World Labs、“世界”を作り出せる空間知能モデル「Atlas」を発表

World Labs、空間知能のための世界モデル「Atlas」を発表

　米World Labsは9月1日（現地時間）、空間知能（spatial intelligence）のための新しい世界モデル（world model） 「Atlas」 を発表した。現在、一部のパートナーを対象とした早期アクセスの段階にある。アクセスを希望する場合は、同社ブログよりリクエストが可能。今後は「Marble」をはじめとする同社製品の次期バージョンに組み込まれるという。

　「Atlas」はテキスト・画像・動画・3Dデータといったあらゆる（Omni）入力を扱えるよう、ゼロから事前学習されたオムニモデル。入力はすべて「空間コンテキスト」と呼ばれる共有の文脈にまとめられ、モデルはそれをもとに次にくるものを生成する。すでに見たものとの3D的な整合性を保ちながら、その先にあるはずの光景を想像するわけだ。

テキストや画像、カメラの位置をまとめた「空間コンテキスト」から、画像・動画・深度を生成する

　同社によると、「Atlas」は以下のような幅広いタスクをこなせるという。

• カメラ制御による生成：1枚以上の画像から、指定したとおりのカメラワークで画像や動画を生成。1440pの動画を最長1分まで出力できる
• 空間の復元：1枚から数十枚の画像をもとに、実世界のシーンを復元。新しい視点からの映像に加え、明示的な3Dデータも出力する
• 時空間シミュレーション：入力された動画から空間と時間をモデル化し、映像を別アングルで撮り直したり、ロボット向けの「Real-to-Sim」ワークフローを実現したりできる
• 画像生成：テキストから画像や360度パノラマを生成。複雑な指示に従い、文字を描画し、多様な画風にも対応する

入力された画像をもとに“世界”を生成。自由なカメラワークで出力

複数の写真から3D点群として空間を復元し、任意のカメラ軌道をたどれる

　同じく「オムニ」を掲げるモデルとしては「Gemini Omni」が知られているが、これはどちらかというと動画の生成と編集を志向している。一方、「Atlas」は世界の理解・再構築・シミュレーションを目指した世界モデルで、出力も動画だけでなく画像、3D点群、3Dガウシアンスプラッティング（3DGS：複数の写真や映像から高精細な3D空間を構築し、リアルタイムに描画できる最新の3Dモデリング技術）などさまざま。ロボティクス、ゲーム、VFX（視覚効果、合成映像）、デジタルツイン（現実世界の物理空間にあるモノをデジタル空間で再現する取り組み）、空間AIへの応用が想定されている。