تصور کنید تنها با چند عکس از سطح خیابان، بتوانید یک شهر کامل و قابل پیمایش سه‌بعدی بسازید که هر گوشهٔ آن با دقت هندسی واقعی بازسازی شده است. این دیگر یک رویای گرافیکی نیست، بلکه خروجی مدل جدیدی است که مرز بین تصویر و واقعیت مکانی را جابه‌جا می‌کند.
World Labs در ۲ سپتامبر ۲۰۲۶ مدل Atlas را منتشر کرد؛ ابزاری که محیط‌های سه‌بعدی را با دقتی بسیار بالاتر از مدل‌های تخصصی پیشین بازسازی و شبیه‌سازی می‌کند. در حالی که ابزارهای تخصصی سه‌بعدی مدت‌ها استاندارد مدل‌سازی مکانی بوده‌اند، Atlas اکنون می‌تواند تنها با چند عکس سطح خیابان، یک شهر کاملاً قابل پیمایش را خلق کند.
همان‌طور که در پوشش پیشین ما از تلاش‌های World Labs برای بازسازی سه‌بعدی دیدیم، Atlas نشان‌دهندهٔ چرخش از تولید سادهٔ تصویر به سمت «هوش مکانی» است. این رویکرد در واقع تکامل همان رویکرد جدید World Labs در شبیه‌سازی و درک بومی فضای فیزیکی است که پیش‌تر بررسی کرده بودیم. اکثر مدل‌های فعلی، ویدیو را شبیه به یک دفترچه ورق‌زن (flipbook) می‌بینند؛ یعنی توالی‌ای از فریم‌های تخت. اما Atlas هر تکه داده را به یک مختصات مشخص در فضای سه‌بعدی متصل می‌کند. این رویکرد دقیقاً همان مشکلی را حل می‌کند که فی‌فی لی (Fei-Fei Li) در مقاله‌ای در نوامبر ۲۰۲۵ مطرح کرد: نیاز به معماری‌هایی که توکن‌سازی، زمینه (context) و حافظه را به‌صورت سه‌بعدی یا چهاربعدی سازماندهی کنند. لی استدلال کرد که مدل‌های فعلی زبان چندوجهی و مدل‌های انتشار ویدیو، داده‌ها را به توالی‌های یک یا دو بعدی تبدیل می‌کنند و همین امر باعث می‌شود کارهای مکانی ساده، به‌طور غیرضروری دشوار باشند.
سازوکار زمینهٔ مکانی
مدل Atlas یک مدل همه‌منظوره (omni-model) است که از ابتدا روی متن، تصویر، ویدیو و داده‌های سه‌بعدی آموزش دیده است. این شرکت درک مشترک مکانی را «زمینهٔ مکانی» (spatial context) می‌نامد؛ چیزی شبیه به یک نقشهٔ ذهنی دقیق که مدل برای تولید هر فریم یا زاویهٔ دید جدید از آن استفاده می‌کند. همین لنگر انداختن داده‌ها در فضا است که Atlas را از مدل‌های زبانی یا ویدیویی محض جدا می‌کند.
این مدل سرعت مدل‌های زبانی را — با استفاده از تکنیک‌هایی مثل KV Cache (حافظه موقت کلید-مقدار) که خروجی را تکه‌تکه تولید می‌کند — با کیفیت بصری مدل‌های انتشار (Diffusion Models) ترکیب کرده است. با استفاده از اصل انتشار، مدل به‌تدریج خروجی را از دل نویز فیلتر می‌کند. این ساختار به Atlas اجازه می‌دهد از متدهایی استفاده کند که کیفیت تصویر را افزایش داده یا فرآیند حذف نویز (denoising) را کوتاه‌تر می‌کنند.
به جای تکیه بر پرامپت‌های متنی برای توصیف حرکت دوربین، Atlas ورودی‌های هندسی مستقیم را می‌پذیرد. کاربر یک مسیر مشخص برای دوربین تعریف می‌کند و مدل نماهای متناظر را می‌سازد. این کار تصادفی بودن مدل‌های ویدیویی را حذف می‌کند؛ چیزی که World Labs آن را به «کشیدن اهرم ماشین قمار» تشبیه کرده است. این مدل می‌تواند تا یک دقیقه ویدیو با کیفیت 1440p تولید کند و کنترل کامل هر نما را به کاربر بسپارد.
بازسازی با دقت بالا
Atlas می‌تواند صحنه‌های واقعی را تنها با یک یا چند ده تصویر، بدون نیاز به تجهیزات حرفه‌ای ثبت، بازسازی کند. بر اساس مستندات شرکت، دقت مدل با افزایش داده‌ها بیشتر می‌شود:
- نمای اندک (Few-view): تنها با دو یا سه تصویر، نتایجی ارائه می‌دهد که مدل‌های تخصصی سه‌بعدی را شکست می‌دهد.
- نمای چندگانه (Multi-view): می‌تواند بیش از ۱۰۰ ورودی را برای خلق محیط‌های پیچیده پردازش کند.
- زوایای دشوار: در یک دمو، Atlas نمای هوایی یک شهر را تنها از یک عکس سطح خیابان ساخت. در نمونه‌ای دیگر، محوطهٔ اصلی دانشگاه استنفورد را با استفاده از ۲ تا ۲۵ عکس زمینی بازسازی کرد تا نماهای هوایی دقیقی را از ارتفاعات بالای پردیس تولید نماید.
این پایداری، نقطهٔ تمایز اصلی است. در مقایسه‌های انجام شده در چارچوب OpenWorldLib، سیستم‌های دیگر مثل VGGT و InfiniteVGGT به محض حرکت زیاد دوربین، دچار تاری بافت‌ها و ناهماهنگی‌های هندسی می‌شدند.
خروجی سه‌بعدی بومی و شبیه‌سازی
برخلاف مدل‌هایی که فقط پیکسل تولید می‌کنند، Atlas داده‌های سه‌بعدی واقعی می‌سازد. این مدل اطلاعات عمق را در کنار RGB پردازش کرده و از فرمت‌هایی مثل ابر نقاط (point clouds) و گوسی‌های سه‌بعدی (3D Gaussian Splats) پشتیبانی می‌کند. گوسی‌ها صحنه را از طریق نقاط داده مکانی کوچک متعددی می‌سازند که می‌توان آن‌ها را به‌طور روان از هر زاویه‌ای مشاهده کرد؛ این همان نمایش بصری است که در محصول Marble استفاده شده است.
Atlas به‌عنوان یک شبیه‌ساز، زمان و مکان را به‌صورت یکپارچه مدل می‌کند. این مدل می‌تواند اثر «زمان گلوله‌ای» (bullet time) ایجاد کند؛ یعنی صحنه را منجمد کرده و از زوایای غیرممکن به آن نگاه کند، در حالی که ویدیوهای اولیه تنها با چند گوشی هوشمند و دوربین‌های اکشن ضبط شده‌اند.
این قابلیت، Atlas را به شبیه‌سازی قدرتمندی برای رباتیک تبدیل می‌کند. مدل با بازسازی یک اتاق از روی عکس‌ها، محیطی «واقعیت-به-شبیه‌ساز» (real-to-sim) می‌سازد:
- شبیه‌سازی حسگر: داده‌های تصویر و عمقی را تولید می‌کند که حسگرهای یک ربات شبیه‌سازی شده در طول یک مسیر می‌بینند.
- تغییر وظایف: کاربران می‌توانند با جابه‌جایی اشیا، تغییر موقعیت‌ها، نورپردازی یا پس‌زمینه، وظایف مربوط به برداشتن اشیا (grasping) و حرکت را شبیه‌سازی کنند.
- مقیاس آموزش: این روش اجازه می‌دهد بدون نیاز به ثبت هر موقعیت در دنیای واقعی، داده‌های آموزشی متنوعی تولید شود.
World Labs این توانایی را در اوت ۲۰۲۶ با یک موتور مستقل real-to-sim-to-real نمایش داد. این موتور هزاران نسخه از یک وظیفهٔ واقعی می‌سازد تا مدل‌های کنترلی در محیط شبیه‌سازی آموزش ببینند. طبق گزارش شرکت، این مدل‌ها روی پنج پلتفرم رباتیک، هر کدام یک ساعت بدون دخالت انسان کار کردند. این فناوری از شرکت SceniX گرفته شده که یک استارتاپ بود و در ژوئیه توسط World Labs خریداری شد.
محک‌ها و عملکرد
به نقل از World Labs، این مدل در دقت بازسازی پیشتاز است. در چارچوب OpenWorldLib، مدل Atlas به میانگین خطای ۲۵.۳ رسید که به‌طور قابل‌توجهی کمتر از رقبایی مثل Pi3X و VGGT-Ω 1B است.
ارزیاب‌های انسانی نیز تولیدات کنترل‌شده با دوربین در Atlas را به مدل‌های دیگر ترجیح دادند. در مقایسه‌های رودررو، Atlas در برابر این مدل‌ها برتری داشت:
- Seedance 2.5: ۹۴٪ ترجیح
- Happy Horse 1.1: ۸۶٪ ترجیح
- Gemini Omni Flash: ۸۱٪ ترجیح
- MiniMax H3: ۷۵٪ ترجیح
اگرچه تولید متن-به-تصویر اولویت اصلی نیست، اما Atlas همچنان می‌تواند پرامپت‌های پیچیده را اجرا کند، متن رندر کند، سبک‌های بصری مختلف را تولید نماید و پانوراماهای ۳۶۰ درجه بسازد.
بیزنس مدل‌های جهانی
شرکت World Labs که در سال ۲۰۲۴ توسط فی‌فی لی — خالق ImageNet و مدیر سابق بخش هوش مصنوعی گوگل کلاود (۲۰۱۷-۲۰۱۸) — تأسیس شد، به‌سرعت به یک بازیگر کلیدی تبدیل شده است. این شرکت با حمایت غول‌هایی مثل Nvidia، AMD و Andreessen Horowitz آغاز به کار کرد.
پیشرفت آن‌ها گام‌به‌گام بود. اولین سیستم در اواخر ۲۰۲۴ اجازهٔ حرکت محدودی می‌داد پیش از آنکه به مرزهای نامرئی برخورد کند. سپس Marble در نوامبر ۲۰۲۵ معرفی شد. در فوریه ۲۰۲۶، طبق گزارش بلومبرگ از ارزش‌گذاری ۵ میلیارد دلاری، این شرکت یک دور سرمایه‌گذاری یک میلیارد دلاری از اتودسک، انویدیا و AMD جذب کرد.
این سرمایه صرف توسعهٔ Marble می‌شود که حالا توسط Atlas قدرت می‌گیرد. تعریف «مدل جهانی» (world model) هنوز مورد بحث است، اما پیشنهادی در آوریل ۲۰۲۶ توسط تیمی از دانشگاه پکن از طریق OpenWorldLib، مدل‌های صرفاً متن-به-ویدیو را به‌دلیل نبود حلقهٔ بازخورد واقعی حذف کرد. Atlas به‌دلیل ابزارهای بازسازی و شبیه‌سازی که محیط‌هایی برای تأیید قوانین فیزیکی فراهم می‌کنند، در این دسته جای می‌گیرد.
تحلیل: فراتر از پیکسل
برای صنعت هوش مصنوعی، Atlas سیگنالی است مبنی بر حرکت از ویدیوهای «توهمی» به سمت محیط‌های مکانی قابل تأیید. World Labs با ادغام قوانین فیزیکی و محدودیت‌های هندسی، در حال ساخت پلی بین هوش مصنوعی مولد و رباتیک است.
برای کاربران تجاری، این به معنای کاهش شدید هزینه‌های ایجاد دوقلوهای دیجیتال (digital twins) با دقت بالا یا تولید داده‌های آموزشی مصنوعی برای سخت‌افزارهاست. ما در حال مشاهدهٔ گذار از هوش مصنوعی‌ای هستیم که می‌تواند یک اتاق را «رسم» کند، به هوش مصنوعی‌ای که «حجم و فاصله» آن اتاق را درک می‌کند.
باید گسترش برنامه دسترسی زودهنگام (early-access) برای شرکا را زیر نظر داشت، زیرا همین موضوع تعیین می‌کند که آیا Atlas می‌تواند از دموهای کنترل‌شده به کاربردهای صنعتی و پیچیده در دنیای واقعی مقیاس‌پذیر شود یا خیر.
گام بعدی شما
- اگر در حوزه رباتیک یا توسعه بازی هستید، روی قابلیت‌های real-to-sim مدل Atlas برای کاهش هزینه‌های جمع‌آوری داده تمرکز کنید.
- تغییر در نحوه تعریف «مدل جهانی» را دنبال کنید؛ Atlas نشان داد که درک هندسی مهم‌تر از تولید پیکسل است.
- منتظر گسترش برنامه دسترسی زودهنگام (early-access) برای تست ابزارهای بازسازی محیط‌های صنعتی باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو