Фэй-Фэй Лигийн World Labs орон зайн оюун ухааны "Atlas" загвараа танилцууллаа: 2D пикселээс 3D симуляци руу хийсэн шинэ эрин

Сүүлийн хоёр жилд хиймэл оюун ухааны салбар текстийн томоохон хэлний загварууд (LLM) болон 2D видео генераторуудаар (Sora, Runway г.м.) хүч түрэн хөгжсөн. Гэвч эдгээр загварууд нь дэлгэц дээрх пикселүүдийн хамаарлыг таахаас цаашгүй, бодит ертөнцийн 3D орон зайн бүтэц, физикийн гүнийг ойлгодоггүй хэвээр байв.

Энэхүү суурь хязгаарлалтыг давахаар компьютерийн харааны (Computer Vision) анхдагч, ImageNet-ийг бүтээгч доктор Фэй-Фэй Лигийн үүсгэн байгуулсан World Labs компани "Atlas" хэмээх шинэ үеийн орон зайн оюун ухааны (Spatial Intelligence) world model-оо албан ёсоор зарлалаа.

Текст ба пикселээс давах нь: "Spatial Intelligence" гэж юу вэ?

Энгийн видео үүсгэгч загваруудад "Камерыг баруун тийш эргүүлж харуул" гэж сануулга (prompt) өгөхөд загвар нь текстэд тулгуурлан ямар пикселүүд өөрчлөгдөх ёстойг зөвхөн магадлалаар тооцоолдог. Энэ нь камерын эргэх радиус алдагдах, тухайн биетүүдийн хэлбэр орон зайд хувирах зэрэг "галлюцинаци" үүсгэх үндэс болдог.

Харин World Labs-ийн танилцуулсан Atlas нь пикселийг биш, орон зайг загварчилдаг. Загварын гол зарчим нь:

Өгөгдсөн ганц зураг эсвэл цөөн тооны кадраас 3D орчны геометрийн бүтэц, гүн (depth), объектуудын харьцангуй байршлыг танин мэдэх.
Хэрэглэгчийн тодорхойлсон камерын нарийн координатын (6DoF - Six Degrees of Freedom) дагуу орон зайд шилжиж, шинэ өнцгүүдийг алдаагүй гаргаж ирэх.
1440p нягтаршилтайгаар 1 минут хүртэлх хугацаатай, камерын хөдөлгөөн нь физик орон зайн дагуу бүрэн нийцсэн видео бичлэг бүтээх.

Архитектурын гол онцлог: Multimodal Autoregressive Diffusion Transformer

World Labs-ийн тайлбарласнаар Atlas нь цоо шинэ Multimodal Autoregressive Diffusion Transformer архитектур дээр суурилсан. Энэхүү бүтэц нь текст, зураг, видео, камерын координат болон гүний газрын зураг (depth map)-ийг нэгтгэсэн "Shared Spatial Context" буюу нэгдсэн орон зайн контекст дотор боловсруулдаг.

Камерын геометрийг шууд оролт болгох (Camera-conditioned): Хөгжүүлэгчид зүгээр нэг үгээр "pan", "orbit" гэж тайлбарлах бус, камерын матриц, өнцөг, хурдыг математик нарийвчлалтай өгөгдөл хэлбэрээр дамжуулах боломжтой.
Тодорхой 3D дүрслэлүүд (Explicit 3D Output): Atlas нь зөвхөн хавтгай видео гаргаад зогсохгүй тухайн орчныг Gaussian Splatting, цэгэн үүл (Point Cloud) болон полигон геометр болгон экспортлох чадвартай. Энэ нь график хөдөлгүүрүүдтэй (Unreal Engine, Unity) шууд холбогдох хаалгыг нээж өгч байна.
Орон зай-Цаг хугацааны симуляци: Нэг өнцгөөс авсан дүрсээс тухайн байшингийн арын хашаа эсвэл хананы цаана юу байгааг өөрийн суралцсан туршлагаар нөхөн төсөөлж, орон зайн логикийг бүрэн хадгалдаг.

Хөгжүүлэгчид болон инженерүүдэд ямар ашиг тустай вэ?

Atlas нь зөвхөн дижитал уран бүтээлчдэд зориулсан хэрэгсэл биш юм. Программ хангамж, роботик, тоглоом хөгжүүлэгчдэд дараах практик үнэ цэнийг бий болгоно:

1. Роботикийн "Real-to-Sim-to-Real" урсгал

Бие даасан робот, автомат жолоодлоготой системүүдийг сургахад бодит ертөнцийг симуляци хийх дижитал ихэр (Digital Twin) бүтээх нь асар өндөр зардалтай байдаг. Atlas-ийн тусламжтайгаар бодит ертөнцийн цөөн зураг, бичлэгийг симуляцийн орчин болгон хувиргаж, роботын хөдөлгөөний бодлогыг (robot policy) сургах боломж бүрдэнэ.

2. Тоглоом хөгжүүлэлтийн хурдасгуур

3D модель зохион бүтээгчид эхний түвшний концепц зургаас шууд 3D тор (mesh) болон Gaussian Splat бүтээж, түвшин дизайн (level design)-ийг хэдхэн минутад туршиж үзэх боломжтой болно.

3. Spatial Computing ба виртуал орчин

Apple Vision Pro, Meta Quest зэрэг орон зайн тооцооллын төхөөрөмжүүдэд зориулсан динамик 3D үзэгдлүүдийг бодит цаг хугацаанд үүсгэх суурь дэд бүтэц болж өгөх боломжтой.

Дүгнэлт: AI-ийн дараагийн давлагаа бол "World Models"

Текст дээр суурилсан LLM загварууд код бичих, агуулга боловсруулах түвшинд хүрсэн бол хиймэл ерөнхий оюун ухааны (AGI) дараагийн шат нь физик ертөнцийг бүрэн ойлгож, түүнтэй харилцан үйлчлэх чадвар юм.

World Labs-ийн "Atlas" нь энэхүү чиглэлд хийгдсэн хамгийн бодитой, инженерчлэлийн хувьд амбицтай төслүүдийн нэг болж гарч ирлээ. Одоогоор зарим түншүүдэд Early Access хэлбэрээр нээгдээд буй уг загвар нь тун удахгүй API хэлбэрээр хөгжүүлэгчдэд хүрч, орон зайн тооцоолол, роботикийн салбарт цоо шинэ стандарт тогтоох магадлалтай байна.

Эх сурвалж: World Labs Official Announcement ба Kingy AI / SuperMaker AI Research