World Labs, de Fei-Fei Li, presenta Atlas, un modelo de mundo

World Labs, la startup de inteligencia artificial fundada por la profesora de Stanford y pionera de la IA Fei-Fei Li, presentó el 1 de septiembre un nuevo modelo de mundo llamado Atlas. La compañía lo describe como un modelo omni, diseñado para procesar de forma nativa texto, imágenes, vídeo y datos 3D dentro de un mismo sistema, y afirma que puede reconstruir una escena 3D real a partir de una sola fotografía, generar un minuto de vídeo en alta resolución con control preciso de cámara, y producir los datos de profundidad que los robots necesitan para entrenar en entornos simulados. Fei-Fei Li calificó el lanzamiento como un hito para World Labs, y dijo que Atlas abre la puerta a aplicaciones que van desde los efectos visuales hasta la robótica.

Qué puede hacer Atlas en la práctica

• Generación con cámara controlada: a partir de una a seis imágenes de referencia, Atlas genera vídeo con control de cámara a nivel de píxel, hasta un minuto de metraje en resolución 1440p.
• Reconstrucción espacial: alimentado con una a decenas, a veces más de un centenar, de imágenes de entrada, Atlas reconstruye escenas reales como fotogramas de vistas inéditas y como salidas 3D explícitas, nubes de puntos y Gaussian splats, superando a los modelos especializados de reconstrucción 3D más avanzados.
• Simulación de espacio-tiempo: a partir de vídeo ordinario grabado con unos pocos teléfonos, Atlas puede congelar y recomponer una escena desde ángulos imposibles, y alimenta flujos de trabajo de real a simulado que permiten a los robots entrenar y probar en entornos generados.
• Generación de imágenes: Atlas produce imágenes y panorámicas de 360 grados a partir de texto, siguiendo instrucciones complejas, renderizando texto legible y cubriendo una amplia variedad de estilos visuales.

Por dentro, Atlas es lo que World Labs llama un transformador de difusión autorregresivo multimodal, entrenado desde cero en lugar de adaptado a partir de un modelo de vídeo o de lenguaje existente. Cada entrada, texto, imágenes, posiciones de cámara y mapas de profundidad 3D, queda anclada a una posición dentro de un contexto espacial compartido, y Atlas genera cada nueva salida condicionada por todo lo que ya existe en ese contexto; dos fotos sin relación entre sí, por ejemplo, pueden colocarse en el espacio 3D y unirse en un único mundo continuo y coherente. Eso distingue a Atlas de los generadores de vídeo al estilo Sora, que controlan el movimiento de cámara mediante instrucciones de texto imprecisas: Atlas toma como entrada nativa las trayectorias de cámara y la geometría de la escena, un control fotograma a fotograma que el texto por sí solo no puede ofrecer. En evaluaciones de generación con cámara controlada y de reconstrucción a partir de vistas dispersas, World Labs afirma que Atlas superó tanto a los modelos de vídeo líderes como a los mejores sistemas especializados de reconstrucción 3D, con una ventaja que crece en trayectorias de cámara más complejas, y que el rendimiento sigue mejorando a medida que aumenta el cómputo de entrenamiento.

Una apuesta por los robots, no solo por los efectos visuales

El lanzamiento continúa una trayectoria que World Labs venía marcando desde antes este año. En junio, Fei-Fei Li presentó un marco que divide los modelos de mundo en renderizadores, simuladores y planificadores, argumentando que el simulador es el más importante porque sostiene la geometría, la física y la dinámica de las que dependen tanto el renderizado como la acción. El 21 de julio, World Labs adquirió SceniX, una startup de simulación robótica; una semana después, el 28 de julio, presentó un sistema de real a simulado y de vuelta a real, construido sobre la idea de que el mayor obstáculo de la robótica es la falta de experiencia de entrenamiento barata, controlable y escalable. Atlas es la pieza que conecta esos esfuerzos: puede convertir fotos o vídeos ordinarios en un espacio 3D, y después en las vistas de sensores y los entornos simulados variables que un robot necesita para entrenar. Jim Fan, responsable de investigación en robótica de Nvidia y antiguo alumno de Fei-Fei Li, describió el lanzamiento como un paso importante para el trabajo de real a simulado en robótica.

Los modelos de mundo generan, reconstruyen y simulan cualquier mundo posible, de modo que podemos representar mundos imaginados para creadores, simular el mundo real con alta fidelidad y ayudar a los robots a planificar sus acciones.

World Labs indica que está desplegando Atlas de forma gradual, comenzando con acceso anticipado para socios seleccionados; el resto de usuarios puede solicitar acceso en el sitio web de la compañía. La empresa presenta Atlas como la base de futuras versiones de Marble, su anterior producto de mundos interactivos, y del resto de su catálogo. Para laboratorios de IA, estudios de videojuegos y efectos visuales, y empresas de robótica en cualquier país de habla hispana, el cambio práctico es un camino más barato hacia datos 3D utilizables: en lugar de equipos de captura costosos o meses de trabajo especializado de reconstrucción 3D, unas pocas fotos ordinarias o un vídeo grabado con el móvil se convierten en el punto de partida de un entorno simulado, un nivel de videojuego o un campo de entrenamiento para robots, siempre que estos primeros resultados se sostengan cuando más actores del sector puedan poner a prueba Atlas.