Atlas là gì? Mô hình AI xây dựng và tái tạo thế giới 3D của World Labs

Atlas khác gì so với công cụ tạo ảnh và video thông thường?

World Labs mô tả Atlas là một “mô hình thế giới” đa phương thức dành cho trí tuệ không gian: một hệ thống được huấn luyện từ đầu để hoạt động với văn bản, hình ảnh, video và thông tin 3D. Mục tiêu của Atlas không chỉ là tạo ra một đoạn video trông thuyết phục, mà còn là mô hình hóa cách một không gian có thể xuất hiện khi camera di chuyển hoặc khi các thành phần trong cảnh thay đổi. 9

Điểm khác biệt nằm ở tính nhất quán không gian. Các công cụ tạo ảnh và video truyền thống thường tối ưu cho mức độ hợp lý của từng khung hình. Atlas được định vị quanh mối quan hệ giữa vật thể, góc nhìn và môi trường nền, để cảnh không bị biến dạng hoặc “đổi chỗ” khi camera chuyển động.

Atlas hoạt động như thế nào?

Theo World Labs, Atlas là một transformer khuếch tán tự hồi quy đa phương thức, được tiền huấn luyện từ đầu. Mô hình liên kết dữ liệu hình ảnh với vị trí của chúng trong một bối cảnh không gian chung, sau đó dự đoán các khung hình, góc nhìn hoặc đầu ra 3D mới phù hợp với bối cảnh đó. 9

Người dùng có thể cung cấp một hoặc nhiều ảnh tham chiếu, kèm thông tin camera hoặc một đường đi camera được thiết kế trước. Atlas sau đó tạo ra những góc nhìn được yêu cầu, kể cả các phần của cảnh chưa từng xuất hiện trực tiếp trong dữ liệu đầu vào.

Tuy nhiên, những vùng chưa quan sát không phải là dữ liệu đo đạc đã được xác minh. Chúng được suy luận từ bằng chứng có sẵn và các quy luật hình ảnh mà mô hình đã học. Vì vậy, một kết quả nhìn rất thật vẫn có thể sai về phần bị che khuất, kích thước hoặc hình học thực tế.

Thiết kế này tạo ra hai nhóm năng lực chính:

• Tạo nội dung theo camera: sinh hình ảnh hoặc video trong khi người dùng kiểm soát vị trí và chuyển động của camera ảo.
• Tái dựng không gian: suy luận cảnh 3D từ một số lượng ảnh giới hạn rồi kết xuất các góc nhìn mới.

Cùng một biểu diễn không gian cũng được World Labs hướng tới các tác vụ mô phỏng, chẳng hạn thay đổi ánh sáng, chuyển động, phông nền hoặc cấu hình vật thể cho những quy trình robot. 9

Atlas có thể tạo ra những gì?

World Labs cho biết Atlas hỗ trợ nhiều chế độ tạo nội dung:

• Hình ảnh và video có điều khiển camera từ một hoặc nhiều ảnh tham chiếu.
• Hình ảnh được điều kiện hóa bằng văn bản.
• Ảnh toàn cảnh 360 độ.
• Video dài tối đa 1 phút ở độ phân giải 1440p. 9

Công ty gọi khả năng điều khiển camera là “pixel-perfect”, hàm ý quỹ đạo camera là một phần cốt lõi của quá trình tạo sinh thay vì chỉ được chỉnh sửa sau khi video hoàn tất. Về mặt sản xuất, điều này có thể giúp người dùng đổi khung hình, tổng hợp chuyển động máy quay hoặc tạo một cảnh mới từ số lượng tham chiếu tương đối ít. 9

Giá trị thực tế mà Atlas hướng tới là khả năng kiểm soát. Văn bản mô tả những gì cần xuất hiện; ảnh và thông tin hình học camera cung cấp manh mối về vị trí vật thể cũng như cách quan sát cảnh. Atlas vì thế nằm ở giao điểm giữa video tạo sinh và quy trình sản xuất 3D truyền thống.

Tái dựng 3D chỉ từ vài bức ảnh

World Labs cho biết Atlas có thể tái dựng cảnh trong thế giới thực từ một đến hàng chục ảnh đầu vào. Công ty nói rằng hai hoặc ba bức ảnh thường có thể tạo ra kết quả trung thực, trong khi hơn 100 góc nhìn có thể được đưa vào khi ưu tiên độ trung thực thay vì khả năng suy luận từ dữ liệu thưa. 9

Đầu ra được kỳ vọng bao gồm cả hình ảnh từ góc nhìn mới và biểu diễn 3D rõ ràng. Nói cách khác, Atlas không chỉ tạo một chuỗi hình ảnh trông đúng từ một góc cố định; mô hình được thiết kế để nắm bắt đủ thông tin về cảnh nhằm sinh thêm các góc nhìn khác.

Dù vậy, tái dựng thuyết phục về mặt thị giác không đồng nghĩa với một bản khảo sát chính xác ở cấp độ đo đạc. Khi chỉ có ít ảnh, các bề mặt không nhìn thấy phải được mô hình phỏng đoán. Những sai lệch này có thể ảnh hưởng đến vật thể bị che, căn phòng khuất, số đo hoặc hình dạng bề mặt.

Các tuyên bố benchmark cho thấy điều gì?

World Labs cho biết Atlas vượt qua những mô hình chuyên biệt hiện đại trong các bài đánh giá tái dựng 3D của công ty. Tài liệu ra mắt nêu các kết quả định lượng cho hai nhiệm vụ chính là tạo nội dung có điều kiện camera và tái dựng 3D, đồng thời thừa nhận rằng không một benchmark đơn lẻ nào có thể phản ánh đầy đủ phạm vi năng lực của một mô hình tổng quát như Atlas. 9

Đây là những kết quả do công ty công bố, nhưng chưa thể xem là xác nhận độc lập. Các tài liệu được cung cấp không bao gồm trọn bộ quy trình đánh giá có thể tái lập, điểm số của từng mô hình, sai số hoặc độ bất định, trọng số mô hình và các phép kiểm chứng từ bên thứ ba. Vì vậy, lợi thế hiệu năng nên được đọc như một tuyên bố của World Labs, chưa phải kết luận đã được ngành công nghiệp thống nhất.

Các thử nghiệm tiếp theo đặc biệt cần tập trung vào:

• Đường đi camera dài và phức tạp.
• Những khu vực bị che khuất hoặc có nhiều cách diễn giải.
• Độ chính xác về kích thước và hình học đo đạc.
• Tính nhất quán trong các chuỗi video dài.
• Độ trung thực của va chạm và tương tác vật lý.
• Khả năng chuyển từ môi trường mô phỏng được tạo sinh sang robot ngoài đời thực.

Atlas liên quan thế nào đến Marble?

Marble là sản phẩm hướng tới người dùng của World Labs, cho phép tạo các thế giới 3D có tính liên tục và có thể khám phá. Sản phẩm tiếp nhận văn bản, một hoặc nhiều ảnh, video, ảnh toàn cảnh và cấu trúc 3D sơ bộ, sau đó tạo ra môi trường để người dùng quan sát và tiếp tục sử dụng trong các quy trình khác. 6

Atlas là mô hình thế hệ mới đứng phía sau định hướng sản phẩm đó, không đơn giản là một tên gọi khác của một tính năng Marble. World Labs cho biết Atlas sẽ cung cấp nền tảng cho các phiên bản Marble trong tương lai và những sản phẩm khác của công ty. 9

Có thể hiểu ngắn gọn: Atlas đảm nhiệm vai trò mô hình không gian tổng quát, còn Marble là lớp sản phẩm dễ tiếp cận hơn để tạo và xem các thế giới 3D liên tục. Tài liệu Marble mô tả khả năng tạo thế giới từ văn bản, hình ảnh và video, sau đó cho phép khám phá và đưa kết quả vào các quy trình tiếp theo. 6

World API và quyền truy cập dành cho nhà phát triển

World Labs đã giới thiệu World API, một giao diện công khai để tạo các thế giới 3D có thể khám phá từ văn bản, ảnh, ảnh toàn cảnh, dữ liệu nhiều góc nhìn và video. Tài liệu API mô tả quy trình trong đó ứng dụng gửi yêu cầu tạo thế giới, rồi truy xuất kết quả sau khi quá trình hoàn tất. 83

Điều này không đồng nghĩa Atlas đã được cung cấp dưới dạng mô hình tải xuống hoặc mô hình chạy thời gian thực trên máy cá nhân. Tài liệu hiện có tập trung vào quy trình tạo thế giới bất đồng bộ và truy xuất kết quả; chưa xác nhận một endpoint Atlas công khai, bộ trọng số để chạy cục bộ hay tùy chọn suy luận thời gian thực. 389

Với nhà phát triển, bề mặt sản phẩm công khai hiện nay là Marble và quy trình tạo thế giới thông qua API, chứ chưa chắc là quyền truy cập trực tiếp vào toàn bộ năng lực được mô tả trong thông báo nghiên cứu về Atlas.

Những ứng dụng World Labs hướng tới

Kỹ xảo hình ảnh

Khả năng tạo sinh có điều khiển camera có thể giúp nghệ sĩ đổi khung hình, tạo chuyển động máy quay ảo và dựng cảnh từ một số ít ảnh tham chiếu. Điểm hứa hẹn chính là khả năng tạo ra các biến thể không gian có thể kiểm soát, thay vì chỉ sinh một khung hình độc lập. 9

Trò chơi điện tử

Marble vốn tập trung vào các môi trường 3D liên tục và có thể khám phá. Atlas có thể mở rộng hướng đi này bằng cách hỗ trợ nhà thiết kế tạo hoặc tái dựng cảnh trong khi vẫn duy trì góc nhìn và mối quan hệ không gian giữa các vật thể. 69

Thiết kế và trực quan hóa

Các nhóm kiến trúc, công nghiệp và sáng tạo có thể dùng văn bản, hình ảnh cùng những tài liệu tham chiếu khác để khảo sát ý tưởng không gian có thể di chuyển qua. Khả năng kiểm soát góc nhìn có thể giúp việc kiểm tra và lặp lại thiết kế thuận tiện hơn so với một loạt bản dựng không liên quan nhau. 69

Robot

World Labs cũng mô tả một kịch bản “real-to-sim” — chuyển từ thế giới thực sang mô phỏng. Theo đó, các đoạn ghi hình đời thường có thể được dùng để tạo môi trường giả lập, sinh dữ liệu RGB và độ sâu từ góc nhìn của robot, đồng thời thay đổi vật thể, ánh sáng, chuyển động và phông nền cho việc huấn luyện điều hướng hoặc thao tác. 9

Đây là một hướng đi tham vọng, nhưng độ chân thực của hình ảnh không tự động chứng minh cảnh mô phỏng có vật lý chính xác, kích thước đáng tin cậy hay khả năng chuyển giao tốt từ mô phỏng sang robot thật. Những kết luận đó cần các bài đánh giá riêng theo từng nhiệm vụ.

Bối cảnh Marble, World API, SceniX và nguồn vốn

World API đưa khả năng tạo thế giới 3D của Marble vào các ứng dụng bên ngoài, theo quy trình tạo và truy xuất kết quả bất đồng bộ. 83 Trong khi đó, Atlas được định vị là lớp mô hình rộng hơn, có thể hỗ trợ các sản phẩm tương lai của World Labs ngoài Marble. 9

Việc World Labs mua lại SceniX được các nguồn bên ngoài liên hệ với định hướng robot và mô phỏng của công ty, đặc biệt là mục tiêu xây dựng môi trường “real-to-sim”. Tuy nhiên, thương vụ này không phải bằng chứng cho thấy Atlas đã đạt độ chính xác vật lý đủ cho mọi quy trình robot.

Các nguồn được cung cấp cũng đưa con số khoảng 1,23 tỷ USD vốn huy động của World Labs. Đây là bối cảnh về năng lực tài chính và quy mô đầu tư của công ty, không phải bằng chứng trực tiếp về chất lượng, hiệu năng hay mức độ sẵn sàng sản xuất của Atlas.

Quyền truy cập, giá và những điều còn bỏ ngỏ

Atlas chưa được giới thiệu như một sản phẩm mở rộng rãi trong tài liệu ra mắt. World Labs đang tiếp nhận yêu cầu truy cập sớm, còn Marble và World API là những lựa chọn công khai đã được tài liệu hóa. 98

Tài liệu được xem xét chưa công bố bảng giá Atlas tiêu chuẩn, kích thước mô hình, dữ liệu huấn luyện, cấu hình phần cứng, độ trễ suy luận, thông lượng hoặc chi phí tính toán cho mỗi lần tạo. 9

Đây là những thông tin quan trọng đối với bất kỳ đội ngũ nào muốn đưa Atlas vào sản xuất. Một bản demo đẹp mắt không cho biết quy trình đó có đủ rẻ khi triển khai ở quy mô lớn, đủ nhanh cho tương tác trực tiếp hay có thể tái lập ổn định trên nhiều loại cảnh hay không.

Kết luận

Atlas có thể được hiểu là nỗ lực của World Labs nhằm hợp nhất video tạo sinh, tái dựng 3D và mô phỏng không gian trong một mô hình đa phương thức. Ý tưởng cốt lõi là đưa vị trí camera và bối cảnh 3D thành đầu vào hạng nhất, thay vì xử lý mỗi khung hình như một bức ảnh độc lập.

Các năng lực được công ty công bố rất đáng chú ý: tạo hình ảnh và video có điều khiển camera, tái dựng cảnh từ góc nhìn thưa, tạo đầu ra 3D và hỗ trợ các kịch bản mô phỏng robot. Nhưng trong các tài liệu được xem xét, Atlas vẫn là một hệ thống truy cập sớm. Trước khi có đánh giá độc lập, thông tin về giá, độ trễ và độ chính xác vật lý, những tuyên bố mạnh nhất của Atlas nên được xem là hướng nghiên cứu và sản phẩm đầy triển vọng — chưa phải hiệu năng sản xuất đã được chứng minh độc lập.