3 photos, une scène 3D : ce que promet Atlas de World Labs est époustouflant

Les démos sont folles. Atlas génère jusqu’à une minute de vidéo en 1440p, avec un contrôle de la caméra que World Labs qualifie de « pixel-perfect ». Il reconstruit aussi une scène en 3D à partir de deux ou trois photos prises au smartphone. L’annonce est tombée dans un post sur X qui a dépassé 3,3 millions de vues. Le tout vient pour l’instant de démos maison, et l’outil n’est ouvert qu’à quelques partenaires triés sur le volet.

World Labs, c’est la société fondée en 2024 par Fei-Fei Li, la chercheuse en vision par ordinateur derrière ImageNet, la base d’images qui a lancé la vague du deep learning au début des années 2010.

Son idée, l’« intelligence spatiale » : pour qu’une IA comprenne vraiment le monde physique, elle doit savoir comment un espace est fait, comment on s’y déplace et comment il évolue. Atlas est sa nouvelle brique. Un seul modèle gère la génération d’images, la vidéo et la reconstruction 3D, sans enchaîner plusieurs outils séparés. World Labs parle d’une architecture inédite, le « multimodal autoregressive diffusion transformer », entraînée de zéro.

Une protection complète de votre vie numérique.

Protégez votre vie numérique et vos appareils contre les virus, arnaques, ransomwares et menaces en ligne avec Bitdefender, primé pour sa protection et compatible avec Windows, Mac, Android et iOS.

Sponsorisé

Offre spéciale -50%

Concrètement, le modèle avale du texte, des images et des trajectoires de caméra définies à la main, puis fabrique la suite en gardant la cohérence 3D d’un plan à l’autre. C’est cette triple entrée qui justifie le mot « multimodal ».

Côté financement, la startup a levé 1,2 milliard de dollars (environ 1 milliard d’euros) auprès de Nvidia, AMD et Autodesk.

Meilleur que les spécialistes, selon World Labs

Sur le papier, Atlas coche beaucoup de cases, et l’entreprise publie ses propres tests. Pour le contrôle de caméra, des évaluateurs humains ont préféré Atlas à des modèles vidéo comme Gemini Omni Flash ou FLUX 3 dans la grande majorité des cas. Pour la reconstruction 3D à partir de peu d’images, World Labs affirme battre les meilleurs modèles open source spécialisés. Ces chiffres restent maison, sans validation extérieure. La revendication de « premier modèle mondial multimodal » sort du même tonneau : elle vient du post de World Labs, personne d’indépendant ne l’a confirmée.

Pour aller plus loin
Yann LeCun lance AMI : tout savoir sur la startup française d’IA qui veut ringardiser ChatGPT

World Labs n’est pas seul sur ce terrain. On peut citer aussi Odyssey, AMI Labs (la structure de Yann LeCun) ou encore Niantic Spatial parmi les concurrents qui bâtissent des mondes simulés.

Alors qu’un générateur vidéo classique comme Sora s’appuie sur des instructions en texte pour cadrer un plan, Atlas prend la géométrie de la caméra comme entrée directe. L’argument d’Atlas, c’est de tout réunir dans un seul modèle de base plutôt que d’empiler des briques.

Évidemment, si les performances tiennent hors démo, les premiers clients sont tout trouvés : roboticiens qui veulent entraîner leurs machines sans studio de capture, studios d’effets spéciaux, développeurs de réalité virtuelle. Pour l’instant, l’accès anticipé se limite à des partenaires sélectionnés.

World Labs n’a communiqué ni date de disponibilité générale, ni tarif, ni conditions détaillées.