World Labs เปิด Atlas — world model ที่รับกล้องเป็นอินพุตดั้งเดิม ปั้นวิดีโอ 1 นาที 1440p และคืน point cloud / Gaussian splat ได้ แต่เข้าถึงได้เฉพาะ early access และไม่บอกขนาดโมเดล

1 กันยายน 2026 World Labs — บริษัทของ Fei-Fei Li ที่เดิมพันกับคำว่า spatial intelligence — เปิดตัว Atlas โมเดลที่เขาเรียกว่า omni world model และตั้งใจให้เป็นสถาปัตยกรรมฐานของ world model รุ่นถัด ๆ ไปทั้งหมด ประกาศนี้ขึ้นหน้าแรก Hacker News (รายการ 49525160, 133 คะแนน) ในวันเดียวกัน

คำอธิบายสั้นที่สุดของสิ่งที่ต่างจากโมเดลวิดีโอทั่วไป: Atlas รับ pose ของกล้องเป็นชนิดข้อมูลดั้งเดิม ไม่ใช่คำบรรยายในพรอมป์ ประโยคที่ทีมเขียนเองสรุปผลของเรื่องนี้ได้ดีกว่าตารางเบนช์มาร์กใด ๆ:

“you are staging the scene, not pulling the lever of a slot machine” — คุณกำลังจัดฉาก ไม่ใช่ดึงคันโยกสล็อตแมชชีน

spatial context — แนวคิดที่ทั้งหมดตั้งอยู่บนนั้น

Atlas เป็น multimodal autoregressive diffusion transformer — คำสี่คำที่ทีมกางให้ทีละคำ: multimodal คือรับ text, ภาพ, pose ของกล้อง และ depth map ได้ตรง ๆ (วิดีโอถูกแทนด้วยลำดับของภาพ), autoregressive คือสร้างทีละองค์ประกอบโดยมองย้อนกลับไปทั้งลำดับ, diffusion คือเป็น rectified flow ที่ค่อย ๆ ลดสัญญาณรบกวน ซึ่งแลกความเร็วกับคุณภาพได้ด้วยจำนวนสเต็ป และ transformer คือกระดูกสันหลัง

แต่คำที่สำคัญที่สุดไม่ได้อยู่ในสี่คำนั้น มันคือ spatial context — เหมือน LLM ที่เข้ารหัสอินพุตเป็นคอนเท็กซ์ก่อนแล้วค่อยสร้างผลลัพธ์ ต่างกันที่ ภาพแต่ละภาพของ Atlas ถูกตรึงไว้ที่ตำแหน่ง 3 มิติจริง ๆ ในอวกาศ

ผลของการออกแบบนี้เห็นชัดที่สุดในตัวอย่างที่ทีมสาธิต: วางภาพอ้างอิงสองภาพที่ไม่เกี่ยวกันเลยลงในคอนเท็กซ์ แล้วกำหนดตำแหน่ง 3 มิติให้มัน — Atlas จะสร้างโลกที่ไล่ระดับเชื่อมสองภาพนั้นเข้าหากัน จินตนาการประตู ทางเดิน และซอกมุมที่ควรจะอยู่ระหว่างกลาง นี่คือการควบคุมที่โมเดลวิดีโอแบบ text-to-video ทำไม่ได้เพราะไม่มีที่ให้ใส่ “ตำแหน่ง”

อีกกลไกที่อธิบายชัด: ยิ่งใส่ภาพเข้าไปมาก ยิ่งจินตนาการน้อย ตัวอย่างที่ทีมยกคือเริ่มจากรูปสวนระดับพื้นดินรูปเดียวแล้วให้สร้างมุมมองทางอากาศ — สวนถูกสร้างตรงตามจริง ส่วนที่เหลือถูกจินตนาการ พอเติมรูปกระท่อมข้าง ๆ เป็นรูปที่สอง ผลลัพธ์มีทั้งสวนและกระท่อมแต่ยังเดาบ้านฝั่งซ้าย พอเติมรูปที่สามของบ้านหลัก ทั้งฉากถึงจะตรงกับความจริง ทีมบอกว่าโดยทั่วไปได้ผลที่ซื่อตรงตั้งแต่ สองถึงสามภาพ และรับได้ถึง กว่าร้อยภาพ ในคอนเท็กซ์เดียว

ตัวเลขที่เผยแพร่ และตัวเลขที่ไม่ได้เผยแพร่

ความสามารถที่ประกาศ:

• วิดีโอยาวถึง 1 นาทีที่ 1440p พร้อมการควบคุมกล้องระดับพิกเซล จากภาพอ้างอิงหนึ่งถึงหกภาพ
• reconstruct ฉากจริงจาก หนึ่งถึงหลายสิบภาพ และคืนออกมาเป็น point cloud หรือ 3D Gaussian splat ที่เรนเดอร์บนเครื่องได้ (เป็น representation เดียวกับที่ Marble ใช้)
• space-time simulation — reframe วิดีโอแบบ “bullet time” จากกล้องเพียงสามถึงห้าตัว และสร้าง RGB + depth ตามมุมกล้องของหุ่นยนต์สำหรับงาน Real-to-Sim
• สร้างภาพและพาโนรามา 360 องศาจาก text ได้ด้วย แม้ทีมบอกเองว่าไม่ใช่โฟกัสหลัก

การเทียบการตามเส้นทางกล้อง ทีมให้ผู้ประเมินบุคคลที่สามเลือกว่าโมเดลไหนตามเส้นทางกล้องที่กำหนดได้ดีกว่า — สัดส่วนที่เลือก Atlas:

เทียบกับ	ผู้โหวตเลือก Atlas
MiniMax H3	75%
Gemini Omni Flash	81%
Happy Horse 1.1	86%
FLUX 3	93%
Seedance 2.5	94%

ข้อควรอ่านที่ทีมเขียนไว้เอง และเป็นข้อที่ทำให้ตัวเลขนี้ต้องถูกลดน้ำหนักลง: Atlas ได้เส้นทางกล้องในรูปแบบอินพุตดั้งเดิมของมัน ส่วนโมเดลอื่นได้คำบรรยายเส้นทางกล้องเป็นข้อความ เพราะไม่รับ pose เป็นอินพุต ทีมยอมรับตรง ๆ ว่า prompt engineering ที่ซับซ้อนกว่านี้อาจช่วยโมเดลอื่นได้ พูดอีกอย่างคือส่วนหนึ่งของช่องว่างนี้วัด ช่องทางอินพุต ไม่ใช่ ความสามารถของโมเดล

การเทียบ 3D reconstruction วัดด้วย mean absolute-relative pointmap error (×10⁻³, ยิ่งต่ำยิ่งดี) กับ baseline ที่ทีมรันซ้ำเองทั้งหมดเพื่อให้โปรโตคอลเดียวกัน:

ชุดข้อมูล	Atlas	Pi3X (posed)	π³	VGGT-Ω 1B	Depth Anything 3	MapAnything
เฉลี่ย	25.3	28.7	34.7	36.4	39.3	47.7
DTU	8.6	11.1	16.2	9.7	11.9	18.2
ETH3D	9.3	18.7	25.4	11.4	23.8	34.8
KITTI	60.0	60.2	74.8	101.4	93.3	115.3
NRGBD	6.5	13.3	17.5	10.5	11.3	20.2
7-Scenes	37.8	39.3	44.4	45.2	50.8	47.4
T&T	42.4	42.4	47.0	40.2	55.1	60.8
ScanNet	12.4	15.7	17.4	36.6	29.0	37.0

Atlas นำในค่าเฉลี่ยอย่างชัดเจน และนำขาดบน ETH3D, NRGBD กับ ScanNet แต่ถ้าอ่านทีละแถวจะเห็นภาพที่ละเอียดกว่าคำว่า “ชนะทุกโมเดล”: บน KITTI ห่างจาก Pi3X แค่ 0.2 (60.0 เทียบ 60.2) และบน Tanks & Temples เท่ากันเป๊ะที่ 42.4 โดย VGGT-Ω 1B ยังทำได้ดีกว่าทั้งคู่ที่ 40.2 สองในเจ็ดชุดข้อมูลจึงเป็นการเสมอ ไม่ใช่การชนะ — ซึ่งน่าสังเกตเป็นพิเศษเมื่อคู่แข่งเป็นโมเดลเฉพาะทางที่เล็กกว่ามากและ เป็นโอเพนซอร์ส

และนี่คือรายการที่ไม่ได้เผยแพร่: จำนวนพารามิเตอร์, ขนาดหรือที่มาของข้อมูลเทรน (บอกแค่ “large diverse corpus of multimodal data”), ความต้องการฮาร์ดแวร์, เวลาในการอนุมาน, ราคา และ สัญญาอนุญาต ไม่มีน้ำหนัก ไม่มี API สาธารณะ — ทางเข้าเดียวคือฟอร์มขอ early access กับพาร์ตเนอร์ที่คัดเลือก และคำสัญญาว่า Atlas จะไปขับเคลื่อน Marble รุ่นถัดไป

มุมมอง AI Curator

เรื่องที่น่าสนใจที่สุดของ Atlas ไม่ใช่เบนช์มาร์ก แต่คือ การเลือกทำให้เรขาคณิตเป็นชนิดข้อมูลชั้นหนึ่งแทนที่จะให้เป็นคำในพรอมป์ ตลอดสองปีของยุค text-to-video เราถูกฝึกให้เชื่อว่าอินเทอร์เฟซของโมเดลกำเนิดภาพคือภาษาธรรมชาติเสมอ Atlas เดินสวนทางแล้วบอกว่าสำหรับงานที่มีโครงสร้างจริง — กล้อง ระยะลึก ตำแหน่ง — ภาษาคือช่องทางที่แคบเกินไป และควรใส่ตัวเลขเข้าไปตรง ๆ นี่เป็นบทเรียนที่ใช้ได้ไกลกว่าวิดีโอ: ทุกครั้งที่เราพยายามอธิบายอะไรที่เป็นตัวเลขให้โมเดลฟังเป็นคำพูด เรากำลังยอมสูญเสียความแม่นยำโดยไม่จำเป็น

แต่สำหรับผู้อ่านที่เป็นนักพัฒนา ผมคิดว่าข้อสรุปที่ควรจำคือความแตกต่างระหว่าง ข่าวที่น่าตื่นเต้น กับ ของที่ใช้ได้ Atlas ไม่มีน้ำหนัก ไม่มี API ไม่บอกขนาด ไม่บอกสัญญาอนุญาต และไม่บอกราคา ในสัปดาห์เดียวกันที่ LTX-2.5 ปล่อยน้ำหนัก 22B ให้ไฟน์จูนในเครื่องได้ และที่ EchoWM เปิด world model แบบเดินเข้าไปได้ ช่องว่างระหว่างสองฝั่งนี้กว้างขึ้นเรื่อย ๆ — ฝั่งหนึ่งประกาศความสามารถ อีกฝั่งส่งของ และมีแค่ฝั่งที่สองที่ทีมในไทยเอาไปทดลองได้จริงในวันนี้ สิ่งที่น่าเจ็บกว่าคือ baseline ทั้งห้าตัวที่ Atlas เอาชนะในตาราง reconstruction เป็นโมเดลโอเพนซอร์สที่ดาวน์โหลดมารันได้เลยทั้งหมด ส่วนตัวที่ชนะคือตัวที่รันไม่ได้

ถ้าจะมองหาที่ทางของ Atlas ในบริบทไทย ผมคิดว่าไม่ใช่ฝั่งคอนเทนต์หรือ VFX แต่คือ Real-to-Sim สำหรับหุ่นยนต์ ตัวอย่างที่ทีมสาธิตคือถ่ายวิดีโอสถานที่ด้วยมือถือแล้วใช้ 24 เฟรมมา reconstruct จากนั้นจำลองหุ่นยนต์เดินในนั้นพร้อมสร้างภาพจากมุมกล้องที่ติดบนตัวหุ่น — โดยที่โลกกับมุมมองของหุ่นมาจากโมเดลเดียวกัน ต้นทุนของเส้นทางเดิมคือเครื่องสแกน LiDAR และทีมที่ทำ asset 3D ซึ่งเป็นเหตุผลใหญ่ที่โรงงาน คลังสินค้า และโรงพยาบาลในไทยยังไม่เริ่มทดลอง robot policy กันจริงจัง ถ้าเส้นทาง “มือถือหนึ่งเครื่อง → simulator” ทำงานได้จริงนอกวิดีโอสาธิต มันเปลี่ยนต้นทุนตั้งต้นของงานหุ่นยนต์ทั้งหมวด และคุ้มกว่าที่จะจับตามากกว่าคุณภาพวิดีโอ 1440p

สิ่งที่ผมจะเฝ้าดูจึงมีสองข้อ: หนึ่ง early access เปลี่ยนเป็น API ที่มีราคาเมื่อไหร่ และตอนนั้นจะเปิดเผยพารามิเตอร์กับสัญญาอนุญาตหรือไม่ สอง จะมีใครวัด Atlas ด้วยชุดข้อมูลที่ทีมไม่ได้เลือกเองบ้าง — เพราะการที่ทีม “รัน baseline ซ้ำเองทั้งหมดเพื่อให้โปรโตคอลเดียวกัน” เป็นแนวปฏิบัติที่ถูกต้องและควรชม แต่มันยังเป็นการวัดที่ผู้ถูกวัดเป็นคนออกข้อสอบอยู่ดี

แหล่งข่าว

• Atlas: A World Model for Spatial Intelligence — World Labs Blog, 1 ก.ย. 2026
• Atlas: A World Model for Spatial Intelligence — Hacker News, 1 ก.ย. 2026
• Building Worlds That Train Robots (Real-to-Sim-to-Real) — World Labs, 28 ก.ค. 2026