Atlas de World Labs es un único modelo que genera, reconstruye y simula mundos 3D
World Labs, la empresa de Fei-Fei Li, publicó Atlas el 1 de septiembre y lo presentó como «un modelo de mundo para la inteligencia espacial». Dejando de lado el eslogan, la afirmación técnica es concreta: Atlas es un único transformer de difusión autorregresivo y multimodal, preentrenado desde cero, que admite de forma nativa texto, imágenes, vídeo, poses de cámara y profundidad como entrada, y produce imágenes, vídeo, nubes de puntos y splats gaussianos 3D como salida. No es un modelo de vídeo al que se le haya añadido un módulo 3D, ni un modelo de reconstrucción con un generador delante. Es una sola red.
World Labs afirma que Atlas «servirá de base para futuras versiones de Marble», su producto de generación de escenas lanzado el pasado noviembre, y que mejora a medida que aumenta el cómputo de entrenamiento, como ocurre con los modelos de lenguaje. El acceso se concede previa solicitud a socios seleccionados. No hay precios ni API pública.
Tres tareas, un modelo
La primera tarea es la generación controlada mediante cámara. Dale a Atlas una imagen y una trayectoria de cámara, y renderizará un vídeo siguiendo esa trayectoria durante un máximo de un minuto a 1440p. Como la cámara es una entrada geométrica explícita y no una indicación textual, el modelo no puede desviarse. World Labs realizó pruebas de preferencia humana comparando la generación controlada mediante cámara de Atlas con cinco modelos de vídeo actuales e informa de que los evaluadores eligieron Atlas el 75 % de las veces frente a MiniMax H3, el 81 % frente a Gemini Omni Flash, el 86 % frente a Happy Horse 1.1, el 93 % frente a FLUX 3 y el 94 % frente a Seedance 2.5.
La segunda tarea es la reconstrucción, y esta es la parte por la que yo pagaría hoy. Proporciona a Atlas desde una hasta más de cien fotos de un lugar real y producirá una nube de puntos o una escena de splats gaussianos, además de recuperar las posiciones de las cámaras. World Labs afirma que supera a modelos creados específicamente para la reconstrucción 3D, incluidos Pi3X y VGGT, en el error relativo absoluto medio de pruebas de referencia estándar como DTU, ETH3D, KITTI y ScanNet, y que con dos o tres imágenes «ofrece resultados fieles y supera a los modelos 3D especializados». Como la reconstrucción y la generación se ejecutan en la misma red, también puede extrapolar: dale una foto a pie de calle y producirá una vista aérea de la manzana que no aparece en ninguna entrada.
La tercera tarea es la simulación. Atlas puede reencuadrar un vídeo capturado desde entre tres y cinco nuevos ángulos de cámara, modelar la interacción con objetos rígidos, articulados y deformables, y renderizar RGB y profundidad desde el punto de vista de un robot. World Labs ejecutó cinco plataformas robóticas en entornos generados por Atlas durante una hora cada una, sin intervención humana. «El mundo y la visión que tiene el robot de él proceden del mismo modelo», afirma la publicación, y esa es la frase que explica por qué la empresa recaudó tanto dinero.
Atlas como herramienta de lo real a la simulación: el entorno y la vista de los sensores del robot proceden de un único modelo. Imagen: World Labs.
El descuento habitual
Son cifras del proveedor obtenidas en pruebas elegidas por el propio proveedor, y World Labs lo reconoce al señalar que «ninguna prueba de referencia por sí sola abarca todo lo que Atlas puede hacer». Las pruebas de preferencia lo comparan con modelos de vídeo en una tarea —el control de cámara— para la que Atlas fue diseñado y ellos no. Las comparaciones de reconstrucción son más significativas porque se realizan sobre conjuntos de datos públicos con métricas publicadas, pero nadie ajeno a la lista de acceso anticipado las ha ejecutado aún de forma independiente.
El contexto también importa al interpretar el anuncio. World Labs recaudó una ronda de serie B de 1.000 millones de dólares en febrero, con Autodesk, Andreessen Horowitz, Nvidia y AMD, y una valoración declarada de 5.000 millones de dólares. La vertiente robótica se remonta a SceniX, empresa que adquirió en julio. Atlas es el producto de ese dinero y de esa adquisición, y se está presentando tanto a socios y futuros inversores como a usuarios.
Qué significa si creas juegos
Llevamos todo el año siguiendo los modelos de mundo porque representan el desafío más creíble a la forma en que se crean los juegos. MIRA ejecutó en julio una partida jugable de Rocket League sin motor, y la línea Genie de Google sigue ampliando sus horizontes temporales. Atlas aborda el problema desde una dirección diferente. No intenta ser el bucle de juego. Intenta ser aquello que produce el mundo en el que se ejecuta el bucle de juego.
Eso nos resulta más útil a nosotros, y probablemente también a ti, a corto plazo. Los splats y las nubes de puntos no incluyen colisiones, navegación ni mecánicas de juego, por lo que «generar un mundo 3D» sigue significando «generar un escenario de fondo» hasta que alguien resuelva la conversión a mallas y colisionadores. Sin embargo, reconstruir una escena que se pueda recorrer con una cámara a partir de dos o tres fotos tomadas con un teléfono es el atajo para crear entornos que todos los equipos pequeños quieren. Si Atlas lo hace tan bien como indican las pruebas de referencia, la cuestión de ingeniería interesante pasa a ser cómo extraer geometría de juego de un splat, y preferimos enfrentarnos a ese problema antes que al que tenemos ahora.
La situación real: es un artículo sólido acompañado de un formulario de solicitud. Volveremos a escribir sobre Atlas cuando alguien ajeno a World Labs lo haya probado.