Việc tái tạo một cảnh 3D trước đây đòi hỏi hàng trăm bức ảnh được chụp cẩn thận, thiết bị đắt tiền và một lượng kiên nhẫn đáng kể. World Labs, công ty trí tuệ không gian do chuyên gia AI của Stanford Fei-Fei Li đồng sáng lập, vừa thu gọn quy trình này xuống còn hai hoặc ba ảnh chụp.
Mô hình mới của công ty, có tên Atlas, là một transformer khuếch tán tự hồi quy đa mô hình được huấn luyện trước. Nói một cách đơn giản hơn: đó là một hệ thống AI có thể hiểu đồng thời văn bản, hình ảnh, video và dữ liệu 3D, và sử dụng sự hiểu biết đó để điền vào mọi thứ mà camera không ghi lại. Kết quả là tái tạo cảnh 3D đầy đủ, tổng hợp góc nhìn mới và tạo video điều khiển bằng camera, tất cả đều chỉ từ đầu vào tối thiểu.
Atlas thực sự làm gì
Atlas hoạt động như một “mô hình toàn cầu” mà World Labs gọi là mô hình trí tuệ không gian. Cung cấp từ một đến sáu hình ảnh tham chiếu, nó có thể tạo ra video lên đến một phút với độ phân giải 1440p, đồng thời duy trì kiểm soát camera chính xác theo các đường đi mà bạn xác định.
Khả năng tái tạo 3D là nơi mọi thứ trở nên thực sự ấn tượng. Các quy trình photogrammetry truyền thống thường yêu cầu từ 100 đến hơn 300 hình ảnh được chụp từ các góc được lên kế hoạch cẩn thận để tạo ra một mô hình 3D có thể sử dụng. Atlas giảm yêu cầu này xuống chỉ còn hai hoặc ba hình ảnh đầu vào, tạo ra các biểu diễn 3D rõ ràng như đám mây điểm và Gaussian splats với độ trung thực đáng kinh ngạc, theo mô tả của công ty.
Trên các bộ dữ liệu đánh giá tái tạo 3D với góc nhìn thưa, bao gồm DTU và ETH3D, Atlas đạt lỗi trung bình tuyệt đối-tương đối của bản đồ điểm là 25,3. Đối thủ mã nguồn mở gần nhất của nó đạt 28,7.
Các đồng sáng lập của World Labs mô tả dự đoán góc nhìn mới là “một nguyên tố hoàn chỉnh về AI cho trí tuệ không gian.” Dịch: khả năng tưởng tượng cảnh vật trông như thế nào từ các góc chưa từng được chụp là một khả năng nền tảng, mở ra mọi thứ từ điều hướng robot đến các quy trình hiệu ứng hình ảnh.
Phán quyết của con người
Trong các bài kiểm tra người dùng đánh giá chất lượng điều khiển camera, các giám khảo con người ưa thích Atlas hơn các mô hình cạnh tranh từ 75% đến 94% thời gian.
Atlas cũng hỗ trợ các mô phỏng không-thời gian động, bao gồm các hiệu ứng bullet-time. Hãy tưởng tượng cảnh quay chậm xoay vòng biểu tượng từ The Matrix, nhưng được tạo ra bởi AI thay vì một hệ thống máy quay đồng bộ phức tạp.
Mô hình xử lý tất cả những điều này trong một bối cảnh không gian thống nhất. Thay vì kết hợp các công cụ riêng biệt để tạo video, tái tạo 3D và tổng hợp góc nhìn mới, Atlas tích hợp các chức năng này vào một hệ thống duy nhất.
Từ phòng thí nghiệm đến phát hành giới hạn
World Labs đã xây dựng để đạt đến khoảnh khắc này kể từ khi công ty được thành lập vào năm 2024. Công ty khởi nghiệp đã thu hút sự chú ý đáng kể ngay từ đầu, chủ yếu nhờ danh tiếng của Li với tư cách là một trong những kiến trúc sư của thị giác máy tính hiện đại. Bộ dữ liệu ImageNet và các thách thức liên quan của bà đã đóng vai trò trung tâm trong việc thúc đẩy cuộc cách mạng học sâu cách đây hơn một thập kỷ.
Atlas được công bố vào ngày 1 tháng 9 năm 2026 và hiện đang bước vào giai đoạn truy cập sớm dành cho các đối tác được chọn. World Labs chưa công khai trọng số hoặc mã nguồn của mô hình, giữ công nghệ này sau hàng rào truy cập kiểm soát trong thời điểm hiện tại.