Cosa sappiamo di Atlas, il modello di Ai creato da World Lab di Fei-Fei Li?

L’ambizione è costruire una rappresentazione coerente dello spazio, ricostruire ambienti tridimensionali e simularne l’evoluzione nel tempo.

Dopo aver insegnato alle macchine a riconoscere ciò che vedono, Fei-Fei Li vuole insegnare loro a immaginare che cosa troverebbero cambiando punto di vista. Atlas, il nuovo modello presentato da World Labs a inizio settembre, nasce con questa ambizione: costruire una rappresentazione coerente dello spazio, ricostruire ambienti tridimensionali e simularne l’evoluzione nel tempo.

È un obiettivo diverso da quello dei chatbot. Un grande modello linguistico impara le relazioni statistiche tra le parole e genera la continuazione più probabile di un testo. Atlas tenta di fare qualcosa di analogo con lo spazio: combina testi, immagini, sequenze video, posizione delle telecamere e informazioni sulla profondità per prevedere che cosa dovrebbe apparire osservando una scena da un’altra angolazione.

World Labs lo definisce un «omni world model» per l’intelligenza spaziale. Tecnicamente è un multimodal autoregressive diffusion transformer: un’architettura che riunisce elementi dei modelli linguistici e dei generatori di immagini. Tutti gli input vengono collocati in un contesto spaziale comune e il sistema produce progressivamente nuove viste, cercando di mantenere coerenti geometria, oggetti e prospettiva. World Labs

Il nome dietro World Labs spiega perché Atlas susciti tanta attenzione. Fei-Fei Li è docente di informatica a Stanford, cofondatrice dello Stanford Institute for Human-Centered Artificial Intelligence ed ex direttrice dello Stanford AI Lab. Tra il 2017 e il 2018 è stata inoltre vicepresidente di Google e chief scientist per AI e machine learning di Google Cloud. Stanford HAIIl suo contributo più noto è ImageNet, il grande archivio di immagini annotate che ha permesso di misurare e accelerare i progressi della visione artificiale. Fu proprio una competizione basata su ImageNet a rendere evidente nel 2012 il salto di qualità ottenuto dalle reti neurali profonde.

Come si legge nel sito Atlas può partire da una o più fotografie e generare ciò che una telecamera vedrebbe muovendosi intorno alla scena. La differenza rispetto a molti generatori video è che il percorso della telecamera non viene descritto soltanto a parole: posizione, direzione e movimento sono input nativi del modello. Secondo World Labs, questo permette di controllare con precisione inquadrature e traiettorie e di produrre filmati lunghi fino a un minuto, con risoluzione massima di 1440p.

Il modello può anche combinare fotografie diverse, collocarle virtualmente nello spazio e immaginare corridoi, porte o aree di passaggio che le colleghino. È una funzione potente, ma anche il punto nel quale ricostruzione e generazione rischiano di confondersi: quando mancano informazioni, Atlas non recupera la realtà nascosta, bensì costruisce una soluzione plausibile.

L’azienda lo dichiara apertamente. Con una sola immagine il sistema deve inventare gran parte di ciò che non vede; aggiungendo fotografie, la ricostruzione diventa più fedele. In alcuni casi bastano due o tre viste, mentre per riprodurre con maggiore precisione un luogo Atlas può elaborarne più di cento.

Il risultato può essere restituito come filmato, nuvola di punti oppure attraverso i 3D Gaussian splats, una tecnica che rappresenta una scena mediante milioni di elementi tridimensionali colorati e consente di esplorarla in tempo reale. Le applicazioni più immediate riguardano cinema, videogiochi, progettazione, effetti speciali e ambienti virtuali.

World Labs sostiene che Atlas superi alcuni modelli video nella capacità di seguire movimenti complessi della telecamera e diversi sistemi open source specializzati nella ricostruzione 3D. I confronti sono stati condotti, rispettivamente, attraverso valutatori umani e benchmark accademici sull’errore di ricostruzione.

Sono però risultati presentati dalla stessa società. Non è stato pubblicato un articolo scientifico completo con tutti i dettagli del modello, dei dati di addestramento e delle procedure di valutazione, né Atlas è ancora disponibile liberamente: sta entrando in una fase di accesso anticipato con un gruppo selezionato di partner.

Atlas non è solo. Google DeepMind ha sviluppato Genie 3, capace di creare da un prompt ambienti navigabili in tempo reale a 720p e 24 fotogrammi al secondo, mantenendoli coerenti per alcuni minuti: mondi virtuali nei quali addestrare e valutare agenti autonomi. Microsoft Research, con Muse — basato sul World and Human Action Model, o WHAM — genera sequenze di gioco prevedendo come lo scenario cambierà in risposta ai comandi del giocatore; per ora è rivolto soprattutto all’ideazione di videogiochi, più che alla robotica. Nvidia Cosmos offre invece modelli e strumenti espressamente progettati per la “physical AI”, con cui produrre video e simulazioni sintetiche per robot e veicoli autonomi. Nella stessa direzione lavorano i modelli V-JEPA di Meta, che imparano una rappresentazione del mondo prevedendo come una scena visiva evolverà. La differenza è nel punto di partenza: Genie privilegia mondi interattivi generati, Muse le dinamiche dei videogame, Cosmos i dati per le macchine autonome; Atlas punta soprattutto sulla ricostruzione spaziale controllabile del mondo reale.