World Labs ತನ್ನ Atlas ಎಂಬ ಓಮ್ನಿ-ಮಾದರಿಯನ್ನು (omni-model) ಅನಾವರಣಗೊಳಿಸಿದೆ. ಇದು ಕೆಲವೇ ಕೆಲವು ಸಾಮಾನ್ಯ ಫೋಟೋಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸಂಚರಿಸಬಹುದಾದ 3-D ಜಗತ್ತನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಒಂದು ನಿಮಿಷದವರೆಗೆ 1440p ವೀಡಿಯೊವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಈ ತಂತ್ರಜ್ಞಾನವು "real-to-sim" ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಎಂದು ಕಂಪನಿಯು ಹೇಳಿದೆ.

ಸಮತಟ್ಟಾದ ಸರಣಿಗಳಿಂದ (flat sequences) ಬದಲಾವಣೆಯಾಗುವುದು ಏಕೆ ಮುಖ್ಯ

ಇಂದಿನ ಹೆಚ್ಚಿನ ಮಲ್ಟಿಮೋಡಲ್ AI ವ್ಯವಸ್ಥೆಗಳು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಒಂದು ಅಥವಾ ಎರಡು ಆಯಾಮದ ಸ್ಟ್ರೀಮ್‌ಗಳಾಗಿ—ಅಂದರೆ ಪಠ್ಯದ ಸಾಲುಗಳು (text strings), ಚಿತ್ರದ ಗ್ರಿಡ್‌ಗಳು ಅಥವಾ ವೀಡಿಯೊ ಫ್ರೇಮ್‌ಗಳಾಗಿ ಪರಿಗಣಿಸುತ್ತವೆ. ಈ ವಿನ್ಯಾಸವು ಸ್ಪಷ್ಟವಾದ ಜ್ಯಾಮಿತಿಯಿಲ್ಲದ (explicit geometry) ದತ್ತಾಂಶದಿಂದस्थानಿಕ ಸಂಬಂಧಗಳನ್ನು (spatial relationships) ಅಂದಾಜಿಸಲು ಮಾಡೆಲ್‌ಗೆ ಒತ್ತಾಯಿಸುತ್ತದೆ, ಇದು ಸೃಷ್ಟಿಸಲಾದ ವೀಡಿಯೊ ಮತ್ತು 3-D ಪುನರ್ನಿರ್ಮಾಣಗಳ ನಿಖರತೆಯನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ. Atlas ಈ ವಿಧಾನವನ್ನು ಕೈಬಿಡುತ್ತದೆ. ಮಾಡೆಲ್ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಪ್ರತಿಯೊಂದು ಟೋಕನ್ ಅನ್ನು ಮೂರು ಆಯಾಮದ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿನ (three-dimensional space) ಒಂದು ನಿರ್ದಿಷ್ಟ ಬಿಂದುವಿಗೆ ಜೋಡಿಸಲಾಗಿರುತ್ತದೆ, ಈ ತಂತ್ರವನ್ನು ಕಂಪನಿಯು 'ಸ್ಪೇಷಲ್ ಆಂಕರಿಂಗ್' (spatial anchoring) ಎಂದು ಕರೆಯುತ್ತದೆ. ಪಠ್ಯ, ಚಿತ್ರಗಳು, ವೀಡಿಯೊ ಮತ್ತು 3-D ದತ್ತಾಂಶಗಳ ಮೇಲೆ 3-D ಅಥವಾ 4-D (ಸಮಯ) ರಚನೆಯನ್ನು ಅರಿತ ಆರ್ಕಿಟೆಕ್ಚರ್ ಮೂಲಕ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ, Atlas ನೇರವಾಗಿ ಜ್ಯಾಮಿತಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ನಿರ್ವಹಿಸಬಹುದು.

"ಸ್ಲಾಟ್-ಮಷೀನ್" ವೀಡಿಯೊದಿಂದ ಕ್ಯಾಮೆರಾ-ನಿಯಂತ್ರಿತ ಜನರೇಷನ್‌ವರೆಗೆ

ಪ್ರಸ್ತುತ ಇರುವ ಜನರೇಟಿವ್ ವೀಡಿಯೊ ಪರಿಕರಗಳು ವರ್ಚುವಲ್ ಕ್ಯಾಮೆರಾವನ್ನು ಚಲಾಯಿಸಲು ಅಸ್ಪಷ್ಟ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು (text prompts) ಅವಲಂಬಿಸಿವೆ, ಇದು ಹೆಚ್ಚಾಗಿ ಅನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. Atlas ಈ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಬದಲಾಗಿ ಜ್ಯಾಮಿತೀಯ ಇನ್‌ಪುಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ: ಬಳಕೆದಾರರು ಕ್ಯಾಮೆರಾ ಪೋಸ್ ಅಥವಾ ಹಾದಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದರೆ, ಮಾಡೆಲ್ ಆ ನಿಖರವಾದ ದೃಷ್ಟಿಕೋನದಿಂದ ದೃಶ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ (renders). ಪ್ರಾತ್ಯಕ್ಷಿಕೆಗಳಲ್ಲಿ, ಈ ವ್ಯವಸ್ಥೆಯು ಕ್ಯಾಮೆರಾ ಚಲನೆಯಾದಾಗಲೂ ಸ್ಥಿರತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವ ಸುಗಮ, ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಹೊಂದಿರುವ ವೀಡಿಯೊವನ್ನು ನೀಡಿತು—ಇದು ವೃತ್ತಿಪರ ಮಟ್ಟದ ನಿಯಂತ್ರಣದತ್ತ ಒಂದು ಹೆಜ್ಜೆಯಾಗಿದೆ.

ಕನಿಷ್ಠ ಚಿತ್ರಗಳೊಂದಿಗೆ ಜಗತ್ತನ್ನು ಪುನರ್ನಿರ್ಮಿಸುವುದು

ಯಾವುದೇ ವಿಶೇಷ ಕ್ಯಾಪ್ಚರ್ ಹಾರ್ಡ್‌ವೇರ್ ಇಲ್ಲದೆ, ಕೇವಲ ಒಂದು ಚಿತ್ರದಿಂದ ಹಿಡಿದು ಕೆಲವು ಡಜನ್ ಚಿತ್ರಗಳವರೆಗೆ Atlas ಸಂಕೀರ್ಣ ಪರಿಸರಗಳನ್ನು ಮರುನಿರ್ಮಿಸಬಲ್ಲದು. ಸಾರ್ವಜನಿಕ ಪ್ರಾತ್ಯಕ್ಷಿಕೆಯಲ್ಲಿ, ಮಾಡೆಲ್ ಒಂದು ವಿಶ್ವವಿದ್ಯಾಲಯದ ಆವರಣದ ನೆಲಮಟ್ಟದ ಫೋಟೋಗಳನ್ನು ತೆಗೆದುಕೊಂಡು, ನಿರೀಕ್ಷಿತ ವಿನ್ಯಾಸಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವ ವಾಯು ದೃಷ್ಟಿಕೋನಗಳನ್ನು (aerial perspectives) ಸೃಷ್ಟಿಸಿತು. VGGT ಮತ್ತು InfiniteVGGT ನಂತಹ ಸ್ಪರ್ಧಿ ಮಾಡೆಲ್‌ಗಳು ಕ್ಯಾಮೆರಾ ಚಲಿಸಿದಾಗ ಮಸುಕಾದ ಟೆಕ್ಸ್ಚರ್‌ಗಳು ಅಥವಾ ಜ್ಯಾಮಿತೀಯ ದೋಷಗಳನ್ನು (geometric glitches) ಉಂಟುಮಾಡುತ್ತವೆ; ಆದರೆ Atlas ಇಡೀ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ರಚನಾತ್ಮಕ ಸಮಗ್ರತೆಯನ್ನು (structural integrity) ಕಾಪಾಡಿಕೊಂಡಿತು.

ವೀಡಿಯೊಗಿಂತ ಹೆಚ್ಚಾಗಿ, ಈ ಮಾಡೆಲ್ ನೇಟಿವ್ 3-D ಫಾರ್ಮ್ಯಾಟ್‌ಗಳನ್ನು—point clouds ಮತ್ತು 3-D Gaussian splats ಅನ್ನು ನೀಡುತ್ತದೆ. Point clouds ಎಂಬವು ಮೇಲ್ಮೈ ಆಕಾರವನ್ನು ಎನ್‌ಕೋಡ್ ಮಾಡುವ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿನ ಬಿಂದುಗಳ ಸಂಗ್ರಹಗಳಾಗಿವೆ; Gaussian splats ಪ್ರತಿಯೊಂದು ಬಿಂದುವನ್ನು ಸಣ್ಣದಾದ, ಸುಗಮವಾಗಿ ಬದಲಾಗುವ ಬ್ಲಾಬ್ (blob) ಆಗಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಇದು ಸೂಕ್ಷ್ಮ ವಿವರಗಳ ದಕ್ಷತೆಯೊಂದಿಗೆ ರೆಂಡರಿಂಗ್ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. RGB ಬಣ್ಣದ ಜೊತೆಗೆ ಆಳವನ್ನು (depth) ಒದಗಿಸುವ ಮೂಲಕ, Atlas ಕೆಲವು ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಶಾಟ್‌ಗಳನ್ನು ಯಾವುದೇ ಕೋನದಿಂದ ಅನ್ವೇಷಿಸಬಹುದಾದ ಡಿಜಿಟಲ್ ಟ್ವಿನ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ರೋಬೋಟ್‌ಗಳಿಗಾಗಿ Real-to-sim

ರೋಬೋಟಿಕ್ಸ್ ಅಭಿವರ್ಧಕರು ನೈಜ ಪ್ರಪಂಚದ ದತ್ತಾಂಶ ಮತ್ತು ಸಿಮ್ಯುಲೇಟೆಡ್ ತರಬೇತಿ ಪರಿಸರಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಹೋಗಲಾಡಿಸಲು ದೀರ್ಘಕಾಲದಿಂದ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ. ಪುನರ್ನಿರ್ಮಿತ ಕೋಣೆಯಲ್ಲಿ ರೋಬೋಟ್ ನೋಡುವ ನಿಖರವಾದ ಸೆನ್ಸರ್ ಫೀಡ್ ಅನ್ನು ಸೃಷ್ಟಿಸುವ ಮೂಲಕ Atlas ಆ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದಾಗಿ ಭರವಸೆ ನೀಡುತ್ತದೆ. ನಂತರ ಅಭಿವರ್ಧಕರು ಡಿಜಿಟಲ್ ಟ್ವಿನ್‌ನಲ್ಲಿ ವಸ್ತುಗಳು, ಬೆಳಕು ಅಥವಾ ಹಿನ್ನೆಲೆಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು, ಇದರಿಂದಾಗಿ ಒಂದೇ ನೈಜ ಪ್ರಪಂಚದ ಕ್ಯಾಪ್ಚರ್‌ನಿಂದ ಸಾವಿರಾರು ವಿಭಿನ್ನ ಸನ್ನಿವೇಶಗಳನ್ನು ಸೃಷ್ಟಿಸಬಹುದು. ಸೀನ್ ಸಿಂಥೆಸಿಸ್ (scene synthesis) ಮೇಲೆ ಗಮನಹರಿಸುವ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ನಿಂದ ಪಡೆದ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು World Labs ಈ ಕಾರ್ಯವಿಧಾನವನ್ನು ಪ್ರದರ್ಶಿಸಿತು; ಈ ಪೈಪ್‌ಲೈನ್ ಐದು ವಿಭಿನ್ನ ರೋಬೋಟ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳನ್ನು ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ಒಂದು ಗಂಟೆಯ ಕಾಲ ಸ್ವಾಯತ್ತವಾಗಿ ನಡೆಸಲು ಬೇಕಾದಷ್ಟು ವೈವಿಧ್ಯತೆಯನ್ನು ನೀಡಿತು.

ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರತಿಪಾದನೆಗಳು

ನೇರ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ (head-to-head tests), ಮಾನವ ಮೌಲ್ಯಮಾಪಕರು 94% ಪೇರ್‌ವೈಸ್ ಹೋಲಿಕೆಗಳಲ್ಲಿ ಪ್ರಮುಖ ಸ್ಪರ್ಧಿಗಿಂತ Atlas ನ ಕ್ಯಾಮೆರಾ-ಮಾರ್ಗದರ್ಶಿತ ವೀಡಿಯೊಗಳನ್ನು ಇಷ್ಟಪಟ್ಟರು ಮತ್ತು 81% ಸಂದರ್ಭಗಳಲ್ಲಿ ಮತ್ತೊಂದು ಪ್ರಮುಖ ಮಾಡೆಲ್ಗಿಂತ ಉತ್ತಮವೆಂದು ಕಂಡರು. ಪುನರ್ನಿರ್ಮಾಣಕ್ಕಾಗಿ, Atlas 25.3 ರ ಮಧ್ಯಮ ದೋಷವನ್ನು (median error) ಸಾಧಿಸಿತು, ಇದು ಹೆಚ್ಚಿನ ದೋಷದ ಸ್ಕೋರ್ ವರದಿ ಮಾಡಿದ ಪ್ರತಿಸ್ಪರ್ಧಿಗಳನ್ನು ಮೀರಿಸಿದೆ. ಈ ಮಾಡೆಲ್ ಮಧ್ಯಂತರ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮರುಬಳಕೆ ಮಾಡಲು key-value (KV) caching ಬಳಸುವ ಮೂಲಕ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳ (large language models) ವೇಗದ ಪ್ರಯೋಜನಗಳನ್ನು ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಹಂತ ಹಂತವಾಗಿ ಸುಧಾರಿಸುವ diffusion ಮಾಡೆಲ್‌ಗಳ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ.

ಸಂಭಾವ್ಯ ನ್ಯೂನತೆಗಳು ಮತ್ತು ಮುಕ್ತ ಪ್ರಶ್ನೆಗಳು

World Labs ನ ಪ್ರಕಟಣೆಗಳು ಆಕರ್ಷಕ ಪ್ರಾತ್ಯಕ್ಷಿಕೆಗಳಿಂದ ಬೆಂಬಲಿತವಾಗಿವೆ, ಆದರೆ ಈ ತಂತ್ರಜ್ಞಾನವು ಇನ್ನೂ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ. ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಪಠ್ಯ, ಚಿತ್ರಗಳು, ವೀಡಿಯೊ ಮತ್ತು 3-D ದತ್ತಾಂಶವನ್ನು ನಿರ್ವಹಿಸುವ ಮಾಡೆಲ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಮತ್ತು ನಡೆಸಲು ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟ್ ಶಕ್ತಿ ಬೇಕಾಗುತ್ತದೆ, ಮತ್ತು ಕಂಪನಿಯು ಹಾರ್ಡ್‌ವೇರ್ ವಿಶೇಷತೆಗಳು ಅಥವಾ ಇನ್ಫರೆನ್ಸ್ ವೆಚ್ಚಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿಲ್ಲ. ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ಮಾನವ ಆದ್ಯತೆ ಮತ್ತು ಮಧ್ಯಮ ದೋಷದ ಮಾಪಕಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ; ಕೇವಲ ನೈಜ ದತ್ತಾಂಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ರೋಬೋಟ್ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ಯಶಸ್ಸಿನ ದರಗಳಂತಹ ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಕಾರ್ಯಗಳಲ್ಲಿ Atlas ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅವು ಇನ್ನೂ ತೋರಿಸಿಲ್ಲ. ಮಾಡೆಲ್ ಕೆಲವೇ ಕೆಲವು ಚಿತ್ರಗಳಿಂದ ಸಮಂಜಸವಾದ ಜ್ಯಾಮಿತಿಯನ್ನು ಸೃಷ್ಟಿಸಬಹುದಾದರೂ, ನಿಖರವಾದ ಅಳತೆಗಳು ಬೇಕಾದಾಗ ಇದು lidar ಸ್ಕ್ಯಾನ್‌ಗಳು ಅಥವಾ structured-light ಕ್ಯಾಪ್ಚರ್‌ಗಳ ನಿಖರತೆಯನ್ನು ಬದಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಎಂದು ವಿಮರ್ಶಕರು ಗಮನಿಸಬಹುದು.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

  • ರೋಬೋಟಿಕ್ಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ಅಳವಡಿಕೆ – ರೋಬೋಟ್ ತಂಡಗಳು Atlas-ಸೃಷ್ಟಿಸಿದ ಪ್ರಪಂಚಗಳನ್ನು ತಮ್ಮ ತರಬೇತಿ ಲೂಪ್‌ಗಳಿಗೆ ಸಂಯೋಜಿಸಿ, ಅಳೆಯಬಹುದಾದ ಲಾಭಗಳನ್ನು ವರದಿ ಮಾಡಿದರೆ, ಅಗ್ಗದ ಮತ್ತು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಸಿಮ್ಯುಲೇಶನ್‌ನ ಪ್ರತಿಪಾದನೆಯು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ.
  • ಕಂಟೆಂಟ್-ಕ್ರಿಯೇಷನ್ ಪೈಪ್‌ಲೈನ್‌ಗಳು – ವೇಗದ ಪ್ರೊಟೊಟೈಪಿಂಗ್‌ಗಾಗಿ Atlas ಅನ್ನು ಪ್ರಯೋಗಿಸುತ್ತಿರುವ ಸ್ಟುಡಿಯೋಗಳು ಮತ್ತು ಗೇಮ್ ಡೆವಲಪರ್‌ಗಳು, ಈ ಮಾಡೆಲ್‌ನ ಮೂಲ 3-D ಔಟ್‌ಪುಟ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅಸೆಟ್ ಪೈಪ್‌ಲೈನ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು.
  • ಓಪನ್-ಸೋರ್ಸ್ ಅಥವಾ ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಮೌಲ್ಯಮಾಪನಗಳು – ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸಂಖ್ಯೆಗಳನ್ನು ಪುನರಾವರ್ತಿಸುವ ಸ್ವತಂತ್ರ ಸಂಶೋಧಕರು, ಪ್ರಸ್ತುತ ಮಾನದಂಡಗಳಿಗಿಂತ ಈ ಮಾಡೆಲ್ ಹೊಂದಿರುವ ಶಕ್ತಿಯನ್ನು ಖಚಿತಪಡಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತಾರೆ.
  • ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ವೆಚ್ಚದ ವಿವರಣೆಗಳು – ಇನ್ಫರೆನ್ಸ್ (inference) ಗಾಗಿ ಕಂಪ್ಯೂಟ್ ಬಜೆಟ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು, Atlas ಅನ್ನು ಎಡ್ಜ್ ಸಾಧನಗಳಲ್ಲಿ ಚಲಾಯಿಸಬಹುದೇ ಅಥವಾ ಇದು ಕ್ಲೌಡ್-ಮಾತ್ರೆಯ ಸೇವೆಯಾಗಿ ಉಳಿಯುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಸಾರಾಂಶ

AI ಟೋಕನ್‌ಗಳನ್ನು ಭೌತಿಕ ಜಾಗದಲ್ಲಿ ಸ್ಥಾಪಿಸುವುದರಿಂದ (anchoring), ಕನಿಷ್ಠ ದೃಶ್ಯ ಇನ್‌ಪುಟ್‌ನಿಂದ ಒಂದು ಏಕೈಕ ಮಾಡೆಲ್ ಇಡೀ ಪರಿಸರಗಳನ್ನು ಸೃಷ್ಟಿಸಲು, ಪುನರ್ರಚಿಸಲು ಮತ್ತು ಸಿಮ್ಯುಲೇಟ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂದು Atlas ತೋರಿಸುತ್ತದೆ. ಭಾರಿ ಕಂಪ್ಯೂಟ್ ವೆಚ್ಚಗಳಿಲ್ಲದೆ ಭರವಸೆ ನೀಡಿದ ಕಾರ್ಯಕ್ಷಮತೆಯು ನೈಜ-ಜಗತ್ತಿನ ನಿಯೋಜನೆಗಳಿಗೆ ವಿಸ್ತರಿಸಿದರೆ, ಈ ಮಾಡೆಲ್ ರೋಬೋಟ್‌ಗಳು ಕಲಿಯುವ ವಿಧಾನ ಮತ್ತು ತನ್ಮಯಗೊಳಿಸುವ (immersive) ಕಂಟೆಂಟ್ ನಿರ್ಮಿಸುವ ವಿಧಾನವನ್ನು ಮರುರೂಪಿಸಬಹುದು, ಹಾಗೂ ಕೇವಲ ಕೆಲವು ಫೋಟೋಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸಂವಾದಾತ್ಮಕ ಡಿಜಿಟಲ್ ಪ್ರಪಂಚವಾಗಿ ಪರಿವರ್ತಿಸಬಹುದು.