TITLE

Atlas の核心は性能でなく「カメラの渡し方」— World Labs 新ワールドモデルを実務目線で読む

投稿日：2026.09.01

Atlas とは何か

Atlas は、text・images・video・3D をひとつのモデルでネイティブに扱う「omni model」です。World Labs はゼロから事前学習したと説明しています。アーキテクチャは "multimodal autoregressive diffusion transformer"。3D 空間にグラウンドされた「空間コンテキスト」を入力とし、そこから次の要素を1つずつ生成する仕組みで、diffusion 部分は rectified flow を使っています。

扱えるデータ型は text・images・camera poses・3D depth maps の4種類です。動画そのものは画像の系列として表現され、各画像と深度マップは明示的なカメラ姿勢に条件づけられます。World Labs は「空間制御をアーキテクチャの中心的な構成要素にした」と説明しており、これが次章の核心につながります。

World Labs は2024年2月にローンチしたスタートアップで、Nvidia・AMD・Autodesk などから12億ドルを調達したと報じられています(SiliconANGLE)。

核心はカメラの渡し方 — 言葉から座標へ

言葉でカメラを頼む既存モデルと、座標でカメラを渡す Atlas の対比図

言葉でカメラ位置を頼む方式から、座標でカメラ位置を渡す方式へ。これが Atlas の設計上の分かれ目です。

Atlas がベンチマークで比較対象にしたようなモデルでは、カメラワークを指定する時にできるのは「ゆっくりパンして」「引きの画で」のようなテキストでの依頼だけでした。モデルはその言葉を解釈してカメラの動きを近似しますが、言葉は座標ではないので、狙った位置に正確に収まる保証はありません。World Labs 自身、Atlas のベンチマークで比較対象にした他モデルは「カメラをネイティブ入力に取れない」ため、標準的な撮影用語を使ったテキストプロンプトでカメラパスを記述して比較したと明記しています。裏を返せば、比較対象のモデル群にとってテキストは唯一の手段だったということです。

Atlas はここが違います。カメラの位置と向きを、テキストを介さず pose という数値そのものとして入力に渡せます。公式の説明では「カメラ幾何をネイティブな入力型として使い、テキストによる粗いカメラ指示を超える」とされています。

この違いは、私たちが Grok Imagine で踏んだ失敗と同じ層の話ではありません。Grok Imagine はテキスト条件付けの image-to-video モデルであり、Atlas のような世界モデルのカメラポーズ入力とは仕組みが異なります。

具体的に何ができるか

カメラをネイティブに扱えることで、Atlas は次のようなことができると World Labs は説明しています。

まず視点合成です。1〜6枚の参照画像から、指定した任意のカメラ位置・角度で新しい視点の画像を生成できます。公式の例では、1枚の入力画像だけから場面全体(ロボットの背面、プール脇の芝生など、元の画像には写っていない部分)を推測して生成しています。

動画生成では、少数の参照画像と手で設計したカメラパスから、1440p・1分の動画を生成した例が示されています(この例に限った数値で、常にこの長さの動画が作れるという意味ではありません)。

出力は2Dの画像・動画だけではありません。深度マップをネイティブに扱えるため、point cloud(点群)や3D Gaussian splat のような明示的な3D出力も可能だと説明されています。

三脚とクランプに固定された普通のスマートフォン3台

なかでも実務的に面白いのが Space-Time Simulation です。3〜5台程度の普通のカメラで撮った映像からシーンを再構成し、時間を止めて任意のアングルから撮り直す、いわゆる「バレットタイム」風のリフレーミングができるという例です。World Labs はこのデモについて、プロの撮影者や専用機材ではなく「数人のエンジニアと研究者が、三脚とクランプに載せた普通の携帯電話で撮影した」と記載しています。

ロボティクスの領域では、携帯電話で撮った動画から大きな環境を2つ、それぞれ24フレームで取り込み、ロボットが移動する際に body-mounted カメラが観測するはずのRGB画像と深度を生成する Real-to-Sim の例が紹介されています。マニピュレーション(物を扱う動作)の学習では、物体・位置・ロボットの動き・照明・背景を変えて、多様な学習用・テスト用の環境を作れると説明されています。

ベンチマークの読み方

こうしたデモの説得力を数字で裏付けているのがベンチマークです。World Labs はカメラ制御生成について、第三者による人手評価の選好率を公開しています。Atlas が選ばれた割合は、MiniMax H3 に対して75%(95%信頼区間 68–82)、Gemini Omni Flash に81%(74–87)、Happy Horse 1.1 に86%(82–91)、FLUX 3 に93%(88–97)、Seedance 2.5 に94%(90–97)でした。50%が引き分けを意味する評価軸です。

スパース視点からの3D再構成でも、専門特化型の再構成モデル(Pi3X、π³、VGGT-Ω 1B、Depth Anything 3、MapAnything)と比較し、Atlas の平均 pointmap 誤差(AbsRel)は25.3/1000で最も低かったと報告されています。評価には DTU・ETH3D・KITTI・NRGBD・7-Scenes・Tanks and Temples・ScanNet の各データセットが使われ、ベースラインは共通条件で再現したとされています。

数字だけを見ると強い結果に見えますが、World Labs 自身が「単一のベンチマークでは汎用性を捉えきれない」と断った上でこの2つのタスクを提示している点は見落とせません。開発の過程で規模と学習計算量を増やしたモデル群を訓練し、計算量の各段階で新しい能力が現れたとも報告されていますが、これも「そう報告されている」という水準の情報であり、独立した検証結果ではありません。ベンチマークは1枚の絵にすぎず、自社の用途に合うかどうかは別の問いです。

今、実務者が見極めるべきこと

Atlas は「select partners 向けの early access」に入ったばかりで、申込フォーム経由のリクエスト制です。一般提供(GA)の時期は World Labs のブログにも SiliconANGLE の報道にも記載がありません。つまり、今この記事を読んで「試したい」と思っても、すぐには使えない可能性が高いということです。World Labs は Atlas を将来の Marble や同社の他製品を動かす基盤にする予定だとも記載しており、単体の動画生成ツールというより、今後の製品群の土台という位置づけに近いようです。

競合として World Labs のような空間知能を扱うプレイヤーには Odyssey、Yann LeCun 氏の AMI Labs、Niantic Spatial などが挙げられており(SiliconANGLE)、ワールドモデルという領域自体が複数のプレイヤーで動き始めていることも押さえておく価値があります。

実務者が今日の時点で見極めるべきことは、Atlas を使えるかどうかではありません。Space-Time Simulation やロボティクスの Real-to-Sim の例が示しているのは、特別な機材ではなく普通のスマホと三脚で撮った映像が、シーンの3D的な再現や別視点の生成に使える入力になり得るという方向性です。現場の撮影記録・製品の実演映像・展示会での撮影といった、これまで撮って終わりにしていた素材が、こうした技術の入力として意味を持ち始める可能性がある、という仮説として受け止めておくのが実務的です。

まとめ

Atlas が変えたのは動画の質でなく、カメラの渡し方そのものです。実務での価値は「今すぐ試せるか」でなく、「自社の現場に眠る動画・写真が、将来こうした技術の入力になり得るか」を考え始めることにあります。三脚に固定した普通のスマホで撮った数分の映像がシーンの3D的な再現に使える例が示された以上、撮りっぱなしで消してきた現場動画を、もうしばらく残しておく判断には、これまでより理由が付きます。