World Labs ने Atlas पेश किया है, जो एक 'ओम्नी-मॉडल' (omni-model) है जो कुछ साधारण तस्वीरों को पूरी तरह से नेविगेबल 3-D दुनिया में बदल देता है और एक मिनट तक का 1440p वीडियो रेंडर करता है। कंपनी का कहना है कि यह तकनीक एक "real-to-sim" पाइपलाइन बनाती है।

फ्लैट सीक्वेंस से बदलाव क्यों महत्वपूर्ण है

आज के अधिकांश मल्टीमॉडल AI सिस्टम इनपुट को एक- या दो-आयामी (one- or two-dimensional) स्ट्रीम के रूप में देखते हैं—जैसे टेक्स्ट स्ट्रिंग्स, इमेज ग्रिड, या वीडियो फ्रेम। यह डिज़ाइन मॉडल को ऐसे डेटा से स्थानिक संबंधों (spatial relationships) का अनुमान लगाने के लिए मजबूर करता है जिसमें स्पष्ट ज्यामिति (geometry) की कमी होती है, जिससे जनरेट किए गए वीडियो और 3-D पुनर्निर्माण (reconstructions) की सटीकता सीमित हो जाती है। Atlas इस दृष्टिकोण को त्याग देता है। मॉडल द्वारा प्रोसेस किया गया प्रत्येक टोकन तीन-आयामी स्थान में एक ठोस बिंदु से जुड़ा होता है, एक ऐसी तकनीक जिसे कंपनी 'स्पेशियल एंकरिंग' (spatial anchoring) कहती है। 3-D—या यहाँ तक कि 4-D (समय)—संरचना के प्रति जागरूक आर्किटेक्चर के साथ टेक्स्ट, इमेज, वीडियो और 3-D डेटा पर शुरुआत से प्रशिक्षण देकर, Atlas सीधे ज्यामिति को समझ और हेरफेर (manipulate) कर सकता है।

"स्लॉट-मशीन" वीडियो से कैमरा-नियंत्रित जनरेशन तक

वर्तमान जनरेटिव वीडियो टूल वर्चुअल कैमरा को चलाने के लिए अस्पष्ट टेक्स्ट प्रॉम्प्ट पर निर्भर करते हैं, जिससे अक्सर अप्रत्याशित परिणाम मिलते हैं। Atlas प्रॉम्प्ट को एक ज्यामितीय इनपुट (geometric input) से बदल देता है: उपयोगकर्ता कैमरा पोज़ या एक पथ निर्दिष्ट करता है, और मॉडल ठीक उसी दृष्टिकोण से दृश्य को रेंडर करता है। डेमो में, सिस्टम ने सुचारू, उच्च-रिज़ॉल्यूशन वाले वीडियो बनाए जो कैमरा मूवमेंट के दौरान भी सुसंगत रहे—जो पेशेवर स्तर के नियंत्रण की दिशा में एक कदम है।

न्यूनतम इमेजरी के साथ दुनिया का पुनर्निर्माण

Atlas बिना किसी विशेष कैप्चर हार्डवेयर के, केवल एक इमेज से लेकर कुछ दर्जन इमेज तक से जटिल वातावरण का पुनर्निर्माण कर सकता है। एक सार्वजनिक डेमो में, मॉडल ने एक यूनिवर्सिटी क्वाड (university quad) की ज़मीनी स्तर की कुछ तस्वीरों का उपयोग किया और ऐसे हवाई परिप्रेक्ष्य (aerial perspectives) तैयार किए जो अपेक्षित लेआउट से मेल खाते थे। VGGT और InfiniteVGGT जैसे प्रतिस्पर्धी मॉडल अक्सर कैमरा हिलने पर धुंधली बनावट (blurry textures) या ज्यामितीय गड़बड़ी (geometric glitches) पैदा करते हैं; Atlas ने पूरी प्रक्रिया के दौरान संरचनात्मक अखंडता (structural integrity) बनाए रखी।

वीडियो के अलावा, मॉडल नेटिव 3-D फॉर्मेट—पॉइंट क्लाउड्स (point clouds) और 3-D Gaussian splats आउटपुट करता है। पॉइंट क्लाउड्स अंतरिक्ष में बिंदुओं का संग्रह होते हैं जो सतह के आकार को एनकोड करते हैं; Gaussian splats प्रत्येक बिंदु को एक छोटे, सुचारू रूप से बदलने वाले 'ब्लॉब' (blob) के रूप में संग्रहीत करते हैं, जिससे सूक्ष्म विवरणों का कुशल रेंडरिंग संभव हो पाता है। RGB रंग के साथ गहराई (depth) प्रदान करके, Atlas स्मार्टफोन की कुछ तस्वीरों को एक डिजिटल ट्विन (digital twin) में बदल देता है जिसे किसी भी कोण से देखा जा सकता है।

रोबोट्स के लिए Real-to-sim

रोबोटिक्स डेवलपर्स लंबे समय से वास्तविक दुनिया के डेटा और सिम्युलेटेड ट्रेनिंग वातावरण के बीच के अंतर से जूझ रहे हैं। Atlas एक पुनर्निर्मित कमरे में रोबोट को दिखने वाले सटीक सेंसर फीड को जनरेट करके उस अंतर को पाटने का वादा करता है। डेवलपर्स फिर डिजिटल ट्विन में वस्तुओं, लाइटिंग या बैकग्राउंड को बदल सकते हैं, जिससे एक ही वास्तविक-दुनिया कैप्चर से हजारों अलग-अलग परिदृश्य (scenarios) बनाए जा सकते हैं। World Labs ने सीन सिंथेसिस (scene synthesis) पर केंद्रित एक स्टार्टअप से प्राप्त तकनीक का उपयोग करके इस वर्कफ़्लो का प्रदर्शन किया; इस पाइपलाइन ने इतने बदलाव पैदा किए कि पांच अलग-अलग रोबोट प्लेटफॉर्म बिना किसी मानवीय हस्तक्षेप के एक घंटे तक स्वायत्त रूप से चलते रहे।

बेंचमार्क और प्रदर्शन के दावे

आमने-सामने के परीक्षणों में, मानव मूल्यांकनकर्ताओं ने 94% पेयरवाइज तुलनाओं में एक प्रमुख प्रतिस्पर्धी की तुलना में और 81% मामलों में एक अन्य बड़े मॉडल की तुलना में Atlas के कैमरा-निर्देशित वीडियो को प्राथमिकता दी। पुनर्निर्माण के लिए, Atlas ने 25.3 का मीडियन एरर (median error) प्राप्त किया, जो उच्च एरर स्कोर रिपोर्ट करने वाले प्रतिद्वंद्वियों से बेहतर था। यह मॉडल बड़े भाषा मॉडल (LLMs) के गति लाभों—मध्यवर्ती गणनाओं को पुन: उपयोग करने के लिए की-वैल्यू (KV) कैशिंग का उपयोग करके—को डिफ्यूजन मॉडल के उच्च-गुणवत्ता वाले आउटपुट के साथ जोड़ता है, जो छवियों को बार-बार परिष्कृत (refine) करते हैं।

संभावित कमियां और खुले प्रश्न

World Labs की घोषणाओं को प्रभावशाली डेमो का समर्थन प्राप्त है, लेकिन यह तकनीक अभी शुरुआती चरण में है। उच्च रिज़ॉल्यूशन पर टेक्स्ट, इमेज, वीडियो और 3-D डेटा को संभालने वाले मॉडल को प्रशिक्षित करने और चलाने के लिए पर्याप्त कंप्यूट (compute) की आवश्यकता होती है, और कंपनी ने हार्डवेयर विनिर्देशों या इन्फरेंस लागत (inference costs) का खुलासा नहीं किया है। बेंचमार्क मानव प्राथमिकता और मीडियन एरर मेट्रिक्स पर निर्भर करते हैं; वे अभी यह नहीं दिखाते हैं कि शुद्ध वास्तविक डेटा की तुलना में रोबोट मैनिपुलेशन सफलता दर जैसे डाउनस्ट्रीम कार्यों में Atlas कैसा प्रदर्शन करता है। आलोचक यह भी नोट कर सकते हैं कि हालांकि मॉडल कुछ ही छवियों से विश्वसनीय ज्यामिति उत्पन्न कर सकता है, लेकिन जब सटीक माप की आवश्यकता हो, तो यह लिडार (lidar) स्कैन या स्ट्रक्चर्ड-लाइट कैप्चर की सटीकता की जगह नहीं ले सकता।

आगे क्या देखने को मिलेगा

  • रोबोटिक्स प्लेटफॉर्म्स द्वारा अपनाना – यदि रोबोट टीमें Atlas-जनरेटेड दुनिया को अपने ट्रेनिंग लूप्स में एकीकृत करती हैं और मापने योग्य लाभ की रिपोर्ट करती हैं, तो सस्ते और अधिक विविध सिमुलेशन के दावे को विश्वसनीयता मिलेगी।
  • कंटेंट-क्रिएशन पाइपलाइन्स – रैपिड प्रोटोटाइपिंग के लिए Atlas के साथ प्रयोग करने वाले स्टूडियो और गेम डेवलपर्स यह स्पष्ट कर सकते हैं कि क्या मॉडल का नेटिव 3-D आउटपुट मौजूदा एसेट पाइपलाइन्स के अनुकूल है।
  • ओपन-सोर्स या थर्ड-पार्टी मूल्यांकन – बेंचमार्क नंबरों को फिर से बनाने वाले स्वतंत्र शोधकर्ता वर्तमान मानकों की तुलना में मॉडल की बढ़त की पुष्टि करने में मदद करेंगे।
  • हार्डवेयर और लागत का खुलासा – इन्फरेंस (inference) के लिए कंप्यूट बजट को समझना यह निर्धारित करेगा कि क्या Atlas एज डिवाइसेस पर चल सकता है या यह केवल क्लाउड-ओनली सर्विस बना रहेगा।

निष्कर्ष

Atlas दिखाता है कि AI टोकन को भौतिक स्थान (physical space) में एंकर करने से एक ही मॉडल न्यूनतम विजुअल इनपुट से पूरे वातावरण को जनरेट, रीकंस्ट्रक्ट और सिम्युलेट कर सकता है। यदि वादा किया गया प्रदर्शन अत्यधिक कंप्यूट लागत के बिना वास्तविक दुनिया के डिप्लॉयमेंट तक स्केल करता है, तो यह मॉडल इस बात को नया रूप दे सकता है कि रोबोट कैसे सीखते हैं और इमर्सिव कंटेंट कैसे बनाया जाता है, जिससे कुछ ही तस्वीरों को पूरी तरह से इंटरैक्टिव डिजिटल दुनिया में बदला जा सकेगा।