Enterは2026年春のHackPrincetonに参加した——参加者410人、36時間、プリンストン大学キャンパスで。私たちは次世代のビルダーを支援するためにそこにいた。Atlasの開発チームは、私たちが何度も足を止めて見に行ったチームの一つだった。

私たちの教え方に潜む問題

歴史の授業を受けたことがある人なら誰でも知っている、教育の中心にある一つのギャップがある。

何が起きたかを教えられる。文章を読む。試験を受ける。そして教科書と試験の間のどこかで、本当に重要だったはずのもの——その瞬間、その場所、その出来事の実感——が、どうしても腑に落ちない。それは抽象的なままだ。見ることのできない世界を説明する、ページの上の言葉にすぎない。

科学も同じだ。光合成は、プロセスである前に、まず一つの言葉だ。手順は暗記される。しかし、光が葉に当たったとき実際に何が起きているのかという理解、その直感は、図解だけでは得られない。

Atlasの開発チームは、シンプルな一つの観察から出発した。これを変えるためのツールは、もう存在している。没入型の3D環境、リアルタイムで話し考えるAI、たった一つのテキストプロンプトからの世界生成。問題は、それらのツールを組み合わせて、プロダクトというよりも「場所」のように感じられるものを作れるかどうかだった。

Atlasとは実際に何なのか

歴史上の出来事や科学的な概念を何でも入力する。それを中心に生成された3Dの世界に足を踏み入れる。

これがAtlasの核心だ——そしてこの説明は、実際に使ったときの感覚を十分に伝えてはいない。この世界は、従来の意味でのイラストやシミュレーションではない。あなたのプロンプトから生成され、リアルタイムでレンダリングされ、理解したいと思っている具体的な対象を中心に構築された、フォトリアルな環境だ。

その世界の中にはAIガイドがいる。話す。聞く。その環境であなたの隣に立つ知識豊かな人物がするように、質問に答える——あなたの周りの光景、見えている物体、そしてあなたがどこにいて何を見ているかという具体的な文脈に根ざして。個々の要素をクリックして、直接それについて質問することもできる。科学のシーンでは、ガイド付き実験があなたの行動に反応する。あなたが相互作用するたびに変化する光合成サイクル。語るのではなく、やってみることで教える世界だ。

Atlasのインターフェースに表示された、生成された古代中国の村の3D環境。隅にはAIガイドがアクティブな状態で待機しており、シーン内で見える物体や空間的な文脈に根ざした質問に答える準備ができている。

彼らが解決した難題

Atlasが取り組んだ最も興味深い技術的課題は、同時に最も根本的な課題でもあった——AIガイドに、実際にそこにあるものについて誠実さを保たせることだ。

言語モデルは、自分が見ることのできない世界の中で自由に振る舞わせると、空白を自分で埋めてしまう。存在しない人物を描写し、生成されていない物体に言及し、正しく聞こえるが実際に生徒が立っている環境には根ざしていない文脈を付け加える。歴史の授業において、この種のハルシネーションは単に不正確であるだけではない——Atlasが実現しようとしていることそのものを、積極的に損なってしまう。

その解決策がシーングラフシステムだった——生成された世界の中にある、ラベル付けされ、問い合わせ可能なすべての要素を構造化した表現だ。何かに答える前に、ガイドはまずシーンを読み込む。そこに何があるかを知っている。すべての回答は、その空間的・歴史的文脈に根ざしており、モデルが一般的に持っている「古代中国の村とはこういうものだろう」という知識には根ざしていない。

その結果、検索エンジンというよりも、実際にその部屋に立ったことのあるガイドのように振る舞うAIが生まれた。

Atlasを支えるシーングラフアーキテクチャは、生成された各世界をラベル付けされ、問い合わせ可能な要素に構造化する——これによりAIガイドは空間的な根拠を得て、すべての回答が生徒が実際に見ているものを反映するようになる。

彼らが最も誇りに思っていること

全体のループが最初から最後まで動いたこと。

プロンプトを入力する。その周りに本物の3D世界が生成される。音声対応のAIガイドが、その世界の内側から、歴史的に正確で空間的に根拠のある詳細を伴って質問に答える。ハッカソンで、世界生成、3Dレンダリング、シーン解釈、対話型AI、音声合成にまたがるパイプラインを組み立てていたチームにとって、このループを36時間できれいに完結させたこと自体が成果だった。

STEM実験モードは、チーム自身にとっても目を引くものだった。指導するのではなく、相互作用を通じて科学を教えることは、生徒と概念の関係を変える。光合成の手順を暗記しているわけではない。自分の行動に対してそれがどう反応するかを見ているのだ。この違いは、聞いた以上に重要な意味を持つ。

次に来るもの

世界生成の品質は、最も明確に改善が必要な領域だ——ガウシアンスプラッティングはフォトリアルな環境を作り出すが、現在の解像度には限界があり、チームは一つのプロンプトから生成されるものの忠実度とスケールの両方を拡大したいと考えている。

より大きな野心はVRだ。画面上の3D世界であることと、その中に実際に立ち、自分の体で動き回り、物体に手を伸ばして質問することとは別物だ。それこそが、学ぶことと体験することの間のギャップを完全に埋めるAtlasのバージョンになる。

より大きなアイデア

教育には、常に正しい意図があった。その意図に見合うツールのほうが、追いついていなかったのだ。

Atlasが示しているのは、本当に異なるモデルの始まりだ——環境そのものが教え、質問が文脈の中で答えられ、概念とそれに対する実感を伴った理解との距離が崩れ去るモデル。これを構築するための技術は、何年も前からパーツとしては存在していた。変わったのは、それらのパーツを、生徒が実際に歩いて入っていける一つのものに組み立てる力だ。

これは36時間を費やす価値のある種類の問題だ。そして、36時間を超えてようやく完成する種類の答えでもある。

これまでの話を見逃した方は? → 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