Enter war beim HackPrinceton Spring 2026 dabei — 410 Teilnehmer, 36 Stunden, auf dem Campus von Princeton. Wir waren dort, um die nächste Generation von Buildern zu unterstützen. Das Team hinter Atlas war eines der Teams, zu dem wir immer wieder zurückkehrten.

Das Problem mit der Art, wie wir unterrichten

Im Zentrum der meisten Bildung klafft eine Lücke, die jeder kennt, der schon einmal im Geschichtsunterricht gesessen hat.

Man wird darüber informiert, was passiert ist. Man liest die Worte. Man schreibt den Test. Und irgendwo zwischen Lehrbuch und Prüfung geht genau das verloren, worauf es eigentlich ankommen sollte — der Moment, der Ort, die Realität dahinter. Es bleibt abstrakt. Worte auf einer Seite, die eine Welt beschreiben, die man nicht sehen kann.

Bei den Naturwissenschaften ist es nicht anders. Photosynthese ist zuerst ein Wort, bevor sie ein Prozess ist. Die Schritte werden auswendig gelernt. Das eigentliche Verständnis, das Gefühl dafür, was wirklich in einem Blatt passiert, wenn Licht darauf fällt — dafür braucht es mehr als ein Diagramm.

Das Team hinter Atlas startete mit einer einfachen Beobachtung: Die Werkzeuge, um das zu ändern, existieren jetzt. Immersive 3D-Umgebungen, KI, die in Echtzeit sprechen und denken kann, Weltgenerierung aus einem einzigen Textprompt. Die Frage war, ob sich diese Werkzeuge zu etwas zusammensetzen lassen, das sich weniger wie ein Produkt und mehr wie ein Ort anfühlt.

Was Atlas wirklich ist

Gib ein beliebiges historisches Ereignis oder wissenschaftliches Konzept ein. Betritt eine daraus generierte 3D-Welt.

Das ist der Kern von Atlas — und diese Beschreibung wird dem, wie es sich tatsächlich anfühlt, nicht gerecht. Die Welt ist keine Illustration oder Simulation im klassischen Sinn. Es ist eine fotorealistische Umgebung, die aus deinem Prompt generiert, in Echtzeit gerendert und genau um das Thema herum aufgebaut wird, das du verstehen willst.

In dieser Welt gibt es einen KI-Guide. Er spricht. Er hört zu. Er beantwortet Fragen so, wie es eine sachkundige Person tun würde, die direkt neben dir in dieser Umgebung steht — verankert in der Szene um dich herum, in den Objekten, die du sehen kannst, im konkreten Kontext von dem, wo du bist und worauf du schaust. Du kannst einzelne Elemente anklicken und direkt danach fragen. Bei naturwissenschaftlichen Szenen reagieren geführte Experimente auf deine Handlungen. Ein Photosynthese-Zyklus, der sich verändert, während du mit ihm interagierst. Eine Welt, die durch Tun lehrt, nicht durch Erzählen.

Atlas-Oberfläche mit einer generierten 3D-Umgebung eines antiken chinesischen Dorfes, der KI-Guide aktiv in der Ecke — bereit, Fragen zu beantworten, die in den Objekten und dem räumlichen Kontext der Szene verankert sind.

Das schwierige Problem, das sie gelöst haben

Die interessanteste technische Herausforderung bei Atlas war zugleich die grundlegendste: den KI-Guide ehrlich darüber zu halten, was tatsächlich vorhanden ist.

Ein Sprachmodell, dem man in einer Welt, die es nicht sehen kann, freie Hand lässt, füllt Lücken auf. Es beschreibt Menschen, die nicht da sind, erwähnt Objekte, die nie generiert wurden, fügt Kontext hinzu, der sich richtig anfühlt, aber nicht in der tatsächlichen Umgebung verankert ist, in der die Schülerin oder der Schüler gerade steht. Für eine Geschichtsstunde ist diese Art von Halluzination nicht nur ungenau — sie unterläuft aktiv das, was Atlas eigentlich erreichen will.

Die Lösung war ein Szenengraph-System — eine strukturierte Darstellung jedes beschrifteten, abfragbaren Elements innerhalb der generierten Welt. Bevor der Guide irgendetwas beantwortet, liest er die Szene. Er weiß, was da ist. Jede Antwort ist in diesem räumlichen und historischen Kontext verankert, nicht im allgemeinen Wissen des Modells darüber, wie ein antikes chinesisches Dorf vielleicht aussehen könnte.

Das Ergebnis ist eine KI, die sich weniger wie eine Suchmaschine verhält und mehr wie ein Guide, der selbst schon in diesem Raum gestanden hat.

Die Szenengraph-Architektur hinter Atlas strukturiert jede generierte Welt in beschriftete, abfragbare Elemente — und verschafft dem KI-Guide damit eine räumliche Verankerung, sodass jede Antwort das widerspiegelt, was die Schülerin oder der Schüler tatsächlich sehen kann.

Worauf sie am meisten stolz sind

Dass die gesamte Kette von Anfang bis Ende funktioniert.

Einen Prompt eingeben. Eine echte 3D-Welt entsteht darum herum. Ein sprachfähiger KI-Guide beantwortet Fragen aus dieser Welt heraus, mit historisch korrekten, räumlich verankerten Details. Für ein Team, das auf einem Hackathon eine Pipeline aus Weltgenerierung, 3D-Rendering, Szeneninterpretation, konversationeller KI und Sprachsynthese zusammenbaut, ist es eine echte Leistung, diesen Kreislauf in 36 Stunden saubern zum Abschluss zu bringen.

Der STEM-Experimentiermodus stach selbst für das Team heraus. Naturwissenschaften durch Interaktion statt durch Instruktion zu vermitteln, verändert die Beziehung zwischen Lernenden und Konzept. Man lernt die Schritte der Photosynthese nicht auswendig. Man sieht zu, wie sie auf das eigene Handeln reagiert. Dieser Unterschied ist bedeutsamer, als er zunächst klingt.

Was als Nächstes kommt

Die Qualität der Weltgenerierung ist der klarste Bereich für Verbesserungen — Gaussian Splatting erzeugt fotorealistische Umgebungen, aber die aktuelle Auflösung hat Grenzen, und das Team möchte sowohl die Detailtreue als auch den Umfang dessen erweitern, was aus einem einzigen Prompt entsteht.

Der größere Ehrgeiz ist VR. Eine 3D-Welt auf einem Bildschirm ist eine Sache. Darin zu stehen, sich mit dem eigenen Körper durch sie zu bewegen, nach einem Objekt zu greifen, um danach zu fragen — das ist die Version von Atlas, die die Lücke zwischen Lernen und Erleben vollständig schließt.

Die größere Idee

Bildung hatte schon immer die richtige Absicht. Die Werkzeuge, die dieser Absicht entsprechen, hinkten hinterher.

Atlas steht für den Anfang eines wirklich anderen Modells — eines, in dem die Umgebung selbst unterrichtet, in dem Fragen im Kontext beantwortet werden, in dem der Abstand zwischen einem Konzept und einem tatsächlich gefühlten Verständnis davon zusammenschmilzt. Die Technologie, um das zu bauen, existierte seit Jahren in Einzelteilen. Was sich geändert hat, ist die Fähigkeit, diese Teile zu etwas zusammenzusetzen, das ein Schüler tatsächlich betreten kann.

Das ist die Art von Problem, für die es sich lohnt, 36 Stunden zu investieren. Und die Art von Antwort, die länger als 36 Stunden braucht, um fertig zu werden.

Die früheren Ausgaben verpasst? → Vol. 1 — Heritage in Pixels → Vol. 2 — Terra Zone AI → Vol. 3 — reAgent → Vol. 4 — TaleTailor → Vol. 5 — LEGR → Vol. 6 — PolyPath → Vol. 7 — EcoThread → Vol. 8 — Aletheia → Vol. 9 — Synova → Vol. 10 — Overturn Insurance → Vol. 11 — VentureLink