La generazione di immagini e video rappresenta soltanto una parte del problema che l’intelligenza artificiale deve affrontare per comprendere e costruire ambienti tridimensionali. Un sistema destinato a muoversi nello spazio, virtuale o fisico, deve infatti mantenere coerenti oggetti e luoghi osservati da prospettive differenti, ricostruire la geometria di una scena, inferire ciò che si trova fuori dall’inquadratura e modellare il modo in cui l’ambiente cambia nel tempo.
È il campo che World Labs definisce spatial intelligence, intelligenza spaziale, e sul quale ha costruito fin dall’inizio la propria attività. Con Atlas, presentato il 1° settembre 2026, la società californiana porta questa impostazione in un nuovo modello di base che riunisce nella stessa architettura capacità di generazione di immagini e video, ricostruzione tridimensionale e simulazione di ambienti fisici.
World Labs definisce Atlas un omni world model, addestrato da zero per lavorare con testo, immagini, video e informazioni 3D organizzandoli in un contesto spaziale condiviso. Invece di trattare questi dati come input indipendenti, il modello li mette in relazione all’interno di una stessa rappresentazione dello spazio, così da poter generare nuove viste coerenti con la geometria già osservata, ricostruire ambienti reali, produrre rappresentazioni tridimensionali esplicite e simulare ciò che vedrebbero le videocamere di un robot mentre questo si muove.
Atlas diventerà inoltre la base delle future versioni di Marble e degli altri prodotti sviluppati da World Labs.
World Labs costruisce modelli per comprendere lo spazio
World Labs è stata fondata da Fei-Fei Li, Justin Johnson, Ben Mildenhall e Christoph Lassner, riunendo competenze che provengono da machine learning, computer vision, grafica e AI generativa. Li, docente alla Stanford University e tra le figure centrali nello sviluppo di ImageNet, lavora da anni sul rapporto fra percezione visiva e intelligenza artificiale; Mildenhall è invece tra gli autori di NeRF, Neural Radiance Fields, una delle tecniche che hanno contribuito in modo decisivo alla recente evoluzione della ricostruzione neurale tridimensionale.
L’impostazione della società parte dall’idea che la padronanza del linguaggio o delle immagini bidimensionali non sia sufficiente per costruire sistemi capaci di interagire con il mondo. La spatial intelligence richiede infatti di rappresentare oggetti, luoghi e relazioni nello spazio e nel tempo, conservandone la struttura anche quando cambia il punto di osservazione o quando una parte dell’ambiente non è direttamente visibile.
I primi risultati pubblici sono arrivati nel dicembre 2024, quando World Labs ha mostrato un sistema capace di generare mondi 3D esplorabili partendo da una singola immagine. Quella linea di ricerca ha trovato una prima concretizzazione commerciale nel settembre 2025 con Marble, inizialmente proposto in beta e reso disponibile al pubblico nel novembre dello stesso anno.
Marble genera mondi 3D persistenti e navigabili a partire da testo, immagini, video oppure layout tridimensionali semplificati; gli ambienti ottenuti possono essere modificati, ampliati, combinati ed esportati come mesh, video o 3D Gaussian splat. Con questo sistema World Labs ha iniziato a trasformare l’idea di world model in uno strumento utilizzabile per la costruzione di ambienti, non più limitato alla sola produzione di singole immagini o sequenze video.
Un secondo filone è stato esplorato con RTFM, Real-Time Frame Model, presentato nell’ottobre 2025. Il modello genera in tempo reale le immagini corrispondenti allo spostamento dell’osservatore all’interno di un ambiente e raggiunge frame rate interattivi su una singola GPU NVIDIA H100, mantenendo una memoria delle viste già prodotte e della posizione dalla quale sono state osservate.
Ogni fotogramma viene infatti associato alla posizione e all’orientamento della camera nello spazio; le immagini precedenti diventano così una memoria spaziale dalla quale RTFM recupera, durante l’esplorazione, soltanto le viste più pertinenti alla regione corrente. World Labs chiama questa tecnica context juggling: invece di mantenere nell’attenzione l’intera sequenza generata fino a quel momento, il sistema seleziona dinamicamente il contesto utile per la zona che l’utente sta attraversando, rendendo possibile la persistenza di ambienti molto più estesi.
Atlas riprende il principio di una rappresentazione organizzata spazialmente, ma lo estende a tipi di dati differenti e alla produzione di output tridimensionali espliciti, trasformando ciò che in RTFM era soprattutto una memoria delle viste in un contesto multimodale più generale.
Nel gennaio 2026 World Labs ha inoltre aperto la World API, portando le capacità di Marble in un servizio programmabile per creare ambienti navigabili da testo, immagini e video. Un mese dopo la società ha annunciato un nuovo finanziamento da 1 miliardo di dollari, con investitori che comprendono AMD, Autodesk, Emerson Collective, Fidelity Management & Research Company, NVIDIA e Sea.
L’espansione verso il mondo fisico si è ulteriormente rafforzata a luglio con l’acquisizione di SceniX, società specializzata nella robotica. World Labs collega esplicitamente questa attività allo sviluppo di world model e sistemi di simulazione capaci di trasferire ambienti e interazioni reali in scenari nei quali addestrare e valutare robot, anticipando una delle applicazioni più importanti che ora emergono con Atlas.
Le immagini di Atlas occupano una posizione nello spazio
La caratteristica centrale di Atlas riguarda il modo in cui gli input vengono rappresentati e messi in relazione fra loro.
Un normale modello video può considerare una scena principalmente come una successione temporale di fotogrammi; Atlas associa invece ogni immagine anche alla geometria della camera, cioè alla posizione e all’orientamento da cui è stata acquisita. A queste informazioni può aggiungersi una mappa di profondità, che assegna ai diversi punti dell’immagine la loro distanza dalla camera.
L’insieme costituisce quello che World Labs chiama spatial context: il modello non dispone soltanto delle immagini, ma conosce anche il rapporto geometrico fra i punti di osservazione dai quali quelle immagini provengono. Due fotografie dello stesso ambiente, per esempio, non vengono interpretate semplicemente come due rappresentazioni visivamente correlate, perché Atlas può sapere dove erano collocate le rispettive camere e in quale direzione erano orientate.
Quando deve generare una nuova vista, il modello può quindi utilizzare contemporaneamente il contenuto delle immagini precedenti e la struttura spaziale che le collega, producendo il risultato dalla posizione assegnata alla nuova camera.
La stessa logica permette anche di costruire ambienti che non esistevano in origine. Due immagini indipendenti possono essere collocate in punti differenti di uno spazio virtuale e Atlas può generare ciò che si trova fra loro, introducendo porte, corridoi o altri elementi necessari a trasformarle in porzioni coerenti dello stesso mondo.
Dentro l’architettura di Atlas
Dal punto di vista tecnico, World Labs definisce Atlas un multimodal autoregressive diffusion transformer, una formula che riunisce principi sviluppati negli LLM e nei moderni modelli generativi per immagini e video.
Atlas è multimodale perché la sequenza elaborata dal modello può contenere elementi di natura differente: testo, immagini, pose delle camere e mappe di profondità 3D, mentre i video vengono rappresentati come successioni di immagini. L’autoregressione stabilisce invece il modo in cui questa sequenza viene estesa.
Il principio è simile a quello dei large language model, nei quali ogni nuovo token viene generato sulla base dei token precedenti, ma in Atlas gli elementi della sequenza non sono soltanto parole. Il contesto può includere, per esempio, alcune immagini di un luogo accompagnate dalle rispettive posizioni della camera e terminare con la richiesta di produrre la vista corrispondente a un nuovo punto dello spazio; in altri casi il risultato atteso può essere una mappa di profondità o un’ulteriore immagine necessaria alla ricostruzione.
Il Transformer mette in relazione gli elementi del contesto attraverso il meccanismo di attention introdotto nell’architettura descritta in Attention Is All You Need. Nel caso di Atlas, tuttavia, una parte delle relazioni spaziali non deve essere dedotta esclusivamente dal contenuto visivo, perché posizione e orientamento delle camere vengono forniti esplicitamente al modello.
L’autoregressione determina dunque quale informazione deve essere generata sulla base del contesto disponibile; per costruire concretamente immagini e altre rappresentazioni visive continue interviene invece la componente diffusion.
Atlas utilizza più precisamente un metodo di rectified flow, appartenente a una famiglia di modelli generativi progettata per apprendere trasformazioni più dirette fra una distribuzione iniziale semplice e quella dei dati reali, descritta fra gli altri lavori in Flow Straight and Fast. Durante l’inferenza, il sistema parte da una rappresentazione che non possiede ancora la struttura dell’immagine finale e la trasforma progressivamente nell’output richiesto.
Questa procedura può essere eseguita con un numero variabile di passaggi, consentendo di intervenire sul compromesso fra costo computazionale, latenza e qualità. Un numero maggiore di iterazioni permette generalmente una generazione più accurata, mentre ridurre i passaggi consente di produrre il risultato più rapidamente.
Atlas appartiene inoltre alla categoria dei latent diffusion model: la generazione non deve avvenire direttamente sull’intera matrice di pixel dell’immagine, ma può essere eseguita in uno spazio numerico compresso. Un autoencoder trasforma l’informazione visiva in una rappresentazione latente più compatta, sulla quale opera il modello generativo, e ricostruisce successivamente l’immagine finale.
Il VAE, Variational Autoencoder interviene in questa fase di codifica e decodifica: migliorarne l’architettura significa poter comprimere le informazioni visive conservando più dettagli utili alla generazione e alla successiva ricostruzione dell’output.
La combinazione fra autoregressione e diffusion consente inoltre ad Atlas di beneficiare delle tecniche di ottimizzazione sviluppate separatamente nei due campi. Dal versante degli LLM, World Labs cita KV caching, cache-aware routing e disaggregated serving. Il KV caching conserva in memoria parte dei calcoli di attention relativi al contesto già elaborato, evitando di ripeterli quando viene prodotto un nuovo elemento; il cache-aware routing può indirizzare una richiesta verso le risorse che possiedono già quel contesto in memoria, mentre il disaggregated serving permette di distribuire su hardware differente fasi dell’inferenza con caratteristiche computazionali diverse.
Dalla ricerca sui modelli diffusion arrivano invece tecniche come diffusion distillation, che può ridurre il numero di passaggi necessari alla generazione, classifier-free guidance, utilizzata per rafforzare l’influenza del condizionamento sull’output, oltre a shifted noise schedules e progressi nella progettazione dei VAE.
World Labs presenta queste tecniche come esempi delle innovazioni che l’architettura di Atlas può sfruttare, e non come un elenco di componenti necessariamente già implementati tutti nella versione attuale. Il punto centrale è la convergenza fra la struttura sequenziale e le ottimizzazioni maturate negli LLM e i meccanismi generativi sviluppati per immagini e video.
La posizione della camera diventa un input nativo
Una delle conseguenze più immediate di questa impostazione riguarda il controllo della camera, che non deve più essere affidato esclusivamente a istruzioni testuali.
Atlas può ricevere una o più immagini di riferimento e generare nuove viste specificando direttamente posizione e orientamento della camera. Un movimento laterale, una panoramica o una traiettoria più complessa possono quindi essere forniti geometricamente al modello, anziché essere descritti attraverso un prompt che il sistema deve poi interpretare.
Partendo da una singola fotografia, Atlas può generare la stessa scena osservata da prospettive differenti, ma ciò comporta inevitabilmente una componente generativa quando la nuova inquadratura rende visibili regioni assenti nell’immagine originale. Il modello non recupera informazioni nascoste nei pixel di partenza: utilizza la rappresentazione dello spazio e quanto appreso durante il training per costruire una continuazione tridimensionale plausibile della scena.
World Labs mostra, per esempio, un’immagine dalla quale Atlas deve ricostruire il retro di un robot e parti dell’ambiente che inizialmente non erano visibili, mantenendo allo stesso tempo la coerenza con gli elementi già osservati.
Per la generazione video gli esempi pubblicati utilizzano da una a sei immagini di riferimento, associate a traiettorie della camera progettate manualmente. Atlas può arrivare a produrre un minuto di video a 1440p, seguendo il percorso assegnato e utilizzando lo spatial context per mantenere stabile la struttura dell’ambiente mentre cambia il punto di osservazione.
Da poche fotografie a una ricostruzione tridimensionale
Lo stesso meccanismo può essere utilizzato nel verso opposto: anziché generare un mondo nuovo, Atlas può partire da osservazioni di un ambiente reale e ricostruirne progressivamente la struttura tridimensionale.
Il problema è quello della novel view synthesis, cioè la generazione di ciò che una camera vedrebbe da una posizione dalla quale non è mai stata acquisita una fotografia. Quando gli input sono pochi, ricostruzione e generazione inevitabilmente si sovrappongono, perché una parte dell’ambiente non è stata osservata; aumentando il numero delle immagini, cresce invece la porzione della geometria vincolata direttamente dai dati reali.
World Labs indica che Atlas può ottenere ricostruzioni fedeli delle regioni osservate anche partendo da due o tre immagini, pur potendo inserire nello spatial context più di cento viste quando sono disponibili acquisizioni più estese.
Uno degli esempi parte da una fotografia scattata a livello del suolo in un giardino. Atlas può generare anche una vista aerea della proprietà, ma deve inizialmente inventare le parti mai osservate; aggiungendo fotografie della casa e degli edifici circostanti, la porzione lasciata all’inferenza generativa diminuisce e la ricostruzione viene progressivamente vincolata dalle nuove informazioni.
Un altro esperimento riguarda il Main Quad della Stanford University, ricostruito utilizzando da due a 25 fotografie scattate da terra e successivamente esplorato anche attraverso traiettorie della camera collocate molto più in alto rispetto ai punti di acquisizione originali.
Una volta costruita la rappresentazione dello spazio, la stessa scena può essere attraversata numerose volte con percorsi, velocità e inquadrature differenti, mantenendo stabile la struttura dell’ambiente.
Atlas produce anche geometria 3D esplicita
Le capacità di Atlas non si fermano alla novel view synthesis, perché il modello può produrre direttamente informazioni geometriche utilizzabili da altri sistemi.
Le mappe di profondità associano a ogni pixel la distanza dalla camera e permettono di trasformare il contenuto di un’immagine in una prima rappresentazione tridimensionale. Combinando le informazioni provenienti da più viste, Atlas può costruire point cloud, insiemi di punti dotati di coordinate nello spazio che descrivono la forma della scena.
Questa rappresentazione può successivamente essere trasformata in 3D Gaussian splat. Nel Gaussian Splatting una scena viene descritta attraverso un insieme molto numeroso di primitive tridimensionali alle quali sono associate proprietà quali posizione, dimensione, colore e trasparenza; il vantaggio consiste nella possibilità di ottenere rendering fotorealistici con costi sufficientemente contenuti per la visualizzazione interattiva.
È anche una delle rappresentazioni utilizzate da Marble, per cui gli output tridimensionali di Atlas possono entrare direttamente negli altri strumenti della piattaforma World Labs.
Da una singola fotografia il modello può quindi generare nuove viste, stimarne la profondità e costruire progressivamente una rappresentazione tridimensionale; da un video di uno spazio reale può invece calcolare la geometria dei singoli fotogrammi e combinarla in una ricostruzione più ampia. Anche in questo caso, quando alcune regioni non sono mai state osservate da nessuna camera, la stessa architettura può completarle generativamente.
Lo spatial context comprende anche il tempo
Atlas estende questa rappresentazione dalla sola dimensione spaziale a quella temporale, utilizzando sequenze video acquisite contemporaneamente da punti di osservazione diversi.
World Labs mostra riprese realizzate con tre-cinque smartphone e action camera sincronizzati. Dopo avere ricostruito l’evento dalle prospettive disponibili, il modello può congelare un determinato istante e rigenerarlo da un punto nel quale non era presente alcuna camera reale.
Il risultato ricorda il bullet time dei sistemi multicamera tradizionali, ma riduce drasticamente il numero dei dispositivi necessari perché le prospettive mancanti vengono sintetizzate dal modello sulla base delle viste disponibili e della struttura tridimensionale ricostruita.
Lo stesso principio diventa particolarmente rilevante quando l’ambiente deve essere utilizzato non per la visualizzazione, ma come simulazione destinata a un sistema robotico.
Dalle riprese reali alla simulazione per i robot
Per la robotica World Labs utilizza Atlas all’interno di workflow Real-to-Sim, nei quali un ambiente fisico viene acquisito mediante immagini o video e trasformato in uno spazio simulato nel quale riprodurre la percezione e il comportamento di un robot.
Negli esempi pubblicati insieme al modello, due grandi ambienti vengono registrati con uno smartphone e ricostruiti utilizzando 24 fotogrammi ciascuno. Una volta ottenuta la rappresentazione dello spazio, Atlas può generare le immagini RGB e le mappe di profondità che le videocamere installate sul corpo di differenti robot vedrebbero mentre percorrono traiettorie diverse.
Ricostruzione dell’ambiente e simulazione della percezione provengono quindi dalla stessa architettura, evitando di separare nettamente la fase nella quale viene costruito lo scenario da quella che produce gli input sintetici destinati al sistema robotico.
Il processo può comprendere anche la manipolazione di oggetti. Partendo da poche registrazioni reali, Atlas contribuisce alla costruzione di simulazioni nelle quali vengono riprodotte interazioni con oggetti rigidi, articolati e deformabili; una volta ricostruita l’attività, è possibile variare gli oggetti presenti, la loro posizione, i movimenti del robot, l’illuminazione o lo sfondo, moltiplicando le condizioni disponibili per training e valutazione.
È il collegamento più diretto fra Atlas e l’espansione di World Labs nella robotica dopo l’acquisizione di SceniX: trasformare più rapidamente ambienti e interazioni del mondo fisico in simulazioni abbastanza varie da aumentare il numero di situazioni nelle quali un robot può essere addestrato o sottoposto a test prima di operare realmente.
La generazione di immagini diventa una funzione del world model
Atlas mantiene anche le capacità più tradizionali dei modelli generativi visuali, ma le incorpora all’interno della stessa rappresentazione utilizzata per costruire e ricostruire ambienti.
Il modello può generare immagini da prompt testuali, seguire istruzioni complesse, riprodurre testo all’interno delle immagini e adottare differenti stili visivi; può inoltre creare panorami a 360 gradi a partire da testo oppure da immagini di riferimento.
La generazione di un’immagine diventa così un caso particolare di un problema più generale: ogni output può essere considerato come la vista di un ambiente che possiede una struttura spaziale potenzialmente estendibile, anziché come un risultato bidimensionale isolato.
I benchmark separano controllo della camera e ricostruzione 3D
La varietà dei compiti affrontati da Atlas rende poco significativo un singolo benchmark complessivo. World Labs pubblica quindi valutazioni quantitative separate per camera-conditioned generation e ricostruzione 3D da un numero ridotto di viste.
Nel primo caso i modelli ricevono una singola immagine e devono seguire sequenze composte da uno a tre movimenti cinematografici della camera, fra cui pan, truck e crane. Valutatori umani esterni confrontano gli output in base alla capacità di rispettare il percorso richiesto, misurando quindi soprattutto il controllo geometrico della generazione.
Il confronto presenta tuttavia una differenza metodologica rilevante: Atlas riceve la traiettoria attraverso il proprio formato geometrico nativo, mentre i modelli video concorrenti non accettano direttamente le coordinate della camera e vengono quindi istruiti mediante descrizioni testuali dei movimenti. World Labs segnala esplicitamente che tecniche di prompt engineering o input multimodali più sofisticati potrebbero migliorare il comportamento di alcuni dei sistemi confrontati; nei risultati pubblicati dall’azienda, il vantaggio di Atlas aumenta comunque con la complessità della traiettoria.
Per la ricostruzione tridimensionale, il modello riceve invece immagini e pose delle relative camere e deve stimare la posizione nello spazio corrispondente ai pixel osservati. Il confronto comprende sistemi specialistici open source fra cui Pi3X, π³, VGGT-Ω 1B, Depth Anything 3 e MapAnything.
World Labs dichiara di avere riprodotto le diverse baseline con un protocollo comune e riporta per Atlas un errore di ricostruzione inferiore rispetto ai modelli specialistici inclusi nella valutazione. Il confronto riguarda quindi un compito per il quale i concorrenti sono stati progettati specificamente, mentre Atlas utilizza la stessa architettura anche per generazione, video e simulazione.
Atlas è stato progettato per crescere con il compute
World Labs ha preaddestrato Atlas da zero su quello che descrive come un ampio corpus multimodale, sperimentando durante lo sviluppo versioni del modello con dimensioni e quantità di calcolo progressivamente maggiori.
I risultati pubblicati mostrano un miglioramento delle prestazioni all’aumentare del training compute e indicano che l’azienda considera lo scaling uno degli assi principali per le generazioni successive dei propri world model.
Nell’annuncio non vengono specificati numero di parametri, dimensioni del dataset di training o quantità assoluta di risorse computazionali utilizzate; i risultati sullo scaling vengono quindi rappresentati in termini relativi fra le diverse configurazioni sperimentali, senza consentire un confronto diretto con le dimensioni dei principali modelli linguistici o visuali disponibili.
Atlas entra inizialmente in early access con partner selezionati e sarà utilizzato nelle future versioni di Marble e negli altri prodotti di World Labs. La stessa architettura diventa così il punto di convergenza dei filoni sviluppati finora dalla società: generare ambienti, ricostruire quelli esistenti e trasformarli in spazi nei quali persone, sistemi software e robot possano muoversi e operare.
