Merekonstruksi adegan 3D dulu memerlukan ratusan foto yang diambil dengan hati-hati, peralatan mahal, dan kesabaran yang besar. World Labs, perusahaan kecerdasan spasial yang didirikan oleh tokoh AI Stanford Fei-Fei Li, baru saja memadatkan alur kerja itu menjadi dua atau tiga snapshot.
Model baru perusahaan, bernama Atlas, adalah transformer difusi autoregresif multimodal yang telah dilatih sebelumnya. Dengan kata sederhana: ini adalah sistem AI yang memahami teks, gambar, video, dan data 3D secara bersamaan, dan dapat menggunakan pemahaman tersebut untuk mengisi semua hal yang tidak ditangkap oleh kamera. Hasilnya adalah rekonstruksi adegan 3D penuh, sintesis tampilan baru, dan generasi video yang dikendalikan kamera, semuanya dari input minimal.
Apa yang sebenarnya dilakukan Atlas
Atlas beroperasi sebagai apa yang disebut World Labs sebagai "model omni world" untuk kecerdasan spasial. Berikan satu hingga enam gambar referensi, dan ia dapat menghasilkan hingga satu menit video dengan resolusi 1440p sambil mempertahankan kontrol kamera yang tepat sepanjang jalur yang Anda tentukan.
Kemampuan rekonstruksi 3D adalah di mana hal-hal menjadi benar-benar mengesankan. Pipeline fotogrametri tradisional biasanya memerlukan antara 100 hingga 300+ gambar yang diambil dari sudut-sudut yang direncanakan dengan hati-hati untuk membangun model 3D yang dapat digunakan. Atlas mengurangi kebutuhan tersebut menjadi hanya dua atau tiga gambar masukan, menghasilkan representasi 3D eksplisit seperti point cloud dan Gaussian splats dengan tingkat keakuratan yang menurut perusahaan luar biasa.
Pada benchmark rekonstruksi 3D tampilan jarang, termasuk DTU dan ETH3D, Atlas mencatat kesalahan rata-rata absolut-relatif pointmap sebesar 25,3. Pesaing open-source terdekatnya mendapat skor 28,7.
Co-founder World Labs menyebut prediksi tampilan baru sebagai "primitif AI-lengkap untuk kecerdasan spasial." Terjemahan: kemampuan membayangkan seperti apa pemandangan dari sudut yang belum pernah difoto adalah kemampuan dasar yang membuka segalanya, mulai dari navigasi robotika hingga alur kerja efek visual.
Putusan manusia
Dalam pengujian konsumen yang mengevaluasi kualitas kontrol kamera, para penilai manusia lebih memilih Atlas daripada model pesaing antara 75% hingga 94% dari waktu.
Atlas juga mendukung simulasi ruang-waktu dinamis, termasuk efek bullet-time. Bayangkan gerakan kamera putar slow-motion ikonik dari The Matrix, tetapi dihasilkan oleh AI daripada rangkaian kamera yang disinkronkan secara rumit.
Model ini menangani semua ini dalam konteks spasial yang terpadu. Alih-alih menggabungkan berbagai alat terpisah untuk generasi video, rekonstruksi 3D, dan sintesis tampilan baru, Atlas menggabungkan fungsi-fungsi ini menjadi satu sistem tunggal.
Dari laboratorium ke rilis terbatas
World Labs telah membangun menuju momen ini sejak pendirian perusahaan pada 2024. Startup ini menarik perhatian signifikan sejak awal, sebagian besar karena reputasi Li sebagai salah satu arsitek visi komputer modern. Dataset ImageNet dan tantangan terkait memainkan peran sentral dalam memicu revolusi deep learning lebih dari satu dekade lalu.
Atlas diumumkan pada 1 September 2026, dan saat ini memasuki fase akses awal untuk mitra terpilih. World Labs belum merilis bobot atau kode model secara publik, sehingga teknologinya tetap berada di balik pengendalian akses untuk saat ini.