ်ပြများတွင်၊ အဖွဲ့သည် လက်ဖြင့်ဒီဇိုင်းထုတ်ထားသော ကင်မရာသည် အထိုင်စက်၏လီဗာကိုဆွဲမည့်အစား "ဒါရိုက်တာ၏ထိုင်ခုံ၌" ဖြစ်ခြင်းအဖြစ် အတွေ့အကြုံကိုဖော်ပြသည့် တစ်မိနစ်စာအပိုင်းတစ်ခုထုတ်လုပ်ရန် အခင်းအကျင်းတစ်ခုဖြတ်သွားပါသည်။

မော်ဒယ်သည် ရှုပ်ထွေးသော အချက်ပြမှုများကို လိုက်နာရန်၊ စာသားကို ပြန်ဆိုရန်နှင့် ရုပ်ပုံစတိုင်အမျိုးမျိုးကို ထုတ်လုပ်နိုင်စွမ်းဖြင့် စာသားမှ ပုံများနှင့် 360 ဒီဂရီ မြင်ကွင်းကျယ်များကို ထုတ်ပေးပါသည်။

ပြန်လည်တည်ဆောက်ရေးသည် အထူးကျွမ်းကျင်သူမော်ဒယ်များကို စိန်ခေါ်သည်။

ပြန်လည်တည်ဆောက်ရေးဘက်တွင်၊ World Labs မှ ရဲဝံ့စွာအခိုင်အမာဆိုသည်- Atlas သည် သာမန်ရုပ်ပုံနှစ်ပုံ သို့မဟုတ် သုံးခုလောက်မှ တကယ့်ကမ္ဘာမြင်ကွင်းများကို ပြန်လည်တည်ဆောက်သည်၊ "3D ပြန်လည်တည်ဆောက်မှုအတွက်သာ အထူးလေ့ကျင့်ထားသော မော်ဒယ်များဖြင့် ခေတ်မီသောရလဒ်များကို စွမ်းဆောင်နိုင်သည်" ကုမ္ပဏီသည် 3D ကွန်ပြူတာအမြင်တွင် ဆယ်စုနှစ်များစွာကြာသော အခြေခံပြဿနာကို ကျဲကျဲမှထည့်သွင်းခြင်းမှ ဝတ္ထုအမြင်ပေါင်းစပ်မှုကို ခေါ်ဆိုသည်။

Atlas သည် စစ်မှန်သောပတ်ဝန်းကျင်အတွက် သစ္စာရှိစွာ အပန်းဖြေရန်အတွက် ထည့်သွင်းပုံတစ်ရာကျော်ကိုလည်း ထည့်သွင်းနိုင်သည်။ သရုပ်ပြမှုတစ်ခုတွင်၊ အဖွဲ့သည် Stanford ၏ Main Quad ကို မြေပြင်အဆင့် ဓာတ်ပုံနှစ်ပုံမှ 25 ပုံအထိ တစ်ပိုင်းပြီးတစ်စ ပြန်လည်တည်ဆောက်ခဲ့ပြီး ကျောင်းဝင်းအထက်တွင် ပျံသန်းနေသည့် ဝေဟင်လမ်းကြောင်းများကို ထုတ်ပေးသည် — မည်သည့်ကင်မရာမှ ဖမ်းယူထားခြင်းမရှိသော မြင်ကွင်းများကို ပြည့်စေပါသည်။

လက်တွေ့အသုံးပြုမှုအတွက် အရေးပါသောအချက်မှာ Atlas သည် 2D ဖရိန်များတွင် ရပ်မနေပါ။ ၎င်းသည် ရုပ်ပုံဘောင်များနှင့် 3D အတိမ်အနက်မြေပုံများပေါ်တွင် လုပ်ဆောင်ပြီး ကမ္ဘာများကို point clouds သို့မဟုတ် 3D Gaussian splats များအဖြစ် ရုပ်ထွက်မြင့်မားသော ရုပ်ထွက်နှင့် ဖရိမ်နှုန်းများဖြင့် ပုံဖော်ပေးပါသည်။ ၎င်းသည် Marble၊ World Labs ၏ ပထမဆုံးထုတ်ကုန်တွင် အသုံးပြုသည့် ကိုယ်စားပြုပုံနှင့် တူညီသောကြောင့် Atlas သည် ကုမ္ပဏီ၏ လက်ရှိပိုက်လိုင်းသို့ တိုက်ရိုက်ချိတ်ဆက်သည်။

ကျည်ဆန်အချိန်မှ စက်ရုပ်လေ့ကျင့်ရေးအထိ

Atlas ၏ သရုပ်ဖော်မှုစွမ်းရည်များသည် စက်ရုပ်များအတွက် အရေးအကြီးဆုံးဖြစ်သည်။ ကုမ္ပဏီသည် ကျောပိုးအိတ်တွင် တပ်ဆင်ထားသည့် tripods နှင့် ကလစ်များပါရှိသည့် သာမန်ဆဲလ်ဖုန်းကင်မရာသုံးလုံးမှ ဗီဒီယိုဖိုင်သည် Atlas အတွက် မြင်ကွင်းတစ်ခုကို ပြန်လည်တည်ဆောက်ရန်နှင့် မဖြစ်နိုင်သောထောင့်များမှ "ကျည်ဆန်အချိန်" ကို ဖွင့်ရန်၊ အထူးစတူဒီယိုရိုက်ကူးရန် မလိုအပ်ကြောင်း ပြသခဲ့သည်။

Real-to-Sim အလုပ်အသွားအလာအတွက်၊ Atlas သည် ဖုန်းဗီဒီယိုတိုများမှ နေရာလွတ်များကို ပြန်လည်တည်ဆောက်ပြီး RGB နှင့် နက်ရှိုင်းသောအချက်အလက်များကို ထုတ်ပေးသည့်လမ်းကြောင်းတစ်လျှောက်တွင် စက်ရုပ်၏ကိုယ်ထည်တပ်ဆင်ထားသောကင်မရာများသည် ကမ္ဘာနှင့်စက်ရုပ်၏အမြင်တို့ကို တူညီသောပုံစံဖြင့်ကြည့်ရှုမည်ဖြစ်သည်။ ကုမ္ပဏီသည် လုပ်ငန်းတစ်ခုစီစဥ်ပြီးသည်နှင့် အရာဝတ္တုများ၊ ရာထူးများနှင့် မြင်ကွင်းများကို ပြောင်းလဲခြင်းဖြင့် အသွင်တူလုပ်ဆောင်နိုင်သော လုပ်ဆောင်ချက်များကို ပြောင်းလဲနိုင်သည့် ဘောင် ၂၄ ခုကို အသုံးပြု၍ ကြီးမားသော စကန်ဖတ်ထားသော ပတ်ဝန်းကျင်တစ်လျှောက် လမ်းကြောင်းပြခြင်းကို သရုပ်ပြခဲ့သည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

ကမ္ဘာ့မော်ဒယ်များကို ဘာသာစကား မော်ဒယ်ကြီးများ ၏ ဖြည့်စွက်စာအဖြစ် ရှုမြင်ကြသည်- LLMs များသည် ကမ္ဘာကြီး၏ ဖော်ပြချက်များနှင့် ပတ်သက်၍ အကြောင်းပြချက် ပေးကြပြီး၊ ကမ္ဘာ့မော်ဒယ်များသည် ကမ္ဘာကြီးကို စံနမူနာပြုရန် ရည်ရွယ်သည် — ၎င်း၏ ဂျီသြမေတြီ၊ ရူပဗေဒ နှင့် ဒိုင်းနမစ်များ အချိန်ကြာလာသည်နှင့်အမျှ ကမ္ဘာကြီးကို ပုံစံထုတ်ရန် ရည်ရွယ်သည်။ Atlas ၏တောင်းဆိုချက်များသည် ပြင်ပမှစိစစ်မှုအောက်တွင်ရှိနေပါက၊ အသုံးချပရိုဂရမ်များသည် VFX၊ ဂိမ်း၊ ဒီဇိုင်း၊ အင်ဂျင်နီယာနှင့် စက်ရုပ်လေ့ကျင့်ရေးတို့ကို အကျုံးဝင်စေပါသည်။

မော်ဒယ်၏နောက်ကွယ်ရှိကုမ္ပဏီသည် ၎င်း၏ကိုယ်ပိုင်အခွင့်အရေးဖြင့် ထင်ရှားသည်။ World Labs ကို Justin Johnson၊ Ben Mildenhall နှင့် Christoph Lassner တို့နှင့်အတူ ImageNet ၏ဖန်တီးမှုတွင် နက်နဲသောသင်ယူမှုခေတ်ကို တောက်လောင်စေခဲ့သည့် Stanford ပါမောက္ခ Fei-Fei Li မှ တည်ထောင်ခဲ့ပြီး ၎င်း၏ရင်းနှီးမြုပ်နှံသူစာရင်းတွင် a16z၊ Nvidia၊ AMD၊ Intel၊ Adobe၊ Salesforce နှင့် Samsung တို့ပါဝင်ပါသည်။ ကုမ္ပဏီ၏ ပထမဆုံးထုတ်ကုန်ဖြစ်သော Marble သည် အသုံးပြုသူများအား ပုံများ၊ ဗီဒီယို၊ စာသားနှင့် 3D အပြင်အဆင်များမှ မြဲမြံစွာ 3D ကမ္ဘာများကို ဖန်တီးနိုင်စေပြီး Atlas က ၎င်း၏အနာဂတ်ဗားရှင်းများကို စွမ်းဆောင်ပေးမည်ဟု World Labs မှ ပြောကြားခဲ့ပါသည်။

Atlas သည် ယေဘူယျအားဖြင့် မရရှိနိုင်သေးပါ- ကုမ္ပဏီသည် စောစီးစွာ အသုံးပြုခွင့်အတွက် တောင်းဆိုမှုများကို လုပ်ဆောင်နေပါသည်။ မည်သို့ပင်ဆိုစေကာမူ၊ ယခုထွက်ရှိမှုသည် ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာကိုဖော်ပြရုံမျှမက AI စနစ်ဆီသို့ အခိုင်မာဆုံးခြေလှမ်းများထဲမှတစ်ခုဖြစ်ကြောင်း အမှတ်အသားပြုထားသည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →