Gerade ist das weltweit erste Weltmodell mit ultrahoher Bildrate entstanden – 0 % NVIDIA-Anteil und eine rasante Leistung von 50 Bildern pro Sekunde.
Das Weltmodell ist endlich in die Echtzeit-Ära eingetreten. Während die Branche noch mit 5 FPS und 10 FPS kämpfte, hat ein chinesisches Team das Echtzeit-Interaktions-Weltmodell direkt auf 50 FPS angehoben. Noch wichtiger ist, dass sie keine NVIDIA-GPUs verwendet haben.
Moxin Technology, das sich auf die Forschung und Industrialisierung von 4D-Weltmodellen konzentriert, hat gemeinsam mit dem Team von Akademiker Pan Yunhe der Zhejiang-Universität MoWorld veröffentlicht – das weltweit erste Flash World Model und zudem das erste Echtzeit-Interaktions-Weltmodell, das vollständig auf einheimischen NPU aufbaut.
Vom Training über die Destillation bis zur Bereitstellung wird der gesamte Prozess des geschlossenen Kreislaufs einheimischer Rechenleistung abgeschlossen; die Inferenzkosten sind um 70 % niedriger als bei GPU-Lösungen gleicher Größenordnung.
Der Wendepunkt für die Industrialisierung von Weltmodellen könnte früher kommen, als alle erwartet haben.
Das Echtzeitproblem, das die gesamte Branche blockiert
Wurde von einem chinesischen Team durchbrochen
Wenn Sie die heutigen gängigen Weltmodelle ausprobiert haben, werden Sie höchstwahrscheinlich ein gemeinsames Gefühl haben:
- Man kann es ansehen, aber nicht damit interagieren.
- Roboter benötigen Echtzeitentscheidungen.
- Spiele erfordern Echtzeitrückmeldungen.
- Die digitale Welt erfordert Echtzeitsimulationen.
Frühere Forschungen haben gezeigt, dass bei einer Bildrate unter 30 FPS jegliches Eintauchen zerstört wird.
Aus diesem Grund blieben Weltmodelle lange Zeit im Labor stecken und konnten kaum wirklich in industriellen Szenarien eingesetzt werden.
Echtzeitfähigkeit war einst die letzte unüberwindbare Hürde auf dem Weg zur Kommerzialisierung von Weltmodellen.
Heute wurde diese Hürde von einem chinesischen Team mit einem Schlag überwunden.
50 FPS!
Das Weltmodell ist zum ersten Mal wirklich in die Echtzeit-Ära eingetreten
Der technische Bericht wurde veröffentlicht, Gewichtungen und Code werden in Kürze Open Source gestellt, und der Dienst wird der Öffentlichkeit auf Basis von Superknoten mit einheimischen NPUs zur Verfügung gestellt.
Technischer Bericht: https://moxin-tech.github.io/moworld/
Moxin Technology hat erstmals das Konzept des Flash World Models vorgeschlagen. MoWorld ist das branchenweit erste „Flash World Model“, das eine Inferenz von über 50 FPS erreicht, und zudem das erste kostengünstige Echtzeit-Interaktions-Weltmodell, das vollständig auf einheimischen NPUs aufbaut.
MoWorld hat erstmals auf einer vollständig einheimischen Rechenleistungsplattform den vollständigen geschlossenen Kreislauf vom Training über die Destillation bis zur Echtzeit-Inferenzbereitstellung realisiert, während die Kosten unter typischen Inferenzkonfigurationen um 70 % niedriger sind als bei GPU-Lösungen gleicher Größenordnung.
Während alle auf GPU-Aufrüstungen setzen
Wählten sie einen anderen schwierigen, aber richtigen Weg
MoWorld wurde von Anfang an nicht auf GPUs aufgebaut, sondern folgte einem schwierigeren und weniger erprobten Ansatz – vollständig einheimische NPU.
Das bedeutet, dass das Modell nicht einfach auf einheimische Chips zur Inferenz portiert wurde, sondern jeder Schritt – von Daten, Training, Destillation bis zur Inferenzbereitstellung – um die einheimischen NPUs herum neu gestaltet wurde.
Zuerst die Daten.
Im Vergleich zu Videogenerierungsmodellen benötigen Weltmodelle nicht nur Videos und Text, sondern auch Informationen wie Kameratrajektorien. Internetvideos reichen bei weitem nicht aus, um die Trainingsanforderungen zu erfüllen.
Dafür hat MoWorld ein vollständiges System zur Datenerstellung und -verwaltung aufgebaut und dies zu einer Daten-Engine weiterentwickelt, die Weltmodelle unterstützt.
Aufbauend auf der langjährigen technischen Erfahrung des Moxin-Teams im Bereich 3D/4D-Modellierung ist die Datenpipeline hinter MoWorld eine vollständig selbst erfasste und vollständig 3D-annotierte Pipeline. Sie annotiert nicht nur Kameras, sondern auch die geometrischen Abmessungen und räumlichen Strukturen von Objekten – diese Informationen bilden die solide Datengrundlage von MoWorld.
Die noch schwierigere Herausforderung liegt in der Trainings- und Inferenzphase.
Abgestimmt auf die Hardware-Eigenschaften einheimischer NPUs hat MoWorld das Trainingssystem neu gestaltet und Technologien wie ultra-dichte Aufmerksamkeitsparallelität und lange Sequenz-Token-Parallelität eingeführt. Dadurch wird der Grafikspeicherdruck, der durch das Training extrem langer Videos entsteht, stark verringert, und das Weltmodell erhält erstmals die Fähigkeit zum Training und zur Inferenz von 2000 Frames langer Sequenzen.
In der Inferenzphase setzte das Team die systemweiten Optimierungen fort, darunter Pipeline-Ausführung, hierarchische Sequenzparallelität und dynamische gemischte Genauigkeitsquantisierung, alles abgestimmt auf einheimische NPUs.
Schließlich erreichte ein MoE-Weltmodell mit 14 Milliarden Parametern auf der Huawei Ascend 910C CloudMatrix384 NPU-Plattform eine maximale Echtzeit-Inferenzgeschwindigkeit von über 50 FPS.
Noch wichtiger ist, dass unter typischen Inferenzkonfigurationen die Inferenzkosten um 70 % niedriger sind als bei GPU-Lösungen gleicher Größenordnung.
Für die gesamte Branche ist dies nicht nur eine neue technische Route, sondern auch ein neuer Ansatz für die Industrialisierung.
Die teuerste Schwelle für Weltmodelle wurde geöffnet
Seit langem besteht ein Widerspruch in der Entwicklung von Weltmodellen.
Die Modelle werden immer leistungsfähiger.
Die Kosten steigen ebenfalls stetig an.
Früher bedeutete die Bereitstellung eines Weltmodells hohe Investitionen in GPUs, komplexe Cluster-Wartung und nicht reproduzierbare Bereitstellungskosten.
Heute kann die gleiche Leistung von Weltmodellen auf einheimischen Rechenplattformen mit Kostenvorteilen ausgeführt werden.
Dies ändert nicht nur die Art und Weise, wie Modelle ausgeführt werden, sondern auch den Weg der Weltmodelle zur Industrialisierung.
Für Unternehmen bedeutet dies niedrigere Bereitstellungshürden, schnellere Anwendungsvalidierungen und eine einfachere skalierbare Reproduzierbarkeit.
Für die gesamte Branche bedeutet dies, dass Weltmodelle von „machbar“ zu „nutzbar“ und dann zu „erschwinglich“ übergehen.
Was eine Technologie wirklich dazu bringt, die Industrie zu verändern, ist nie der Rekord im Labor.
Sondern es ist der Moment, in dem es erstmals mehr Menschen ermöglicht wird, sie wirklich zu nutzen.
Weltmodelle verlassen das Labor
Welche Branchen werden Veränderungen erleben
In den letzten Jahren galten Weltmodelle als Technologie der Zukunft.
Aber die Zukunft kehrt schließlich zur Realität zurück.
Wenn Echtzeit-Interaktion möglich wird und die Bereitstellungskosten sinken, beginnt der wahre Wert von Weltmodellen erst, sich zu entfalten.
Die ersten Veränderungen werden in Branchen stattfinden, die am stärksten auf das Verständnis der realen Welt und Echtzeitrückmeldungen angewiesen sind.
Spiele und interaktive Unterhaltung: Echtzeit-Interaktion, freie Erkundung
MoWorld unterstützt die vollständige Kamerasteuerung mit 6 Freiheitsgraden. Benutzer können über W/A/S/D und Maus ein filmisches und spielerisches immersives Erlebnis für die Erkundung erreichen.
Die Szenen sind real und hochauflösend und unterstützen Auflösungen von 1080P und höher. Natürliche Landschaften, 2D-Anime-Stile und Spielwelten werden vollständig unterstützt.
Verkörperte Intelligenz und autonomes Fahren: Virtuelles Training, echte Validierung
Weltmodelle sind zu einer zentralen Brücke zwischen generativer KI und verkörperter Intelligenz geworden.
MoWorld kann Robotern und autonomen Fahrsystemen kostengünstige, hochpräzise „virtuelle Übungsplätze“ bieten. Es ist das vielversprechendste Welt-Simulationssystem der Branche, das sowohl Simulationswert als auch wirtschaftlichen Wert bietet und allen Teams für autonomes Fahren eine große Menge an hochpräzisen Umgebungen bereitstellen kann, damit die KI in der virtuellen Welt lernt, mit der realen physischen Welt zu interagieren.
Film- und Fernsehproduktion: Regisseur-Kameraführung, Echtzeit-Vorschau
Herkömmliche Storyboards für Filme erfordern lange Rendering-Zyklen.
Mit MoWorld können Kreative im erstellten virtuellen Welt frei den Blickwinkel anpassen, die Bildwirkung in Echtzeit voranschauen, Kamerabilder präzise bearbeiten, die Kamerasteuerung ist flüssig und ermöglicht regisseurische Kameraführung über die Vorstellungskraft hinaus.
Digitaler Zwilling und 3D-Rekonstruktion: Räumliche Rekonstruktion, präzise Wiedergabe
Die von MoWorld generierten Videos weisen eine über die Branche hinausgehende geometrische Konsistenz auf und können direkt für die 3D-Rekonstruktion von Innenräumen verwendet werden – hohe Präzision, stabile Struktur und gute räumliche Konsistenz sind die auffälligen Vorteile von MoWorld im Vergleich zu anderen Lösungen.
Dies bietet hochpräzise und kostengünstige Lösungen für Szenarien wie digitale Zwillinge, Architekturvisualisierung, virtuelle Ausstellungsräume und immersive Spiele.
Weltmodelle, die MoWorld repräsentiert
Befinden sich gerade im DeepSeek-Moment der physischen KI
In den letzten Jahren hat die KI kontinuierliche Fortschritte von der Textgenerierung über die Bildgenerierung bis zur Videogenerierung gemacht. Jeder technische Sprung hat eine Reihe neuer Branchenführer hervorgebracht.
Während die KI nun zu Echtzeit-Interaktions-Weltmodellen übergeht, öffnet sich ein neues Fenster.
Im Vergleich zu großen Sprachmodellen und Videogenerierungsmodellen, bei denen sich die Wettbewerbslandschaft allmählich herausbildet, befinden sich Weltmodelle noch in der frühen Phase der Industrialisierung. Auf der ganzen Welt werden Wege für die technische Umsetzung erforscht, und Branchenstandards sind noch lange nicht festgelegt.
Dies bedeutet, dass einheimische Weltmodelle eine seltene Chance erhalten, „auf gleicher Höhe zu starten“ – sie haben nicht nur die Möglichkeit, am Wettbewerb teilzunehmen, sondern auch, die technischen Standards der nächsten Generation räumlicher Intelligenz mitzugestalten.
Die Bedeutung von MoWorld liegt nicht nur darin, eine Echtzeit-Interaktion von über 50 FPS zu erreichen, sondern auch darin, die Inferenzkosten um 70 % im Vergleich zu GPU-Lösungen gleicher Größenordnung zu senken.
Noch wichtiger ist, dass es ein Problem beweist, das die Branche lange erforscht, aber nie validiert hat:
Vollständig einheimische Rechenleistung kann Weltmodelle ebenfalls unterstützen, um Echtzeit-Interaktion und industrielle Bereitstellung zu erreichen.
Dies bedeutet, dass der Wettbewerb bei Weltmodellen von „Wer hat das größere Modell?“ zu „Wer kann wirklich in die reale Welt eintreten?“ übergeht.
Moxin Technology, das hinter MoWorld steht, hat aufgrund seiner einzigartigen Modellfähigkeiten und bemerkenswerten Fortschritten bei der Industrialisierung kürzlich eine Finanzierung von über 100 Millionen US-Dollar von nationalen strategischen Reservefonds, bekannten US-Dollar-Institutionen aus dem Nahen Osten, führenden marktorientierten Fonds und mehr als zehn Industriefonds erhalten. Zuvor erhielt Moxin Technology bereits Investitionen von Hubble Investment, das zu Huawei gehört, und Fonds unter Lenovo Holdings.
Die wahre Ära der Weltmodelle beginnt mit dem Flash World Model und wird schnell voranschreiten.
Dieser Artikel stammt aus dem WeChat-öffentlichen Konto „Xin Zhi Yuan“, Autor: ASI Offenbarung, veröffentlicht mit Genehmigung von 36Kr.