フェイフェイ・リー氏のWorld Labsが発表した空間知能オムニモデル「Atlas」とは？Web制作・AI開発への応用を考察

空間知能オムニモデル「Atlas」とは何か？

スタンフォード大学のフェイフェイ・リー博士が共同創業したWorld Labsが、次世代の世界モデル「Atlas」を発表しました。この「Atlas」は、テキスト、画像、動画、3Dをネイティブに扱う「オムニモデル」としてゼロから事前学習されており、同社の空間生成AI「Marble」などに採用される予定です。

World Labsは「Spatial Intelligence」（空間知能）を掲げ、世界がどう見え、どう振る舞い、どう変化するかを理解する汎用の世界モデルの開発を進めています。

Atlasのアーキテクチャは「マルチモーダル自己回帰拡散トランスフォーマー」であり、入力されたすべてのデータを1つの「空間コンテキスト」に統合する点が特徴です。各画像や深度マップは3D空間上の位置に紐づけられ、モデルはこのコンテキストと3D的な整合性を保ったまま続きを生成し、視野の外にあるものまで想像することができます。

AtlasがWeb制作・AI開発にどう使えるか？

Atlasは、開発者やWeb制作者にとって多岐にわたる応用が期待できるモデルです。主な用途は以下の4つです。

• カメラ制御生成: 1枚から数枚の参照画像をもとに、指定した任意のカメラ位置と角度から、新たな視点の画像や動画を生成できます。テキストによる曖昧な指示ではなく、カメラの幾何情報そのものを入力形式として扱うため、ショットの構図やカメラの動きを細かく指定でき、最大1440pの1分動画を出力可能です。無関係な2枚の画像を空間コンテキスト上に配置し、その間をつなぐ廊下や出入り口などをモデルが想像して補間することもできます。
• 空間再構成: 1枚から数十枚の入力画像から実在の空間を再構成します。専用の撮影機材や大量の視点は不要で、2～3枚の画像からでも忠実な再構成が可能とし、100枚超を空間コンテキストに取り込むこともできます。入力画像に写っていない部分はモデルが補完するため、画像を追加するほど「想像」の割合が減って実際の空間に近づきます。出力は2D映像だけでなく、点群や3Dガウシアンスプラッティングなどの明示的な3Dデータにも対応します。
• 時空間シミュレーション: スマートフォンなど一般的なカメラ3～5台で撮影した映像から時間を止めて自由な角度に構図を切り替える、いわゆる「バレットタイム」風の映像を作成できます。また、ロボティクス向けのReal-to-Sim用途も想定されており、スマホ動画24フレームから大規模な環境を再構成した上で、その空間を移動するロボットの搭載カメラが捉えるRGBおよび深度データを生成します。物体の位置や照明、背景を変えたバリエーションも作れるため、学習・評価データの大量生成に利用可能です。
• テキストや画像からの画像生成: 360度パノラマの生成にも対応しています。

これらの機能は、Webサイトでの没入型体験の提供、バーチャルツアーの作成、製品の3Dモデル生成、あるいはAIモデルの学習データ作成など、Web制作やAI開発の幅広い分野で強力なツールとなるでしょう。

Atlasを試すにはどこから始めるか？

Atlasは現時点で一般公開されておらず、一部の選ばれたパートナーを対象とした早期アクセスの段階にあります。利用を希望する開発者や企業は、World Labsの申し込みフォームから登録し、同社からの連絡を待つ形になります。

World Labsは、生成・再構成・シミュレーションのいずれにおいてもAtlasを世界モデルの標準的な選択肢にしていきたいとしており、今後はMarbleをはじめとする自社製品の次期バージョンにAtlasを組み込んでいく方針です。空間知能の研究開発を加速するため、研究職とエンジニア職の採用も進めています。

この技術が一般に広く利用可能になれば、Web制作やAI開発の現場に大きな変革をもたらす可能性を秘めています。特に、少数の画像から高品質な3D空間や動画を生成できる点は、コンテンツ作成の効率化と表現の幅を大きく広げることでしょう。