Fei-Fei Lis World Labs stellt Atlas vor: Ein Weltmodell für räumliche Intelligenz
Die Frau, die KI das Sehen beibrachte, lehrt sie nun, Welten zu bewohnen.
Im Jahr 2009 veröffentlichte Fei-Fei Li ImageNet -- einen Datensatz mit 3,2 Millionen beschrifteten Bildern, der zum Auslöser der Deep-Learning-Revolution wurde. Er lehrte KI, eine Katze, ein Auto, einen Stuhl zu erkennen. Es war ein Durchbruch darin, Maschinen das Sehen der 2D-Welt beizubringen.
Siebenzehn Jahre später hat Li etwas vorgestellt, das eine grundlegend andere Ambition repräsentiert.
Ihr Startup World Labs hat Atlas veröffentlicht -- ein multimodales Weltmodell, das aus einem einzigen Foto fotorealistische, vollständig navigierbare 3D-Umgebungen erzeugt. Es ist kein besserer Bilderkerner. Es ist kein schnellerer Videogenerator. Es ist ein Modell, das versucht, die physische Welt in drei Dimensionen zu verstehen -- mit eingebauter Physik, Perspektive und Zeit.
Das ist der Unterschied zwischen dem Erkennen eines Stuhls in einem Foto und dem Verständnis, dass der Stuhl in einem Raum steht, eine Rückseite hat, einen Schatten wirft und von der anderen Seite des Raumes anders aussehen würde.
Von ImageNet zu räumlicher Intelligenz
Li gründete World Labs im Februar 2024 mit einer kühnen These: künstliche allgemeine Intelligenz ist ohne räumliche Intelligenz unmöglich. Eine KI, die jeden Text-Benchmark besteht, aber nicht über 3D-Raum, Objektinteraktionen und physikalische Konsequenzen nachdenken kann, ist ihrer Ansicht nach grundlegend unvollständig.
Das Startup sammelte 1,2 Milliarden US-Dollar von Nvidia, AMD und Autodesk ein, bevor es ein Produkt veröffentlichte. Die These zog Kapital an, weil sie eine echte Lücke in der KI-Landschaft identifizierte. Die aktuelle Generation von KI-Modellen glänzt bei der Verarbeitung von Text und 2D-Bildern. Sie kämpft mit der physischen Welt -- der Art von Denken, die ein Kleinkind entwickelt, indem es einen Bauklotzturm umwirft.
Atlas ist der erste öffentliche Beweis dafür, dass Lis These richtig sein könnte.
Was Atlas tatsächlich kann
Atlas ist ein multimodales autoregressives Diffusion-Transformer-Modell -- eine Beschreibung, die viel technische Ambition in wenige Worte packt. Es verarbeitet Text, Bilder, Video und 3D-Daten nativ und kombiniert sie in einem gemeinsamen räumlichen Kontext. Dies ist kein Videomodell, das nachträglich um Kamerakoordinaten erweitert wurde. Es ist eine von Grund auf neu gebaute Architektur, die auf der Idee basiert, dass jede Eingabe irgendwo im 3D-Raum zu Hause ist.
Die Ergebnisse sind beeindruckend:
- Kameragesteuerte Generierung: Aus ein bis sechs Referenzbildern erzeugt Atlas neue Ansichten aus jedem Kamerawinkel mit pixelgenauer geometrischer Konsistenz. Es kann sich vorstellen, was hinter einem Objekt, um eine Ecke oder über eine Dachlinie liegt -- und es bekommt die Geometrie richtig hin.
- Räumliche Rekonstruktion: Atlas rekonstruiert reale Szenen aus nur zwei oder drei Fotos. Es übertrifft spezialisierte 3D-Rekonstruktionsmodelle in allen Standard-Benchmarks, obwohl es ein Generalist ist.
- Raum-Zeit-Simulation: Aus einer Handvoll gewöhnlicher Handykameras kann Atlas die Zeit einfrieren und Aufnahmen neu einrahmen -- den Bullet-Time-Effekt ohne Hollywood-Budget. Noch wichtiger: Es ermöglicht Real-to-Sim-Workflows für die Robotik.
- Explizite 3D-Ausgaben: Atlas kann Punktwolken und 3D-Gaussian-Splats ausgeben, wodurch seine Generierungen in Spiele-Engines, CAD-Software und Robotik-Simulatoren nutzbar sind.
Der Robotik-Ansatz
Während Atlas atemberaubende visuelle Ergebnisse liefert -- die Demoshow des Unternehmens zeigt Kathedraleninterieurs, Süßigkeitenstädte und mittelalterliche Stadtplätze -- ist sein eigentliches Ziel das Robotik-Training.
Der Standardansatz für das Training von Robotern erfordert entweder teure physische Datenerfassung oder manuell erstellte Simulationen. Atlas bietet eine Abkürzung: Filmen Sie einen Raum mit einem Handy, und Atlas rekonstruiert ihn als 3D-Simulation. Ein Roboter kann dann diesen Raum navigieren, Objekte manipulieren und auf verschiedene Lichtverhältnisse und Objektanordnungen treffen -- alles generiert von demselben Modell, das die Welt gebaut hat.
Dies ist ein grundlegend anderer Ansatz als das vorherrschende Paradigma in der KI-Robotik, das auf massiven kuratierten Datensätzen und handcodierten Simulatoren beruht. Atlas schlägt vor, dass ein einziges Modell die Umgebung erzeugen und die Sensorwerte des Roboters darin simulieren kann.
Benchmark-Ergebnisse
World Labs testete Atlas gegen mehrere der führenden Modelle der Branche. In blinden menschlichen Bewertungen zur Kamerapfad-Treue wurde Atlas bevorzugt gegenüber:
- FLUX 3: 93% Präferenz
- Gemini Omni Flash: 81% Präferenz
- MiniMax H3: 75% Präferenz
- Seedance 2.5: 94% Präferenz
Bei 3D-Rekonstruktions-Benchmarks übertraf Atlas spezialisierte Modelle wie Pi3X, VGGT-Omega 1B und Depth Anything 3 über sechs Standarddatensätze hinweg (DTU, ETH3D, KITTI, NRGBD, 7-Scenes, T&T und ScanNet).
Die Wettbewerbslandschaft
Atlas betritt einen überfüllten und sich schnell entwickelnden Weltmodell-Markt. Odyssey entwickelt interaktive Weltsimulationen. Yann LeCuns AMI Labs konzentriert sich auf physikalische Planungsarchitekturen. Niantic baut georäumliche Kartierungssysteme. Was Atlas auszeichnet, ist sein Anspruch, ein einziges Omni-Modell zu sein, das Generierung, Rekonstruktion und Simulation in einer Architektur vereint.
Der wahre Test wird mit der breiteren Verfügbarkeit kommen. Atlas befindet sich derzeit im frühen Zugang für ausgewählte Unternehmenspartner. Das Unternehmen hat noch kein allgemeines Veröffentlichungsdatum bekannt gegeben.
Was es bedeutet
Der narrative Bogen von Fei-Fei Lis Karriere ist eine der interessanteren Geschichten der modernen KI. Sie erschuf den Datensatz, der KI das Sehen beibrachte. Jetzt baut sie das Modell, das KI lehrt, die Welt zu bewohnen, die sie sieht. Der Übergang vom 2D- zum 3D-Verständnis ist nicht inkrementell -- er repräsentiert eine grundlegend andere Vorstellung davon, was Intelligenz erfordert.
Wenn Atlas sein Versprechen hält, werden die Auswirkungen weit über eine bessere Videogenerierung hinausgehen. Es könnte verändern, wie Roboter trainiert werden, wie Simulationen gebaut werden und wie KI-Systeme lernen, mit der physischen Welt zu interagieren. Das ist die Art von Ambition, auf die die 1,2 Milliarden Dollar Finanzierung gesetzt haben.