Présentation
World Labs Inc., startup d’intelligence artificielle co‑fondée par Fei‑Fei Li en février 2024, a annoncé le lancement d’Atlas. Il s’agit du premier world model multimodal capable de générer des séquences vidéo 1440p d’une minute à partir d’une unique image 2D, tout en conservant un contrôle de caméra « pixel‑perfect » et en produisant des actifs 3D tels que des nuages de points ou des splats gaussiens. Le projet s’inscrit dans la théorie de « spatial intelligence » de Li, selon laquelle une IA doit raisonner nativement sur la géométrie, les objets et leurs interactions physiques.
Architecture et fonctionnement
Atlas repose sur une architecture transformer autoregressive à diffusion multimodale. Contrairement aux générateurs vidéo antérieurs comme Sora d’OpenAI, qui utilisent des invites textuelles approximatives pour orienter la caméra, Atlas accepte directement des trajectoires de caméra et des données de géométrie comme entrées natives. Cette conception permet de synchroniser chaque pas de diffusion avec une pose de caméra précise, garantissant une cohérence géométrique stricte entre les images successives. Le modèle intègre plusieurs modalités : image d’entrée, trajectoire de caméra, cartes de profondeur et texte, ce qui le rend capable de reconstruire la scène en 3D tout en produisant du contenu vidéo.
Performances et évaluations
World Labs a soumis Atlas à des benchmarks humains centrés sur le respect du chemin de caméra. Dans ces évaluations, Atlas a été « overwhelmingly preferred » face à Gemini Omni Flash et FLUX, deux références du secteur. Sur la reconstruction 3D à partir d’entrées parcimonieuses, Atlas a surpassé plusieurs modèles open‑source, notamment en précision de nuages de points et en fidélité des splats gaussiens. La capacité à générer jusqu’à 60 secondes de vidéo 1440p implique un coût de calcul élevé : chaque frame nécessite plusieurs milliers d’étapes de diffusion, ce qui impose des GPU de classe A100 ou équivalents et une gestion fine de la mémoire.
Applications et limites
Le principal cas d’usage annoncé est la formation de robots. Atlas supporte les flux « c », où un smartphone capture une scène réelle, le modèle la reconstruit en simulation 3D, puis génère des images RGB et des relevés de profondeur synchronisés avec les mouvements du robot. Cette boucle permet de tester virtuellement des scénarios variés (éclairage, disposition d’objets) sans risque matériel. Des secteurs créatifs comme les effets visuels et le game design bénéficient également de la génération rapide de scènes immersives. Cependant, plusieurs contraintes subsistent : la dépendance à une image unique peut introduire des hallucinations dans des zones non observées, la latence de diffusion rend difficile une utilisation en temps réel, et la généralisation à des environnements très complexes n’a pas encore été démontrée. Enfin, Atlas n’est disponible qu’en accès anticipé pour des entreprises sélectionnées, sans date de sortie publique, ce qui limite l’évaluation indépendante à grande échelle.
