IMAGE: AI生成ビジュアル
MODELS / World Labs
李飛飛氏のWorld Labs、マルチモーダル世界モデル「Atlas」を発表 — テキスト・画像・動画・3Dを統合
自回帰拡散Transformerで1枚の画像から1440p・最大1分のカメラ制御動画を生成。3D再構築やReal-to-Simにも対応し、次期Marbleを牽引する基盤モデルとして早期アクセスを開始。
World Labs（共同創業者 Fei-Fei Li氏）は9月1日（米国時間）、空間知能（Spatial Intelligence）に向けた次世代世界モデル「Atlas」を発表した。テキスト、画像、動画、3Dをネイティブに扱うomniモデルとしてゼロから事前学習され、生成・再構築・シミュレーションを単一モデルで担う。同社はAtlasを将来的なMarbleや他プロダクトの中核に据える方針で、早期アクセスの受付を開始した。
世界モデルは、世界の見え方・振る舞い・変化を理解し、想像上の世界を描画し、現実世界を高忠実にシミュレートし、ロボットの動作計画を支援する基盤と位置づけられる。Atlasはその汎用的な実装として、学習計算量の増加に伴う性能向上（スケーリング）も確認されているという。いずれもベンダー公称であり、独立評価は今後の検証が待たれる。
出典: Atlas: A World Model for Spatial Intelligence | World Labs
出典: Atlas: A World Model for Spatial Intelligence | World Labs ヒーローバナー
Atlasができること
- カメラ制御生成（Camera-Controlled Generation）: 1〜6枚の参照画像から、指定した位置・角度にピクセル精密で追従する画像・動画を生成。最大1分・1440pの動画出力に対応し、入力に映っていない領域も滑らかに外挿して想像する。シーン種別や画風、カメラモーションの幅広い多様性を扱えるとしている。
- 空間再構築（Spatial Reconstruction）: 1枚から数十枚の入力画像から現実シーンを再構築。新規視点のフレーム生成と明示的な3D出力の両方を生成し、3D再構築に特化した最先端モデルを上回る性能を報告している。
- 時空間シミュレーション（Space-Time Simulation）: 入力動画の空間と時間をモデル化し、VFX的なリフレーミングや、ロボティクス向けの「Real-to-Sim」ワークフロー（現実→シミュレーション→現実）を可能にする。
- 画像生成（Image Generation）: テキストから画像や360度パノラマを生成。複雑なプロンプト追従、テキスト描画、多様な画風に対応する。
同社の説明では、Atlasは大規模言語モデル（LLM）と同様に入力を共通のコンテキストに符号化するが、各画像を3D空間上の位置にグラウンディングし、それらの間で滑らかに補間する世界を生成する点が特徴だ。正確なカメラジオメトリをネイティブな入力型として扱い、1枚の画像から任意角度のビューを生成できる。
仕組みと位置づけ
- アーキテクチャ: マルチモーダルな自回帰拡散Transformer。すべての入力を共有の空間コンテキストに統合し、次に来るものを3D一貫性を保ちつつ生成する設計。
- スケーラビリティ: 学習計算量を増やすと性能が向上するスケーリング特性を確認しており、今後の拡張でも傾向が続くと同社は見込むとしている。
- プロダクト連携: Atlasは今後のMarble（World Labsの生成プロダクト）の新バージョンや他製品を駆動する基盤となる。現在はTypeform経由で早期アクセスを募集している。
- 公開情報の留保: モデルサイズ、学習データ、ライセンス、API価格、一般提供時期などの詳細は今回のブログでは明示されていない。性能数値の詳細なベンチマーク条件や比較対象も一次情報のブログ・図表を参照する必要がある。
評価と留意点
- World Labsは、Atlasがカメラ制御生成や3D再構築で専門モデルを上回ると主張しているが、今回の発表は同社ブログとデモ動画・図表に基づくもので、第三者による再現・独立評価は今後の課題である。
- デモでは単一画像からの多視点生成や、数枚の画像からの3D出力、動画のリフレーミングなどが示されているが、実運用での一貫性、物理的妥当性、長時間生成の安定性は追加検証が必要だ。
- ロボティクス向けReal-to-Simは、実世界の動画をシミュレーション環境へ変換し、学習・検証を効率化する用途が想定される。具現化されたワークフローの詳細や対応センサー・データ形式は今後の技術資料での公開が待たれる。
