Fei-Fei Lis Atlas baut 3D-Welten aus wenigen Fotos
World Labs hat Atlas vorgestellt: ein Weltmodell, das aus einer Handvoll Fotos begehbare 3D-Szenen erzeugt, rekonstruiert und simuliert — bis zu eine Minute Video in 1440p mit frei gewählter Kameraführung, wahlweise als echte 3D-Geometrie. Verfügbar ist es bisher nur im Early Access, und alle Vergleichszahlen stammen von World Labs selbst.
Pascal Eugster
GRÜNDER & ENTWICKLER
3. SEPTEMBER 2026
3 MIN. LESEZEIT
INHALT
INHALT
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.
Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.
Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE
Der Unterschied zwischen Video- und Weltmodell ist die räumliche Konsistenz: Atlas merkt sich, wo die Dinge stehen, statt nur hübsche Bilder zu erzeugen. Das ist die Grundlage für Robotik-Training und VFX ohne Kamerastudio — nachprüfen kann es bisher aber niemand.
World Labs — das 2024 von Fei-Fei Li mitgegründete Startup für räumliche Intelligenz — hat am 1. September 2026 Atlas vorgestellt: ein Weltmodell, das 3D-Szenen erzeugt, aus Fotos rekonstruiert und simuliert. Aus einer Handvoll Bildern macht Atlas laut World Labs bis zu eine Minute Video in 1440p mit frei gewählter Kameraführung — und gibt die Szene auf Wunsch als echte 3D-Geometrie aus statt nur als Film. Zu haben ist das Modell bisher ausschliesslich im Early Access mit nicht genannten Partnern, ohne Preis und ohne Paper.
Warum der Stuhl derselbe bleibt
Der Unterschied zwischen Video- und Weltmodell klingt technisch, ist aber simpel: Ein Videomodell erzeugt eine schöne Bildfolge. Ob der Stuhl links im Bild derselbe Stuhl ist, wenn die Kamera zurückschwenkt, interessiert es nicht. Ein Weltmodell merkt sich, wo die Dinge stehen.
Atlas macht das zum Bauprinzip: Kamerapositionen und Tiefenkarten sind gleichwertige Eingaben neben Text und Bild, jedes Foto wird an einer festen Stelle im Raum verankert — World Labs nennt das «spatial context». Deshalb gibt Atlas eine Szene auch als Punktwolke oder 3D-Gaussian-Splat aus, also als Wolke vieler kleiner Raumpunkte, mit der Game-Engines und VFX-Werkzeuge direkt weiterarbeiten.
Drei Handys statt Kamerastudio
Für den «Bullet-Time»-Effekt — Zeit einfrieren, Kamera um die Szene kreisen lassen — brauchte es bisher ein Studio voller synchronisierter Kameras. World Labs filmte seine Demos mit drei bis fünf gewöhnlichen Handys auf Stativen. Und in der Robotik reichten laut Firmenangaben 24 Einzelbilder aus einem Handyvideo, um eine grosse Umgebung zu rekonstruieren, durch die anschliessend ein simulierter Roboter fährt — samt der Bilder, die seine Sensoren dabei sehen würden. Statt tausend realer Durchläufe also eine Aufnahme und beliebig viele Varianten.
