Während viele KI-Labore derzeit versuchen, Videomodelle mit immer mehr Trainingsdaten zu füttern, geht das US-Startup World Labs den nächsten grundlegenden Schritt. Das von KI-Pionierin Fei-Fei Li mitgegründete Unternehmen hat mit Atlas ein neuartiges Basis-Weltmodell für räumliche Intelligenz („Spatial Intelligence“) vorgestellt. Anders als reine Text-zu-Video-Generatoren erzeugt Atlas keine bloßen zweidimensionalen Pixelströme, sondern modelliert physikalisch konsistente, dreidimensionale Räume, die sich mit beliebigen Kamerapfaden durchqueren und als interaktive 3D-Szenen exportieren lassen.
Nachdem World Labs im Frühjahr mit Marble und den späteren Export-Pipelines für 3D-Welten erste Werkzeuge für Kreative zeigte, fungiert Atlas nun als technologisches Fundament für künftige Produktgenerationen. Das Modell wurde von Grund auf darauf trainiert, Text, Bilder, Videos sowie dreidimensionale Tiefendaten in einem einheitlichen System zu verarbeiten.
Atlas verbindet Diffusionsmodelle mit einem räumlichen Gedächtnis
Technisch beschreiben die Entwickler Atlas im offiziellen Ankündigungsbericht als multimodalen autoregressiven Diffusions-Transformer. Das Prinzip erinnert an große Sprachmodelle (LLMs), die das nächste Wort auf Basis des vorangegangenen Kontexts vorhersagen. Bei Atlas werden sämtliche Eingaben - egal ob ein einzelnes Foto, mehrere Kameraaufnahmen oder Textbefehle - an konkreten Positionen im dreidimensionalen Raum verankert.
Dieser sogenannte räumliche Kontext („spatial context“) erlaubt es dem System, logische Zusammenhänge zwischen Perspektiven zu wahren. Wandert die virtuelle Kamera an einem Objekt vorbei, weiß das Modell auch nach einer 360-Grad-Drehung noch, wie die Vorderseite beschaffen war. Liegen für bestimmte Raumbereiche keine Bilddaten vor, schließt Atlas die Lücken durch gelerntes Weltwissen: Aus dem Bild eines Gartens neben einem Haus generiert das Modell plausible Anschlüsse wie Rasenflächen, Türen oder Nachbargebäude.
| Kriterium | Klassische Video-Generatoren | Atlas (Räumliches Weltmodell) |
|---|---|---|
| Raumverständnis | 2D-Pixelsequenzen ohne echte 3D-Geometrie | Natives 3D-Koordinatensystem und Tiefenkarten |
| Kamerasteuerung | Vage Textbegriffe („Kameraschwenk nach links“) | Präzise numerische Kameratrajektorien und Blickwinkel |
| Ausgabeformate | Reine Videodateien (MP4) | Video (bis 1440p), Punktwolken und 3D-Gaussian-Splats |
| Interaktivität | Statische Wiedergabe | Frei begehbare, auf Endgeräten berechenbare 3D-Szenen |
| Einsatz in Robotik | Kaum nutzbar wegen physikalischer Instabilität | Synthetische Sensordaten (Farbbild und Tiefe) für Simulationen |
Pixelgenaue Kamerakontrolle statt Zufallsergebnisse
Ein zentrales Manko bestehender Video-KIs ist die unzureichende Kontrolle über Kameraführung und Bildkomposition. Wer etwa in herkömmlichen Werkzeugen eine Kamerafahrt um ein Auto anfordert, erhält oft morphingartige Artefakte oder unpräzise Bewegungen. Atlas setzt hier auf numerische Kamerageometrien als direkte Eingabegröße.
Regisseure und Designer können exakte Kameraachsen und Fahrtpfade im 3D-Raum vorgeben. Laut World Labs erzeugt das System daraus flüssige Videos mit einer Länge von bis zu einer Minute bei 1440p-Auflösung. Auch zwei völlig unabhängige Referenzbilder lassen sich im virtuellen Raum platzieren: Atlas berechnet daraufhin eine zusammenhängende Umgebung, die sanft zwischen beiden Motiven vermittelt und verbindende Korridore oder Übergänge eigenständig ergänzt.
Technischer Kern
Natives Raumgedächtnis: Jede Bildeingabe wird in einem räumlichen 3D-Koordinatenraum verortet, wodurch Kamerawechsel ohne Geometriebrüche möglich werden.
3D-Gaussian-Splats als Standard: Das Modell liefert nicht nur 2D-Pixel, sondern orientierte Ellipsoide, die sich in Echtzeit-Engines wie Unreal oder Unity weiterverarbeiten lassen.
Skalierbare Architektur: Nach Unternehmensangaben steigen die Modellfähigkeiten mit zunehmendem Trainingsaufwand kontinuierlich an.
3D-Gaussian-Splatting und Smartphone-Aufnahmen für VFX
Für viele professionelle Anwendungsfälle in Game-Design, Visual Effects (VFX) und Architektur reicht ein flaches Video nicht aus. Atlas gibt daher auf Wunsch explizite 3D-Geometrien aus - wahlweise als dichte Punktwolken oder als sogenannte 3D-Gaussian-Splats. Diese mikroskopisch kleinen, ausgerichteten Ellipsoide ermöglichen fotorealistische Darstellungen, die sich direkt im Webbrowser oder auf mobilen Endgeräten mit hoher Bildwiederholrate rendern lassen.
Besonders eindrucksvoll demonstriert World Labs diese Fähigkeit beim Neuarrangieren von Realaufnahmen: Mit Aufnahmen von nur drei gewöhnlichen Mobiltelefonen, die auf einfachen Stativen montiert waren, erzeugte das System sogenannte „Bullet-Time“-Effekte, wie man sie aus Kinoproduktionen kennt. Atlas rekonstruiert den Raum und friert das Geschehen zeitlich ein, sodass die Szene aus Winkeln betrachtet werden kann, an denen gar keine physische Kamera stand.
Simulation für autonome Roboter im Real-to-Sim-Verfahren
Über die Medienproduktion hinaus zielt World Labs vor allem auf die Robotik ab. Um autonome Maschinen oder humanoide Roboter zu trainieren, sind reale Testumgebungen extrem teuer und gefährlich. Atlas soll diesen Engpass im sogenannten Real-to-Sim-Verfahren überwinden.
Aus kurzen Smartphone-Videos von Werkshallen oder Wohnräumen rekonstruiert das Modell die Umgebung und erzeugt zugleich exakt die Farb- und Tiefensensordaten, die ein fiktiver Roboter auf seinem Pfad durch den Raum wahrnehmen würde. Darüber hinaus erstreckt sich die Simulation auf physikalische Interaktionen mit starren, gelenkigen oder verformbaren Objekten. Entwickler können Beleuchtung, Objektpositionen und Hindernisse variieren, um synthetische Trainingsdaten im industriellen Maßstab zu generieren.
Aktuell befindet sich Atlas in einer Early-Access-Phase für ausgewählte Partnerunternehmen. Interessierte Entwickler und Studios können über die Website des Anbieters Vorabzugang beantragen, bevor das Weltmodell schrittweise in Marble und weitere Produkte integriert wird.
🎯 Was das für die Praxis bedeutet
1. Geometrische Verlässlichkeit für Kreativschaffende: Mit Atlas wandelt sich generative KI von unberechenbaren Pixelanimationen zu steuerbaren 3D-Umgebungen mit exakten Kamerabewegungen.
2. Niedrige Hürden für räumliche Scans: Statt teurer Laserscanner genügen wenige Smartphone-Aufnahmen, um hochwertige 3D-Gaussian-Splats für Web, Spiele und virtuelle Touren zu erzeugen.
3. Virtuelle Testräume für Robotik: Entwicklungsabteilungen können Trainingsszenarien für autonome Systeme am Rechner durchspielen, ohne reale Schäden oder langwierige Messaufbauten zu riskieren.
