何が発表されたか
World Labsが公開したAtlasは、テキスト・画像・動画・3Dデータをゼロから同時に学習した「オムニモデル」です。生成・再構成・シミュレーションという、これまで別々のツールが担ってきた3つの機能を1つのモデルで扱います。現時点では限定パートナー向けの早期アクセスのみで、同社の既存プロダクトMarbleの次世代版などに順次搭載される予定です。
「空間文脈」——1次元の列に潰さない
技術的な核心は、入力を平坦な系列として処理しない点にあります。Atlasはすべての入力を3D空間上の特定の位置に紐づけ、World Labsはこれを「spatial context（空間文脈）」と呼びます。新しいフレームや視点を生成するとき、モデルはこの共有された空間理解を参照します。
この発想はフェイフェイ・リー氏が2025年11月のエッセイで提起した問題意識と直結しています。現在のマルチモーダル言語モデルや動画拡散モデルはデータを1次元・2次元の列に分解してしまうため、単純な空間タスクさえ不必要に難しくなる——だからトークン化・コンテキスト・記憶を3D/4D的に組み立てるアーキテクチャが要る、という主張です。Atlasはその主張をそのまま製品化したものと読めます。
実装上も折衷的です。言語モデルのように出力を逐次生成するためKVキャッシュなどの高速化が効き、同時にノイズから徐々に出力を絞り込む拡散の原理も併用してデノイズ短縮や画質向上の手法を取り込んでいます。
カメラを「テキストで説明しない」
カメラワークは、多くの動画モデルのようにプロンプトで記述するのではなく、幾何情報として直接入力します。1枚以上の画像を与えれば、任意のカメラ位置・角度から新しい視点を生成でき、1440pで最長1分、全カットをユーザーが制御できます。World Labsは外部の人間評価者による比較で、Seedance 2.5に対し94%、Happy Horse 1.1に対し86%、Gemini Omni Flashに対し81%、MiniMax H3に対し75%の評価を得たとしています。
再構成では、専用の撮影機材なしに1枚から数十枚の画像で実シーンを復元します。画像が多いほどモデルが自前の知識で埋める部分は減りますが、2〜3枚でも忠実な結果が出て専用3Dモデルを上回るというのが同社の主張です。100枚超の入力にも対応します。デモではスタンフォード大学のMain Quadを地上写真2枚から25枚へと段階的に組み上げ、キャンパス上空の俯瞰まで生成しています。定量面では再構成誤差の中央値25.3でPi3XやVGGT-Ω 1Bを上回り、比較した専用モデル中で平均誤差が最も低いとされます。OpenWorldLibの枠組み内の比較では、VGGTやInfiniteVGGTはカメラが大きく動いた途端に幾何の不整合とテクスチャのぼやけが出たといいます。
重要なのは、AtlasがRGBと同時に深度情報を扱うため、出力が映像で終わらず点群や3Dガウシアンスプラットといった実データになる点です。Marbleと同じ表現形式なので、既存パイプラインにそのまま流せます。
ロボット学習という本命
シミュレータとしては空間と時間を同時にモデル化し、数台のカメラ映像から「bullet time」——シーンを静止させて本来ありえない角度から見る演出——を作れます。デモ映像はプロ機材ではなく数台のスマートフォンとアクションカメラで撮影されたものです。
ロボティクスではreal-to-simツールとして働きます。部屋を再構成し、シミュレーション上のロボットが経路に沿って自分のセンサーで見るはずの画像と深度データを生成する。数枚の写真から、物体・配置・照明・背景を差し替えて把持や移動のタスクを変奏できるため、現実世界であらゆる状況を撮り直さずに多様な学習データを作れます。World Labsは2026年8月にreal-to-sim-to-realエンジンを単体製品として公開済みで、1つの実タスクから数千のバリエーションを作りシミュレーションだけで制御モデルを学習させ、5つのロボットプラットフォームで各1時間、人の介入なく動作したとしています。この技術は同社が7月に買収したSceniX由来のものです。
「ワールドモデル」定義論争の中での位置
何をワールドモデルと呼ぶかは研究者間でも定まっていません。北京大学が主導する国際チームは2026年4月、OpenWorldLibを通じて統一定義を提案し、現実世界とのフィードバックループを持たない純粋なtext-to-videoモデルを除外しました。この枠組みでは、物理法則を検証できる環境を提供する3D再構成やシミュレータこそが中核部品にあたります。Atlasはまさにその位置に立っています。
World Labsは2024年設立。ImageNetを作り2017年から2018年までGoogle CloudのAI部門を率いたフェイフェイ・リー氏が創業し、当初からAndreessen Horowitz、AMD、Intel、Nvidiaが出資しました。2024年末の最初のシステムは仮想空間を数メートル進むと見えない壁に当たる代物でしたが、2025年11月のMarble、2026年2月のAutodesk・a16z・Nvidia・AMDによる10億ドル調達（Bloombergは以前50億ドル評価での交渉を報じていました）と、2年足らずで様相が変わっています。同社は学習計算量を増やすほど性能が伸びており、スケールしてもこの傾向は続くとみています。
💼 事業会社視点：これは自社にどう効くか
日本企業にとっての焦点は「3D空間データの取得コストが撮影機材の問題ではなくなる」という一点です。デモがスマートフォンとアクションカメラで撮られ、2〜3枚から忠実な再構成が出るなら、これまで専用スキャナやフォトグラメトリ外注を前提にしていた見積もりの根拠が崩れます。まず影響を受けるのは、3Dスキャンや空間計測を工数として売ってきた受託開発・映像制作・計測サービス事業者です。単価下落は避けられず、価値の重心は「撮る」から「再構成した空間を業務にどう組み込むか」へ移ります。
ECでは商品の360度パノラマや設置イメージが数枚の写真で作れる可能性が出てきます。不動産・建設・設備保守は、Autodeskが10億ドル調達に加わった事実がそのまま需要の所在を示しています。製造・物流では、SceniX由来のreal-to-sim-to-realが本命です。1つの実作業から数千のバリエーションを作り、5つのロボットプラットフォームで各1時間無人稼働したという実績は、ティーチングと実機データ収集に人手を張り付けてきた現場の前提を変えます。
事業責任者が今すべきは導入検討ではなく棚卸しです。Atlasは限定パートナー向け早期アクセス段階で、今日買えるものではありません。代わりに、自社の現場・店舗・設備で過去に撮った写真と動画がどこに何枚あるかを把握してください。出力が点群や3Dガウシアンスプラットという実データで、Marbleと同じ表現形式である以上、勝負を分けるのはモデルではなく、投入できる自社固有の撮影資産の量と権利関係です。