World Labs เปิดตัว Atlas ภาพถ่ายใบเดียว สร้างฉาก 3 มิติทั้งฉาก สั่งมุมกล้องได้ทุกองศา

World Labs สตาร์ทอัพของคุณ Fei-Fei Li เปิดตัว Atlas เมื่อวันที่ 1 กันยายน 2026 โมเดลที่รับภาพถ่ายเข้าไปเพียงใบเดียว แล้วสร้างฉากรอบตัวออกมาเป็นวิดีโอยาวสูงสุด 1 นาทีที่ความละเอียด 1440p โดยผู้ใช้กำหนดเองได้ว่าจะให้กล้องเคลื่อนไปทางไหน องศาไหน เร็วแค่ไหน และยังพ่นข้อมูลรูปทรง 3 มิติของฉากนั้นออกมาให้เอาไปใช้งานต่อได้ด้วย

สิ่งที่ทำให้ Atlas ต่างจากโมเดลสร้างวิดีโอทั่วไปอยู่ที่คำว่าโมเดลโลก (World Model) ซึ่งหมายถึงโมเดลที่ไม่ได้เรียนรู้แค่ว่าภาพถัดไปควรมีหน้าตาอย่างไร แต่เรียนรู้ว่าโลกมีโครงสร้างเชิงพื้นที่แบบไหน วัตถุแต่ละชิ้นวางอยู่ตรงไหนสัมพันธ์กัน และฉากจะเปลี่ยนไปอย่างไรเมื่อเวลาเดินหน้า World Labs เรียก Atlas ว่าเป็นโมเดลแบบ Omni เพราะฝึกมาตั้งแต่ต้นให้ทำงานกับข้อความ ภาพ วิดีโอ และข้อมูล 3 มิติ ในสถาปัตยกรรมเดียว แทนที่จะต้องต่อโมเดลเฉพาะทางหลายตัวเข้าด้วยกัน

การเปิดตัวครั้งนี้มาในจังหวะที่โมเดลโลกกลายเป็นสนามแข่งใหม่ต่อจาก Large Language Model (LLM) Google DeepMind มี Genie 3 ที่ปั้นฉากให้คนเดินสำรวจได้แบบเรียลไทม์ Nvidia ดัน Cosmos เป็นฐานผลิตข้อมูลฝึกหุ่นยนต์ ส่วนคุณ Yann LeCun ก็ลาออกจาก Meta ไปตั้ง AMI Labs เพื่อทำ AI ที่เข้าใจฟิสิกส์โดยเฉพาะ ด้าน World Labs เองระดมทุนไปแล้ว 1.23 พันล้านดอลลาร์สหรัฐ ล่าสุดคือรอบ Series B มูลค่า 1 พันล้านดอลลาร์เมื่อกุมภาพันธ์ 2026 นำโดย Autodesk ที่ควักเอง 200 ล้านดอลลาร์ ดันมูลค่าบริษัทขึ้นไปแตะ 5 พันล้านดอลลาร์

สั่งกล้องได้ทุกองศา โดยไม่ต้องพิมพ์อธิบาย

โมเดลวิดีโอส่วนใหญ่คุมมุมกล้องผ่านคำสั่งข้อความ ซึ่งได้ผลแบบหยาบ ๆ เท่านั้น Atlas เลือกอีกทาง คือรับตำแหน่งและมุมกล้อง (Camera Pose) เข้าไปเป็นข้อมูลชนิดหนึ่งโดยตรง ผู้ใช้จึงวางเส้นทางกล้องได้เองทีละเฟรม

ในตัวอย่างที่ World Labs โชว์ Atlas ได้ภาพหุ่นยนต์ริมสระว่ายน้ำไปใบเดียว แล้วสร้างฉากทั้งฉากขึ้นมาใหม่ ทั้งด้านหลังของหุ่นยนต์ที่กล้องไม่เคยเห็น และสนามหญ้าข้างสระที่โมเดลเดาเอาจากความรู้เรื่องโลกที่สะสมมาระหว่างฝึก

ความสามารถที่ต่อยอดจากตรงนี้คือสิ่งที่บริษัทเรียกว่าบริบทเชิงพื้นที่ (Spatial Context) หลักการคล้าย LLM ที่เข้ารหัสข้อมูลนำเข้าทั้งหมดเป็นบริบทก่อนจะสร้างคำตอบ ต่างกันตรงที่ภาพแต่ละใบของ Atlas ถูกตรึงไว้กับพิกัดในพื้นที่ 3 มิติ ผลคือผู้ใช้หยิบภาพสองใบที่ไม่เกี่ยวข้องกันเลยมาวางคนละมุมของพื้นที่ แล้วให้โมเดลสร้างโลกที่เชื่อมสองภาพนั้นเข้าหากันได้ ตัวอย่างที่ปล่อยออกมามีทั้งประตู ทางเดิน และซอกมุมที่โมเดลคิดขึ้นเองเพื่อร้อยฉากทางเดินสถานีรถไฟให้ไปบรรจบกับห้องจัดเลี้ยง

พอรวมการคุมกล้องเข้ากับการจัดวางบริบทเชิงพื้นที่ ก็ได้วิดีโอยาวที่คุมทิศทางได้ทุกช็อต World Labs อธิบายจุดนี้ว่าเป็นการย้ายผู้ใช้จากคนที่รอลุ้นผลจากตู้เกม มาเป็นคนที่นั่งเก้าอี้ผู้กำกับและจัดฉากเอง

Atlas ยังสร้างภาพนิ่งและภาพพาโนรามา 360 องศาจากข้อความล้วนได้ ทำตามคำสั่งซับซ้อน เขียนตัวอักษรลงในภาพ และไล่สไตล์ภาพได้หลากหลาย แม้บริษัทจะย้ำว่าการสร้างภาพไม่ใช่เป้าหมายหลักของโมเดลตัวนี้

ยิ่งป้อนภาพเข้าไปมาก โมเดลก็ยิ่งเดาน้อยลง

อีกโจทย์ที่ Atlas ทำได้คือการประกอบสถานที่จริงขึ้นมาใหม่จากภาพถ่ายไม่กี่ใบ โดยไม่ต้องใช้อุปกรณ์สแกนราคาแพงหรือถ่ายภาพเป็นร้อยมุมแบบวิธีเดิม World Labs มองว่านี่เป็นก้าวสำคัญของปัญหาการสังเคราะห์มุมมองใหม่จากภาพจำนวนน้อย (Novel View Synthesis) ซึ่งเป็นโจทย์พื้นฐานที่วงการคอมพิวเตอร์วิทัศน์ (Computer Vision) แก้กันมาหลายสิบปี

กลไกที่น่าสนใจคือความสัมพันธ์ระหว่างจำนวนภาพกับความแม่นยำ เมื่อป้อนภาพน้อย โมเดลจะเติมส่วนที่มองไม่เห็นด้วยจินตนาการของตัวเอง แต่ยิ่งป้อนภาพเข้าไปมาก บริบทก็ยิ่งแน่น และโมเดลก็ยิ่งเดาน้อยลง ตัวอย่างหนึ่งเริ่มจากภาพสวนใบเดียวแล้วให้โมเดลสร้างมุมมองจากมุมสูง ผลที่ได้ตรงกับสวนจริง แต่ตัวบ้านรอบข้างเป็นของที่โมเดลคิดขึ้นเองทั้งหมด พอเติมภาพกระท่อมข้างสวนเข้าไปใบที่สอง กระท่อมก็ปรากฏถูกที่ และเมื่อเติมภาพบ้านหลังหลักเป็นใบที่สาม ฉากทั้งฉากจึงตรงกับของจริง

World Labs ระบุว่า Atlas ให้ผลลัพธ์ที่ตรงกับสถานที่จริงได้ตั้งแต่ป้อนภาพเพียงสองถึงสามใบ และรับภาพเข้าบริบทเชิงพื้นที่ได้เกินร้อยใบสำหรับงานที่ต้องการความเที่ยงตรงสูง อีกตัวอย่างคือลานกลางของ Stanford ที่ทีมงานไล่เติมภาพจากสองใบไปจนถึงยี่สิบห้าใบ ทั้งหมดถ่ายจากระดับพื้น แต่โมเดลสร้างเส้นทางกล้องที่ลอยขึ้นไปมองทั้งวิทยาเขตจากมุมสูงได้ และไม่ว่าจะเปลี่ยนเส้นทางกล้องกี่รอบ ฉากที่ได้ก็ยังคงเส้นคงวาเหมือนเดิม

ผลลัพธ์ไม่ได้จบที่วิดีโอ แต่ออกมาเป็นไฟล์ 3 มิติ

งานสายหุ่นยนต์ เกม ออกแบบ และเทคนิคพิเศษด้านภาพ (Visual Effects) ต้องการไฟล์ 3 มิติจริง ๆ ไม่ใช่แค่ภาพเคลื่อนไหว จุดนี้ Atlas ทำได้เพราะออกแบบมาให้ทำงานกับแผนที่ความลึก (Depth Map) ควบคู่ไปกับภาพตั้งแต่แรก

จากภาพใบเดียว โมเดลจะสร้างมุมมองใหม่พร้อมประเมินรูปทรงของแต่ละมุมไปพร้อมกัน ส่วนวิดีโอของสถานที่จริงก็ถูกแปลงเป็นความลึกทีละเฟรมแล้วรวมกันเป็นแบบจำลอง 3 มิติ ได้ผลลัพธ์เป็นกลุ่มจุดในสามมิติ (Point Cloud) ซึ่งบอกโครงร่างของฉากได้ แต่ยังเอาไปใช้งานต่อลำบาก Atlas จึงเติมช่องว่างที่เหลือแล้วแปลงต่อเป็น 3D Gaussian Splat ซึ่งเป็นวิธีเก็บฉาก 3 มิติด้วยกลุ่มจุดเบลอที่ซ้อนทับกันจนได้ภาพสมจริง และเรนเดอร์บนเครื่องผู้ใช้ได้ที่ความละเอียดและอัตราเฟรมสูง นี่คือรูปแบบข้อมูลเดียวกับที่ Marble ผลิตภัณฑ์ตัวปัจจุบันของบริษัทใช้อยู่ ทำให้ Atlas เสียบเข้าไปแทนที่เครื่องยนต์เดิมได้ทันที

หยุดเวลากลางฉาก ด้วยมือถือบนขาตั้งไม่กี่ตัว

Atlas เข้าใจทั้งโครงสร้างของพื้นที่และการเปลี่ยนแปลงตามเวลา สองอย่างนี้รวมกันเปิดทางให้กับงานเทคนิคพิเศษด้านภาพที่เดิมต้องลงทุนหนัก

เทคนิคหยุดเวลาแล้วหมุนกล้องรอบตัวนักแสดง แบบที่ผู้ชมคุ้นจากภาพยนตร์ The Matrix ปกติต้องใช้สตูดิโอที่ติดกล้องเรียงเป็นวงหลายสิบตัว แต่ Atlas ทำได้จากฟุตเทจของกล้องเพียงสามถึงห้าตัว โดยประกอบฉากขึ้นมาก่อน แล้วผู้ใช้ค่อยเลือกมุมกล้องใหม่ทีหลัง คลิปตัวอย่างที่ปล่อยออกมาไม่ได้ถ่ายโดยช่างภาพมืออาชีพ แต่ถ่ายด้วยโทรศัพท์มือถือและกล้องแอ็กชันของทีมวิศวกรและนักวิจัย ตั้งบนขาตั้งกับแคลมป์ที่ยัดใส่เป้ใบเดียวได้

ห้องทดลองหุ่นยนต์ที่เกิดจากวิดีโอมือถือ 24 เฟรม

ฝั่งหุ่นยนต์คือจุดที่ Atlas ต่อยอดได้ไกลที่สุด และเป็นเหตุผลที่ World Labs ซื้อกิจการ SceniX สตาร์ทอัพด้านการจำลองสภาพแวดล้อมสำหรับหุ่นยนต์ของสองอาจารย์จาก Columbia University ไปเมื่อกรกฎาคม 2026

โจทย์ที่เรียกว่า Real-to-Sim หรือการถอดสภาพแวดล้อมจริงมาเป็นสนามฝึกเสมือน ต้องการมากกว่าแค่แบบจำลองของห้อง เพราะเมื่อหุ่นยนต์เคลื่อนที่ ระบบต้องผลิตภาพสีและข้อมูลความลึกที่เซนเซอร์ของหุ่นยนต์จะเห็นตลอดเส้นทางด้วย ซึ่ง Atlas ผลิตทั้งสองอย่างออกมาจากโมเดลเดียวกัน ในตัวอย่างที่โชว์ ทีมงานถ่ายวิดีโอสภาพแวดล้อมขนาดใหญ่สองแห่งด้วยโทรศัพท์มือถือ ใช้เพียงแห่งละ 24 เฟรมในการประกอบฉาก แล้วจำลองหุ่นยนต์หลายแบบเดินไปตามเส้นทางต่าง ๆ ทั้งที่การสแกนพื้นที่ระดับนี้เคยต้องพึ่งอุปกรณ์ราคาแพง

งานหยิบจับวัตถุยากกว่านั้นอีกขั้น เพราะต้องจำลองด้วยว่าวัตถุขยับและปะทะกันอย่างไร Atlas สร้างสถานการณ์เหล่านี้จากคลิปสั้น ๆ ที่ถ่ายแบบไม่ต้องจัดฉาก ครอบคลุมทั้งวัตถุแข็ง วัตถุที่มีข้อต่อ และวัตถุนิ่ม จากนั้นจึงสลับวัตถุ เปลี่ยนตำแหน่ง ปรับการเคลื่อนไหวของหุ่นยนต์ เปลี่ยนแสงและฉากหลังได้ตามต้องการ ซึ่งแปลว่าได้ข้อมูลฝึกและสนามทดสอบที่หลากหลายในปริมาณมากโดยไม่ต้องกลับไปถ่ายใหม่

สถาปัตยกรรมที่ยืมของดีจากทั้งสองฝั่ง

World Labs เรียกสถาปัตยกรรมของ Atlas ว่า Multimodal Autoregressive Diffusion Transformer ซึ่งเป็นการหยิบแนวคิดจากทั้งฝั่ง LLM และฝั่งโมเดลวิดีโอมารวมกัน

คำว่า Multimodal คือการรองรับข้อมูลหลายชนิดโดยกำเนิด ตอนนี้ครอบคลุมข้อความ ภาพ ตำแหน่งกล้อง และแผนที่ความลึก โดยวิดีโอถูกมองเป็นลำดับของภาพ ส่วน Autoregressive คือการสร้างผลลัพธ์ทีละชิ้นโดยอ้างอิงจากสิ่งที่สร้างไปแล้ว ซึ่งทำให้โมเดลตัวเดียวรับงานได้หลากหลาย เพราะแต่ละงานคือลำดับข้อมูลคนละแบบเท่านั้น สำหรับ Diffusion โมเดลใช้เทคนิค Rectified Flow ที่ค่อย ๆ ลบสัญญาณรบกวนออกจนได้ภาพ ข้อดีคือปรับสมดุลระหว่างความเร็วกับคุณภาพได้ด้วยการเพิ่มลดจำนวนรอบ และ Transformer คือโครงสร้างหลักที่ประกอบด้วยการคูณเมทริกซ์ขนาดใหญ่ ซึ่งเข้ากันดีกับชิปรุ่นใหม่

ผลพลอยได้จากการเลือกสถาปัตยกรรมลูกผสมแบบนี้คือ Atlas ดึงเทคนิคเร่งความเร็วจากทั้งสองโลกมาใช้ได้ ทั้งการแคชค่ากลางระหว่างประมวลผล (KV Caching) และการกระจายภาระการประมวลผลแบบที่วงการ LLM ใช้กันอยู่ ไปจนถึงการกลั่นโมเดล (Distillation) และการปรับตารางสัญญาณรบกวนที่มาจากฝั่งโมเดลภาพและวิดีโอ

เอาชนะโมเดลเฉพาะทางในสองสนามวัดผล

เพราะ Atlas ทำงานหลายอย่าง จึงไม่มีสนามวัดผลเดียวที่ครอบคลุมได้ทั้งหมด World Labs เลยเลือกวัดสองโจทย์หลัก

โจทย์แรกคือการสร้างภาพตามเส้นทางกล้องที่กำหนด ทีมงานให้แต่ละโมเดลรับภาพหนึ่งใบพร้อมเส้นทางกล้องแบบภาพยนตร์หนึ่งถึงสามจังหวะ โดย Atlas รับเส้นทางกล้องเป็นข้อมูลโดยตรง ส่วนโมเดลวิดีโออื่นที่ไม่รองรับรูปแบบนี้ใช้การบรรยายเส้นทางเป็นข้อความด้วยศัพท์การถ่ายทำมาตรฐาน แล้วให้ผู้ประเมินภายนอกตัดสินว่าโมเดลไหนเดินกล้องตรงตามที่สั่งมากกว่า ผลออกมาว่า Atlas ชนะโมเดลวิดีโอรุ่นใหม่ และช่องว่างยิ่งถ่างออกเมื่อเส้นทางกล้องซับซ้อนขึ้น

โจทย์ที่สองคือการประกอบ 3 มิติจากภาพจำนวนน้อย ซึ่งเป็นสนามที่มีโมเดลเฉพาะทางลงแข่งเยอะ ทั้ง Depth Anything 3, MapAnything และตระกูล VGGT ผลคือ Atlas ทำค่าความคลาดเคลื่อนได้ต่ำกว่าโมเดลโอเพนซอร์สที่ดีที่สุดในกลุ่มนี้ ทั้งที่เป็นโมเดลอเนกประสงค์ ไม่ได้ฝึกมาเพื่องานนี้โดยเฉพาะ

World Labs ยังบอกด้วยว่าระหว่างพัฒนา ทีมงานไล่ฝึกโมเดลหลายขนาดตามลำดับ และพบว่าทุกครั้งที่เพิ่มขนาดกับพลังประมวลผล โมเดลจะปลดล็อกความสามารถใหม่ที่รุ่นเล็กกว่าทำไม่ได้ จึงมั่นใจว่าโมเดลโลกรุ่นถัดไปของบริษัทจะเก่งขึ้นอีกมากตามการขยายสเกล

Atlas เปิดให้ใช้งานแบบ Early Access กับพันธมิตรที่คัดเลือกแล้วเท่านั้น โดยผู้สนใจยื่นขอสิทธิ์เข้าใช้ได้ผ่านหน้าเว็บของบริษัท ซึ่ง World Labs ยังไม่ประกาศกำหนดการเปิดใช้งานทั่วไป แต่ยืนยันว่า Atlas จะเป็นเครื่องยนต์เบื้องหลัง Marble เวอร์ชันถัดไปและผลิตภัณฑ์อื่นของบริษัท บทพิสูจน์จริงจึงอยู่ที่ตอนเปิดกว้าง เมื่อผู้ใช้ภายนอกได้ลองทำซ้ำผลลัพธ์ชุดนี้กับสถานที่และโจทย์ของตัวเอง

ที่มา: World Labs, SiliconANGLE, TechCrunch, Seedtable