MoWorld Explicado: O Modelo de Mundo NPU em Tempo Real que Impulsiona os Modelos de Mundo para Uso Industrial

Introdução

No último ano, os modelos de mundo tornaram-se um dos tópicos mais discutidos na indústria de IA. Um modelo de mundo real não é apenas um sistema que continua gerando quadros de vídeo. Ele deve entender o espaço, prever o próximo estado do mundo e responder a sinais de controle em tempo real.

Essa parte do tempo real é importante. Para robótica, direção autônoma, jogos e entretenimento interativo, qualquer coisa abaixo de uma taxa de quadros suave rapidamente parece limitada. Na prática, mais de 30 FPS é geralmente a linha de base para uma experiência interativa fluida.

É também onde a maioria dos modelos de mundo existentes encontra dificuldades.

A Moxin Technology, uma empresa focada em modelos de mundo 4D e implantação industrial, lançou agora o MoWorld em conjunto com parceiros como o acadêmico da Universidade de Zhejiang, Yunhe Pan, e a Huawei. A equipe descreve o MoWorld como um modelo de mundo interativo em tempo real de pilha completa construído sobre infraestrutura NPU doméstica.

De acordo com o relatório original e a página do projeto MoWorld, o MoWorld atinge mais de 50 FPS durante a inferência, enquanto o custo de implantão é relatado como sendo apenas cerca de 30% de uma solução comparável baseada em GPU. Um relatório técnico já está disponível, enquanto pesos, código e acesso público ao serviço baseado em NPU estão marcados como "em breve".

Página inicial do projeto: MoWorld

Por que os Modelos de Mundo Têm Dificuldade em se Tornar em Tempo Real?

Comparados com modelos comuns de geração de vídeo, a maior diferença em um modelo de mundo é a interação em tempo real.

Por muito tempo, os modelos de mundo permaneceram mais próximos de demonstrações de pesquisa do que de sistemas de produção. A principal questão não era mais apenas se o modelo poderia gerar conteúdo visualmente impressionante. A questão mais difícil tornou-se se ele poderia suportar controle em tempo real, implantação estável e uma estrutura de custos que tornasse o uso industrial realista.

O MoWorld foi lançado nesse contexto. A equipe da Moxin, juntamente com a Huawei como investidora estratégica e colaboradora, passou quase um ano trabalhando em problemas de engenharia chave em torno da implantação de modelos de mundo.

O MoWorld usa um quadro inicial, texto e trajetória de câmera como condições. Ele então gera estados futuros do mundo que correspondem à cena atual e à entrada de controle. Com controles contínuos semelhantes ao movimento W/A/S/D, os usuários podem interagir com o mundo gerado à medida que ele se desenrola. Em hardware NPU doméstico, o sistema atinge mais de 50 FPS e mantém o custo de inferência baixo por meio de design em nível de sistema.

Pela Primeira Vez, um Modelo de Mundo Reduz o Custo

Para modelos de mundo, a qualidade da geração é apenas o primeiro passo. O que decide se a tecnologia pode realmente ser implantada é o custo de treinamento, a eficiência da inferência e a interatividade em tempo real.

O MoWorld otimiza todo o pipeline: construção de dados, treinamento do modelo, destilação e implantação do sistema. O objetivo não é apenas melhorar a capacidade do modelo, mas também tornar o modelo mais fácil de executar em ambientes reais de engenharia.

O primeiro elemento chave são os dados. Diferente dos modelos padrão de geração de vídeo, os modelos de mundo não podem depender apenas de vídeos e texto. Eles também precisam de trajetórias de câmera, profundidade espacial e outros dados 3D.

informações. Vídeos crus da internet não são suficientes.

Para resolver isso, a MoWorld se baseia em anos de pesquisa em modelagem 3D e 4D. A equipe criou um sistema escalável de produção e governança de dados. Por meio de filtros de qualidade, como consistência geométrica, precisão de trajetória e estabilidade multivista, o sistema melhora o corpus de treinamento e fornece ao modelo uma base mais confiável para aprender regras espaciais. Isso também ajuda a reduzir a carga geral de treinamento.

Para tornar o modelo de mundo implantável em tempo real, a MoWorld otimiza então três estágios: treinamento, destilação e inferência.

Durante o treinamento, o sistema é projetado em torno das características do hardware NPU nacional. Ele introduz paralelismo de atenção ultra denso e paralelismo de tokens de sequência longa para reduzir a pressão de memória ao treinar em vídeos muito longos. De acordo com o relatório original, isso permite treinamento e inferência de horizonte longo de até 2.000 quadros.

Durante a inferência, a MoWorld usa execução em pipeline, paralelismo de sequência hierárquica e quantização dinâmica de precisão mista. Essas otimizações de sistema permitem que um modelo de mundo MoE de 14B parâmetros atinja até 50 FPS em uma plataforma NPU nacional. O custo de inferência relatado é de apenas cerca de 30% de uma solução GPU comparável.

Da construção de um mecanismo de dados de alta qualidade ao treinamento de sequências longas e à implantação em tempo real de baixo custo, a MoWorld move os modelos de mundo de "conseguir gerar" para "conseguir interagir e ser implantado". Para uso industrial em larga escala, essa mudança é o ponto crucial.

Espera-se que a MoWorld abra serviços ao público por meio de supernós NPU nacionais.

MoWorld Lidera Aplicações Industriais para Modelos de Mundo Nacionais

Com a capacidade de modelo de mundo interativo em tempo real, a MoWorld está passando da validação técnica para uma infraestrutura de inteligência espacial mais ampla para múltiplas indústrias.

Nesses cenários, o modelo não é apenas um gerador de vídeos. Ele funciona mais como um mecanismo de simulação espacial controlável, dando às indústrias uma maneira de gerar cenas interativas, exploráveis e economicamente implantáveis.

Jogos e

Entretenimento Interativo: Controle em Tempo Real e Exploração Livre

O MoWorld suporta controle completo de câmera com seis graus de liberdade. Os usuários podem navegar pelas cenas geradas usando os controles W/A/S/D e estilo mouse, criando uma experiência mais próxima de um roaming cinematográfico ou de jogos.

As cenas geradas são realistas e em alta definição. O artigo original menciona suporte para resoluções de 1080p e superiores.

Também abrange uma ampla variedade de estilos, incluindo paisagens naturais, cenas no estilo anime, ambientes de jogos e conteúdo animado.

Inteligência Incorporada e Condução Autônoma: Treinamento Virtual e Verificação Real

Os modelos de mundo estão se tornando uma ponte entre a IA generativa e a inteligência incorporada.

O MoWorld pode fornecer a robôs e sistemas de condução autônoma um campo de treinamento digital de baixo custo e alta fidelidade. Nesse papel, ele vai além de um gerador visual. Oferece um simulador onde sistemas de IA podem aprender a interagir com ambientes físicos antes de entrar no mundo real.

Para equipes de condução autônoma, esse tipo de simulação de mundo pode fornecer grandes quantidades de dados ambientais de alta precisão a um custo menor do que muitos pipelines de simulação tradicionais.

Produção Cinematográfica: Movimentos de Câmera de Nível de Diretor e Pré-visualização em Tempo Real

A pré-visualização tradicional de filmes e a renderização de storyboards podem levar muito tempo.

O MoWorld permite que criadores ajustem o ponto de vista, visualizem cenas em tempo real e editem o movimento da câmera dentro de um mundo virtual gerado. O controle suave da câmera é especialmente importante aqui, pois os fluxos de trabalho cinematográficos frequentemente exigem que os diretores testem ângulos, movimento e ritmo visual antes da produção.

Gêmeos Digitais e Reconstrução 3D: Reconstrução Espacial com Maior Consistência

Relata-se que os vídeos gerados pelo MoWorld possuem forte consistência geométrica, tornando-os úteis para reconstrução 3D de interiores.

De acordo com o relatório original, o modelo se destaca por sua alta precisão de reconstrução, estrutura estável e layout espacial consistente. Essas qualidades são importantes para gêmeos digitais, visualização arquitetônica, showrooms virtuais, jogos imersivos e outras aplicações espaciais 3D.

Centenas de Milhões de Dólares para a Moxin: Quem Definirá a Próxima Geração de Inteligência Espacial?

O cenário competitivo para grandes modelos de linguagem e modelos de geração de vídeo já está relativamente claro. Os modelos de mundo são diferentes. O campo ainda é jovem e ainda não há um líder global amplamente aceito.

Caminhos de engenharia ainda estão sendo testados. Os padrões da indústria também não estão totalmente formados.

Para equipes nacionais de IA, isso cria uma janela rara. A diferença na linha de partida não é tão grande quanto em alguns mercados de infraestrutura de IA mais antigos. As equipes ainda têm a chance não apenas de competir, mas também de ajudar a definir os padrões técnicos para a próxima geração de inteligência espacial.

inteligência espacial.

A resposta da MoWorld para essa oportunidade é clara: ela afirma ter uma pilha completa de treinamento e inferência rodando em infraestrutura NPU nacional, inferência interativa em tempo real acima de 50 FPS e custo de inferência reduzido para cerca de 30% de uma solução GPU comparável.

O capital se moveu antes que a indústria chegasse a um consenso total. A Moxin Technology concluiu recentemente uma rodada de financiamento de centenas de milhões de dólares, com participação de fundos líderes em dólar, fundos de reserva estratégica nacional e vários investidores industriais.

Anteriormente, a Moxin também havia recebido investimento da Hubble Investment, da Huawei, e da plataforma de capital apoiada pelo LeFund, da Lenovo.

A janela não ficará aberta para sempre. A próxima pergunta é quem definirá os padrões para modelos de mundo e inteligência espacial.

FAQ

O que é o MoWorld?

MoWorld é um modelo de mundo interativo em tempo real desenvolvido pela Moxin Technology e colaboradores. Ele foi projetado para gerar estados futuros do mundo a partir de um quadro inicial, texto e trajetória de câmera, permitindo controle contínuo do usuário.

Por que 50 FPS é importante para um modelo de mundo?

Um modelo de mundo usado para interação precisa responder rápido o suficiente para que usuários ou agentes de IA possam controlá-lo de forma suave. Mais de 30 FPS é comumente tratado como uma linha de base para interação fluida, e o MoWorld relata inferência acima de 50 FPS em infraestrutura NPU nacional.

O MoWorld é apenas um modelo de geração de vídeo?

Não. O artigo original posiciona o MoWorld como um motor de simulação espacial controlável, não apenas um gerador de vídeo. Seu valor principal é a interação em tempo real, controle de câmera, consistência espacial e uso potencial em robótica, jogos, pré-visualização de filmes e gêmeos digitais.

Qual hardware o MoWorld tem como alvo?

O MoWorld foi projetado para implantação em NPU nacional. A página do projeto o descreve como uma pilha NPU econômica e afirma que ele é construído para geração de mundo de vídeo contínua, controlável e de alta taxa de quadros e baixo custo.

O MoWorld é de código aberto?

A página do projeto MoWorld lista o código como "Em Breve". O artigo original também diz que os pesos e o código devem ser abertos em breve, mas não estavam disponíveis publicamente no momento em que este artigo foi preparado.

Qual é a vantagem de custo relatada do MoWorld?

O artigo original diz que o custo de implantação do MoWorld é de apenas cerca de 30% de uma solução GPU comparável. O artigo do arXiv descreve o MoWorld como reduzindo o custo médio de inferência para cerca de 30%–50% dos modelos de mundo existentes em cenários práticos.

Quais indústrias poderiam usar o MoWorld?

Os casos de uso potenciais incluem jogos, entretenimento interativo, robótica, direção autônoma, pré-visualização de filmes, gêmeos digitais, visualização arquitetônica, showrooms virtuais e reconstrução 3D.

Ferramentas Relacionadas

• MoWorld: A página oficial do projeto para o modelo de mundo interativo em tempo real.
• arXiv: Uma plataforma de pré-impressão onde o artigo técnico do MoWorld está disponível.
• GitHub Pages: O sistema de hospedagem usado para o site público do projeto MoWorld.

Links Relacionados

• Página Oficial do Projeto MoWorld: Visão geral oficial do modelo,

arquitetura, resultados e cenários de aplicação.

• MoWorld: Um Modelo de Mundo Flash no arXiv: Página de resumo oficial do arXiv para o artigo técnico do MoWorld.
• Versão HTML do MoWorld no arXiv: Uma versão legível na web do artigo técnico.
• PDF do Relatório Técnico do MoWorld: PDF do relatório técnico vinculado ao projeto.
• Figura Oficial do Mecanismo de Dados do MoWorld: Imagem oficial da arquitetura usada quando a imagem original do BAAI não pôde ser carregada.
• Figura Oficial de Inferência em Tempo Real do MoWorld: Imagem oficial que explica a arquitetura de otimização de inferência do MoWorld.

Resumo

O MoWorld demonstra como os modelos de mundo podem evoluir de demonstrações impressionantes para uma infraestrutura implantável. Sua principal afirmação não é apenas uma melhor qualidade de geração, mas interação em tempo real a mais de 50 FPS em hardware NPU nacional.

O artigo explica o mecanismo de dados do MoWorld, otimizações de treinamento e inferência, direção de implantação de baixo custo e casos de uso práticos em jogos, robótica, produção cinematográfica, gêmeos digitais e reconstrução 3D.

O código do modelo e o acesso ao serviço público ainda estão marcados como "em breve", portanto, a adoção em produção deve aguardar mais testes públicos, documentação e detalhes de implantação.

A principal conclusão: O MoWorld é importante porque trata o modelo de mundo como um mecanismo espacial interativo e implantável, e não apenas como mais um gerador de vídeos.