Ny AI-modell genererer 3D-verden fra ett bilde

Den amerikanske start-upen World Labs presenterer Atlas, en ny «verdensmodell» for romlig intelligens. Modellen kan generere og gjenskape tredimensjonale verdener fra ett enkelt bilde eller en tekstbeskrivelse, og forstår hvordan objekter ser ut, oppfører seg og utvikler seg. Atlas er en multimodal autoregressiv diffusjonstransformer, som betyr at den behandler ulike datatyper som tekst, bilder, video og 3D-data i en felles romlig kontekst. Den kan for eksempel lage 1440p-videoer på opptil ett minutt, der du styrer kameraets bevegelse pikselnøyaktig, eller gjenskape virkelige scener i 3D fra så få som to-tre bilder, ifølge World Labs. Dette overgår spesialiserte 3D-rekonstruksjonsmodeller. For norske virksomheter kan dette bety langt enklere og rimeligere utvikling av 3D-innhold for visualisering, spill, design og visuelle effekter. Tidligere har slik rekonstruksjon og simulering ofte krevd dyrt spesialutstyr og mange bilder, men Atlas hevder å kunne gjøre jobben med bare et mobiltelefon-opptak. Modellen benytter en romlig kontekst der hvert bilde er forankret i en 3D-posisjon, noe som åpner for ny kreativ kontroll. Den kan blant annet forutsi geometrien til en scene som aldri er fotografert, og generere manglende deler av en 3D-verden. Dette har store implikasjoner for simulering av robotnavigasjon og -manipulasjon, der modellen kan generere data fra robotens perspektiv og simulere objektinteraksjoner basert på få opptak.