Atlas: jeden model AI tworzy i symuluje światy 3D

Firma World Labs, założona przez pionierkę sztucznej inteligencji Fei-Fei Li, zaprezentowała Atlas. To system, który łączy w sobie kilka kluczowych umiejętności: generowanie nowych ujęć z pojedynczych fotografii, odtwarzanie trójwymiarowych scen oraz symulowanie zachodzących w nich procesów. Zamiast osobnych narzędzi do każdego zadania, otrzymujemy jeden spójny model, który rozumie przestrzeń wokół nas.

Atlas został wytrenowany od podstaw na różnorodnych danych – tekście, obrazach, filmach oraz informacjach 3D. Najważniejsza różnica w stosunku do wcześniejszych rozwiązań polega na sposobie przetwarzania informacji. Każdy element wejściowy jest bowiem przypisywany do konkretnego punktu w trójwymiarowej przestrzeni, a nie traktowany jako płaska sekwencja pikseli czy słów. To właśnie to „przestrzenne zakotwiczenie” pozwala modelowi na tworzenie nowych klatek i perspektyw w sposób, który wydaje się naturalny dla ludzkiego oka.

Dlaczego tradycyjne modele AI zawodzą w zadaniach przestrzennych

Fei-Fei Li już w listopadzie 2025 roku wskazywała na fundamentalny problem współczesnych systemów AI. W swoim eseju argumentowała, że popularne modele multimodalne oraz modele dyfuzyjne przetwarzają dane w formie jednowymiarowych lub dwuwymiarowych ciągów. Takie podejście sprawia, że nawet proste zadania wymagające zrozumienia geometrii stają się niepotrzebnie skomplikowane.

Rozwiązaniem, które proponuje World Labs, są architektury organizujące tokenizację, kontekst i pamięć w sposób uwzględniający trzy, a nawet cztery wymiary (z czasem włącznie). Atlas ma być praktyczną realizacją tej idei. Dzięki temu model nie tylko „widzi” obraz, ale rozumie, gdzie w przestrzeni znajdują się poszczególne obiekty i jak mogą się względem siebie poruszać.

Kontrolowana generacja i rekonstrukcja rzeczywistych miejsc

Precyzyjna praca kamery zamiast losowości

Jedną z kluczowych funkcji Atlasa jest generowanie wideo z kontrolą kamery. Użytkownik dostarcza jedno lub więcej zdjęć, a system tworzy nowe ujęcia z dowolnie wybranych pozycji i pod dowolnym kątem. Co istotne, ruch kamery przekazywany jest jako bezpośredni parametr geometryczny, a nie jako opis słowny. To fundamentalna różnica w porównaniu z wieloma modelami wideo, które wymagają od użytkownika precyzyjnego opisu tekstowego, a efekt końcowy bywa dziełem przypadku.

Model potrafi wygenerować do minuty wideo w rozdzielczości 1440p. Przedstawiciele World Labs podkreślają, że użytkownik ma pełną kontrolę nad każdym ujęciem. Jak to ujęli – nie jest to już „pociąganie za rączkę jednorękiego bandyty”, lecz świadome sterowanie procesem twórczym.

Odtwarzanie scen z zaledwie kilku fotografii

Druga istotna zdolność Atlasa to rekonstrukcja przestrzenna. System potrafi odtworzyć realne miejsca na podstawie od jednego do kilkudziesięciu zdjęć, bez potrzeby używania specjalistycznego sprzętu pomiarowego. Im więcej zdjęć dostarczy użytkownik, tym mniej model musi „domyślać się” brakujących elementów. Już przy dwóch lub trzech fotografiach Atlas osiąga wyniki lepsze niż wyspecjalizowane modele 3D, a przy ponad stu wejściowych obrazach radzi sobie bez zarzutu.

W jednej z prezentacji model stopniowo składał obraz głównego dziedzińca Uniwersytetu Stanforda, zaczynając od dwóch zdjęć z poziomu ziemi, a kończąc na dwudziestu pięciu. Efektem były również ujęcia z lotu ptaka, ukazujące kampus z perspektywy niedostępnej dla fotografa stojącego na ziemi. To właśnie w takich sytuacjach konkurencyjne systemy zawodzą – pojawiają się geometryczne niespójności i rozmyte tekstury, gdy tylko kamera znacząco zmieni swoje położenie.

Zastosowania w robotyce i symulacje fizycznych interakcji

Atlas nie ogranicza się do tworzenia obrazów i wideo. Model potrafi generować dane wyjściowe w formie rzeczywistych danych 3D, takich jak chmury punktów czy tzw. 3D Gaussian splats. Ta druga technika buduje scenę z wielu drobnych elementów przestrzennych, które można płynnie oglądać z dowolnej perspektywy. To samo odwzorowanie wykorzystywane jest w produkcie Marble, który World Labs już wcześniej wprowadziło na rynek.

Jednym z najbardziej efektownych pokazów możliwości Atlasa jest symulacja efektu „bullet time”. Na podstawie nagrań z kilku zaledwie kamer – w tym smartfonów i kamer sportowych, a nie profesjonalnego sprzętu – system zamraża scenę i pozwala oglądać ją z niemożliwych w rzeczywistości kątów.

Dla branży robotycznej Atlas pełni funkcję narzędzia typu real-to-sim. Odtwarza pomieszczenie, a następnie generuje obraz i dane głębi, które widziałby symulowany robot poruszający się po zadanej ścieżce. Użytkownik może modyfikować obiekty, ich położenie, oświetlenie czy tło, tworząc w ten sposób różnorodne scenariusze treningowe. Celem jest wygenerowanie obszernego zestawu danych do uczenia robotów bez konieczności fizycznego odtwarzania każdej sytuacji w rzeczywistym świecie.

World Labs pokazało już podobne podejście w sierpniu 2026 roku, prezentując samodzielny silnik real-to-sim-to-real. To narzędzie tworzy tysiące wariantów z jednego rzeczywistego zadania i trenuje modele sterujące w całości w symulacji. Firma informuje, że na pięciu platformach robotycznych modele działały przez godzinę bez ingerencji człowieka. Technologia ta pochodzi od startupu SceniX, który World Labs przejęło w lipcu.

Jak Atlas łączy szybkość modeli językowych z jakością dyfuzji

Architektura Atlasa czerpie z dwóch światów. Z modeli językowych pochodzi metoda generowania wyniku fragmentami, co umożliwia stosowanie technik przyspieszających, takich jak KV caching. Z modeli obrazowych i wideo pochodzi natomiast zasada dyfuzji – stopniowego „odszumiania” wyniku. Dzięki temu Atlas może korzystać z metod skracających proces denoisingu lub poprawiających jakość obrazu.

World Labs przyznaje, że żaden pojedynczy benchmark nie oddaje w pełni możliwości Atlasa. Firma wskazuje jednak na dwa zestawy testów. W generowaniu sterowanym kamerą, ocenianym przez zewnętrznych ludzkich ewaluatorów, oraz w rekonstrukcji 3D z niewielu ujęć, Atlas wypada lepiej niż bardziej wyspecjalizowane modele. Ewaluatorzy preferowali Atlas w 75 procentach porównań z MiniMax H3, w 81 procentach z Gemini Omni Flash, w 86 procentach z Happy Horse 1.1, w 93 procentach z modelem o nazwie [nazwa nieczytelna w źródle] oraz w 94 procentach z Seedance 2.5. W rekonstrukcji Atlas osiąga medianę błędu na poziomie 25.3, wyprzedzając Pi3X i VGGT-Ω 1B.

Przedstawiciele firmy wierzą, że wydajność Atlasa będzie rosnąć wraz ze zwiększaniem mocy obliczeniowej wykorzystywanej do treningu. Model zasili przyszłe wersje Marble i innych produktów, a obecnie dostępny jest w programie wczesnego dostępu dla wybranych partnerów.

World Labs powstało w 2024 roku z inicjatywy Fei-Fei Li, twórczyni zbioru ImageNet i byłej szefowej działu AI w Google Cloud. Firma od początku wspierana była przez inwestorów takich jak Andreessen Horowitz, AMD, Intel czy Nvidia. Pierwszy system zaprezentowany pod koniec 2024 roku pozwalał użytkownikom na spacery po wirtualnych scenach, choć ograniczał się do kilku metrów przed napotkaniem niewidzialnych granic. W listopadzie 2025 roku pojawił się Marble, a w lutym 2026 roku firma pozyskała miliard dolarów od Autodesk, Andreessen Horowitz, Nvidii i AMD.

Definicja „modelu świata” wciąż budzi spory w środowisku badawczym. Międzynarodowy zespół pod kierownictwem Uniwersytetu Pekińskiego zaproponował w kwietniu 2026 roku ujednoliconą definicję w ramach frameworka OpenWorldLib. Wyklucza ona czyste modele tekst-wideo, ponieważ brakuje im sprzężenia zwrotnego z rzeczywistością. Rekonstrukcja 3D i symulatory, takie jak Atlas, kwalifikują się w tym ujęciu jako podstawowe elementy składowe, ponieważ zapewniają środowiska, w których można weryfikować fizyczne reguły.