월드랩스, 사진 몇 장만으로 3D 세계를 생성·재구축·시뮬레이션하는 통합 AI 모델 '아틀라스' 공개
이비페이페이(Fei-Fei Li)가 공동 창업한 World Labs가 몇 장의 사진만으로 3D 장면을 생성, 재구축, 시뮬레이션하는 단일 올모델 'Atlas'를 발표했습니다. Atlas는 카메라 위치를 직접 제어해 1440p 최대 1분 영상을 출력하고, 포인트 클라우드와 3D 가우시안 스플랫 등 네이티브 3D 데이터를 결과물로 내놓으며, 로봇학 훈련 데이터 생성을 위한 real-to-sim 도구로도 활용될 수 있습니다. 전용 3D 모델들을 능가한다는 주장이 사실이라면 공간 지능(spacial intelligence) 분야의 판도를 바꿀 중요한 발표입니다.
월드랩스(World Labs), 사진 몇 장만으로 3D 세계를 생성·재구축·시뮬레이션하는 단일 AI 모델 '아틀라스(Atlas)' 공개
AI 연구자 리페이페이(Fei-Fei Li)가 공동 창업한 World Labs가 몇 장의 이미지만으로 3D 장면을 생성, 재구축, 시뮬레이션하는 월드 모델 '아틀라스(Atlas)'를 발표했다. 이 회사는 아틀라스가 각 전용 모델들의 고유 작업에서도 그 모델들을 능가한다고 주장하며, 이 경우 많은 전용 모델들이 불필요해질 수 있다고 밝혔다.
창립 이래 World Labs는 AI가 인간처럼 3D 공간을 이해해야 한다는 '공간 지능(spatial intelligence)' 목표를 추구해왔다. 아틀라스는 이를 대규모로 실현하기 위한 회사의 첫 모델이다. 평면 이미지나 짧은 영상 클립을 만들어내는 대신, 장면이 어떤 각도에서 어떻게 보이는지, 시간에 따라 어떻게 변하는지를 파악한다.
World Labs는 아틀라스를 텍스트, 이미지, 영상, 3D 데이터로 처음부터 학습된 '올모델(omni-model)'이라고 설명한다. 모든 입력은 평면 시퀀스가 아니라 3D 공간의 특정 위치에 고정(앵커링)되어 처리된다. 회사는 이러한 공유된 공간 이해를 '공간적 컨텍스트(spatial context)'라 부르며, 모델이 새 프레임이나 시점을 생성할 때 이를 활용한다. World Labs에 따르면 이 앵커링 방식이 아틀라스를 순수 언어 모델이나 영상 모델과 구별하는 핵심이다.
리페이페이는 2025년 11월 에세이에서 이 문제를 정확히 짚은 바 있다. 그녀는 현재의 멀티모달 언어 모델과 비디오 확산 모델이 데이터를 1차원 또는 2차원 시퀀스로 분해하기 때문에 간단한 공간 작업조차 불필요하게 어렵다고 주장했다. 필요한 것은 토큰화, 컨텍스트, 메모리를 3D·4D를 인식하는 방식으로 구성하는 아키텍처이다.
1440p 최대 1분 영상
카메라 제어 생성의 경우, 아틀라스는 한 장 이상의 이미지를 받아 사용자가 자유롭게 선택한 카메라 위치와 각도에서 새로운 뷰를 생성한다. 카메라 움직임은 많은 영상 모델이 요구하는 것처럼 텍스트 프롬프트로 기술되지 않고 직접적인 기하학적 입력으로 전달된다. 모델은 1440p 해상도로 최대 1분 길이의 영상을 출력한다. World Labs의 표현을 빌리면, 사용자는 '슬롯머신 레버를 당기는' 대신 모든 샷을 직접 제어할 수 있으며, 이는 제어된 생성과 무작위 출력을 구분하는 기준이 된다.
공간 재구축 측면에서 아틀라스는 단 한 장에서 수십 장의 입력 이미지만으로 특수 촬영 장비 없이 실제 장면을 재구축한다. 입력 이미지가 많을수록 모델이 자체 지식으로 채워 넣어야 할 부분이 줄어든다. World Labs에 따르면 이미지 두세 장만으로도 아틀라스는 충실한 결과를 내며 전용 3D 모델을 능가한다. 100장이 넘는 입력도 처리할 수 있다. 한 시연에서 모델은 지상에서 촬영한 스탠퍼드 대학 메인 쿼드(Main Quad) 사진 2장에서 25장까지 점진적으로 장면을 조립하고, 캠퍼스 상공 훨씬 위에서 본 항공 뷰를 생성했다. 바로 이 지점에서 기존 모델들이 무너지는 경향이 있다. OpenWorldLib 프레임워크 내 비교에서 VGGT, InfiniteVGGT 같은 시스템은 카메라가 크게 이동하자마자 기하학적 비일관성과 흐릿한 텍스처를 보였다.
네이티브 3D 출력과 로봇 시뮬레이션
아틀라스는 RGB와 함께 깊이 정보를 처리하기 때문에 이미지나 영상이 아니라 실제 3D 데이터로 결과를 출력할 수 있다. 지원 포맷에는 포인트 클라우드(point cloud)와 3D 가우시안 스플랫(3D Gaussian splats)이 포함되며, 이는 수많은 작은 공간 데이터 포인트로 장면을 구성해 어떤 각도에서든 부드럽게 볼 수 있게 한다. 이는 회사의 기존 제품인 마블(Marble)이 사용하는 표현 방식과 일치한다.
시뮬레이터로서 아틀라스는 공간과 시간을 함께 모델링한다. 불과 몇 대의 카메라로 촬영한 영상만으로 장면을 멈춰 세우고 평소에는 불가능한 각도에서 볼 수 있는 '불릿 타임(bullet time)' 효과를 만들어낸다. 시연 영상은 전문 장비가 아닌 몇 대의 스마트폰과 액션캠으로 촬영되었다.
로봇 분야에서는 아틀라스가 real-to-sim 도구로 활용된다. 방을 재구축하고, 시뮬레이션된 로봇의 센서가 이동 경로를 따라 보게 될 이미지와 깊이 데이터를 생성한다. 몇 장의 사진만으로 객체, 위치, 조명, 배경을 바꿔가며 로봇의 파지(grasping)와 이동 작업을 시뮬레이션할 수 있다. 목표는 직접 촬영 없이 로봇을 위한 다양한 훈련 데이터를 생성하는 것이다.