MoWorld Explained: Модель мира реального времени на NPU, продвигающая мировые модели к промышленному использованию

Введение

За последний год мировые модели стали одной из наиболее обсуждаемых тем в индустрии ИИ. Настоящая модель мира — это не просто система, которая непрерывно генерирует видеокадры. Она должна понимать пространство, предсказывать следующее состояние мира и в реальном времени реагировать на управляющие сигналы.

Этот аспект реального времени имеет решающее значение. Для робототехники, автономного вождения, игр и интерактивных развлечений всё, что ниже плавной частоты кадров, быстро становится ограниченным. На практике более 30 FPS обычно является базовым уровнем для комфортного интерактивного опыта.

Именно здесь большинство существующих мировых моделей испытывают трудности.

Компания Moxin Technology, специализирующаяся на 4D-моделях мира и промышленном развертывании, совместно с партнерами, включая академика Чжэцзянского университета Юнхэ Паня и Huawei, выпустила MoWorld. Команда описывает MoWorld как полноценную интерактивную модель мира реального времени, построенную на отечественной инфраструктуре NPU.

Согласно оригинальному отчету и странице проекта MoWorld, MoWorld достигает более 50 FPS во время инференса, а стоимость развертывания, как сообщается, составляет лишь около 30% от стоимости сопоставимого решения на GPU. Технический отчет уже доступен, а веса, код и публичный доступ к сервису на NPU будут доступны в ближайшее время.

Домашняя страница проекта: MoWorld

Почему мировым моделям было трудно стать реальным временем?

По сравнению с обычными моделями генерации видео, самое большое отличие модели мира — это взаимодействие в реальном времени.

Долгое время мировые модели оставались ближе к исследовательским демонстрациям, чем к производственным системам. Главный вопрос больше не заключался в том, может ли модель генерировать визуально впечатляющий контент. Более сложным вопросом стало то, может ли она поддерживать управление в реальном времени, стабильное развертывание и структуру затрат, делающую промышленное использование реальным.

MoWorld был выпущен на этом фоне. Команда Moxin вместе с Huawei в качестве стратегического инвестора и партнера провела почти год, решая ключевые инженерные проблемы, связанные с развертыванием мировых моделей.

MoWorld принимает начальный кадр, текст и траекторию камеры в качестве условий. Затем он генерирует будущие состояния мира, соответствующие текущей сцене и управляющему входу. С помощью непрерывного управления, аналогичного движению W/A/S/D, пользователи могут взаимодействовать с генерируемым миром по мере его развертывания. На отечественном NPU-оборудовании система достигает более 50 FPS и сохраняет низкую стоимость инференса благодаря системному дизайну.

Впервые мировая модель снижает стоимость

Для мировых моделей качество генерации — это только первый шаг. Что определяет возможность фактического развертывания технологии, так это стоимость обучения, эффективность инференса и интерактивность в реальном времени.

MoWorld оптимизирует весь конвейер: построение данных, обучение модели, дистилляцию и системное развертывание. Цель состоит не только в улучшении возможностей модели, но и в том, чтобы сделать модель более простой в запуске в реальных инженерных условиях.

Первый ключевой элемент — данные. В отличие от стандартных моделей генерации видео, мировые модели не могут полагаться только на видео и текст. Им также нужны траектории камеры, пространственная глубина и другие 3D

информация. Необработанных интернет-видео недостаточно.

Чтобы решить эту проблему, MoWorld опирается на многолетние исследования в области 3D- и 4D-моделирования. Команда создала масштабируемую систему производства и управления данными. Благодаря таким фильтрам качества, как геометрическая согласованность, точность траекторий и стабильность с нескольких точек обзора, система улучшает обучающий корпус и предоставляет модели более надёжную основу для изучения пространственных правил. Это также помогает снизить общую нагрузку на обучение.

Чтобы модель мира можно было развернуть в реальном времени, MoWorld затем оптимизирует три этапа: обучение, дистилляция и инференс.

Во время обучения система спроектирована с учётом характеристик отечественных NPU-аппаратных средств. Внедрены сверхплотный параллелизм внимания и параллелизм длинных последовательностей токенов для снижения нагрузки на память при обучении на очень длинных видео. Согласно оригинальному отчёту, это обеспечивает долгосрочное обучение и инференс до 2000 кадров.

Во время инференса MoWorld использует конвейерное выполнение, иерархический параллелизм последовательностей и динамическое квантование со смешанной точностью. Эти системные оптимизации позволяют MoE-модели мира с 14 миллиардами параметров достигать частоты до 50 кадров в секунду на отечественной NPU-платформе. Сообщается, что затраты на инференс составляют лишь около 30% от затрат сопоставимого GPU-решения.

От построения высококачественного движка данных до длительного обучения и недорогого развёртывания в реальном времени, MoWorld переводит модели мира от «способности генерировать» к «способности взаимодействовать и быть развёрнутыми». Для крупномасштабного промышленного использования этот сдвиг является ключевым.

Ожидается, что MoWorld откроет свои сервисы для публики через отечественные NPU-суперузлы.

MoWorld Лидирует в Промышленных Применениях Отечественных Моделей Мира

Обладая возможностями интерактивной модели мира в реальном времени, MoWorld переходит от технической валидации к более широкой инфраструктуре пространственного интеллекта для нескольких отраслей.

В этих сценариях модель является не просто генератором видео. Она работает скорее как управляемый симулятор пространства, предоставляя отраслям способ генерировать интерактивные, исследовательские и экономически развёртываемые сцены.

Игры и

Интерактивные развлечения: управление в реальном времени и свободное исследование

MoWorld поддерживает полноценное управление камерой с шестью степенями свободы. Пользователи могут перемещаться по сгенерированным сценам с помощью клавиш W/A/S/D и управления мышью, что создаёт ощущение, близкое к кинематографическому или игровому роумингу.

Сгенерированные сцены реалистичны и отличаются высоким разрешением. В оригинальной статье упоминается поддержка разрешения 1080p и выше.

Также охватывается широкий спектр стилей, включая природные ландшафты, сцены в стиле аниме, игровые окружения и анимационный контент.

Воплощённый интеллект и автономное вождение: виртуальное обучение и реальная проверка

Мировые модели становятся мостом между генеративным ИИ и воплощённым интеллектом.

MoWorld может предоставить роботам и системам автономного вождения недорогой высокоточный цифровой тренировочный полигон. В этой роли он становится больше, чем просто визуальным генератором. Он предлагает симулятор, в котором системы ИИ могут научиться взаимодействовать с физической средой до выхода в реальный мир.

Для команд, занимающихся автономным вождением, такая симуляция мира может обеспечить большие объёмы высокоточных данных об окружающей среде с меньшими затратами по сравнению со многими традиционными симуляционными конвейерами.

Кинопроизводство: движение камеры на уровне режиссёра и предварительная визуализация в реальном времени

Традиционная предварительная визуализация и рендеринг раскадровок в кино могут занимать много времени.

MoWorld позволяет создателям регулировать точку обзора, предварительно просматривать кадры в реальном времени и редактировать движение камеры внутри сгенерированного виртуального мира. Плавное управление камерой здесь особенно важно, поскольку кинопроизводственные процессы часто требуют от режиссёров тестирования углов, движения и визуального ритма до начала съёмок.

Цифровые двойники и 3D-реконструкция: пространственная реконструкция с повышенной согласованностью

Сообщается, что сгенерированные MoWorld видео обладают высокой геометрической согласованностью, что делает их полезными для indoor-реконструкции 3D-сцен.

Согласно оригинальному отчёту, модель выделяется высокой точностью реконструкции, стабильной структурой и согласованным пространственным расположением. Эти качества важны для цифровых двойников, архитектурной визуализации, виртуальных выставочных залов, иммерсивных игр и других 3D-пространственных приложений.

Сотни миллионов долларов за Moxing: кто определит пространственный интеллект следующего поколения?

Конкурентная среда для больших языковых моделей и моделей генерации видео уже относительно ясна. Мировые модели — другое дело. Эта область всё ещё молода, и общепризнанный мировой лидер пока отсутствует.

Инженерные пути всё ещё тестируются. Отраслевые стандарты также ещё не полностью сформированы.

Для отечественных команд в области ИИ это создаёт редкое окно возможностей. Разрыв на старте не так велик, как на некоторых более зрелых рынках ИИ-инфраструктуры. У команд есть шанс не только конкурировать, но и помочь определить технические стандарты для следующего поколения.

пространственный интеллект.

Ответ MoWorld на эту возможность очевиден: компания заявляет о полноценном стеке для обучения и инференса, работающем на отечественной NPU-инфраструктуре, интерактивном инференсе в реальном времени с частотой более 50 FPS и снижении стоимости инференса примерно до 30% от сопоставимого GPU-решения.

Капитал начал движение до того, как индустрия пришла к полному консенсусу. Компания Moxin Technology недавно завершила раунд финансирования на сотни миллионов долларов с участием ведущих долларовых фондов, государственных стратегических резервных фондов и нескольких промышленных инвесторов.

Ранее Moxin также получила инвестиции от Hubble Investment (подразделение Huawei) и капитальной платформы, поддерживаемой LeFund от Lenovo.

Окно возможностей не будет открыто вечно. Следующий вопрос — кто установит стандарты для мировых моделей и пространственного интеллекта.

Часто задаваемые вопросы

Что такое MoWorld?

MoWorld — это интерактивная мировая модель реального времени, разработанная Moxin Technology в сотрудничестве с партнерами. Она предназначена для генерации будущих состояний мира на основе начального кадра, текста и траектории камеры, обеспечивая при этом непрерывное управление со стороны пользователя.

Почему для мировой модели важна частота 50 FPS?

Мировая модель, используемая для взаимодействия, должна реагировать достаточно быстро, чтобы пользователи или AI-агенты могли плавно ею управлять. Частота более 30 FPS обычно считается базовым уровнем для плавного взаимодействия, и MoWorld сообщает об инференсе выше 50 FPS на отечественной NPU-инфраструктуре.

Является ли MoWorld только моделью генерации видео?

Нет. Оригинальная статья позиционирует MoWorld как контролируемый движок пространственного моделирования, а не просто генератор видео. Его ключевая ценность — взаимодействие в реальном времени, управление камерой, пространственная согласованность и потенциальное применение в робототехнике, играх, предварительной визуализации фильмов и цифровых двойниках.

На какое оборудование ориентирован MoWorld?

MoWorld разработан для развертывания на отечественных NPU. На странице проекта он описывается как экономически эффективный NPU-стек, созданный для высокочастотной, малозатратной и непрерывно управляемой генерации видео-миров.

Является ли MoWorld открытым исходным кодом?

На странице проекта MoWorld указано, что код появится «скоро». В оригинальной статье также говорится, что веса и код планируется открыть в ближайшее время, но на момент подготовки этой статьи они не были общедоступны.

В чем заключается заявленное преимущество MoWorld по стоимости?

В оригинальной статье говорится, что стоимость развертывания MoWorld составляет всего около 30% от сопоставимого GPU-решения. В статье на arXiv описывается, что в практических условиях MoWorld снижает среднюю стоимость инференса примерно до 30–50% от существующих мировых моделей.

В каких отраслях может использоваться MoWorld?

Потенциальные варианты использования включают игры, интерактивные развлечения, робототехнику, автономное вождение, предварительную визуализацию фильмов, цифровые двойники, архитектурную визуализацию, виртуальные выставочные залы и 3D-реконструкцию.

Связанные инструменты

• MoWorld: Официальная страница проекта интерактивной мировой модели реального времени.
• arXiv: Препринт-платформа, где доступна техническая статья MoWorld.
• GitHub Pages: Система хостинга, используемая для публичного веб-сайта проекта MoWorld.

Связанные ссылки

• Официальная страница проекта MoWorld: Официальный обзор модели,

архитектура, результаты и сценарии применения.

• MoWorld: Мировая модель-вспышка на arXiv: Официальная страница реферата MoWorld на arXiv.
• HTML-версия MoWorld на arXiv: Веб-версия технического документа для чтения.
• PDF-отчёт MoWorld: PDF-файл технического отчёта проекта.
• Официальное изображение механизма данных MoWorld: Официальное изображение архитектуры, используемое, когда оригинальное изображение BAAI не загружается.
• Официальное изображение вывода в реальном времени MoWorld: Официальное изображение, объясняющее архитектуру оптимизации вывода MoWorld.

Краткое содержание

MoWorld демонстрирует, как мировые модели могут переходить от впечатляющих демонстраций к развёртываемой инфраструктуре. Основное утверждение заключается не только в улучшении качества генерации, но и в возможности взаимодействия в реальном времени с частотой более 50 кадров в секунду на отечественных NPU-аппаратах.

Статья объясняет механизм данных MoWorld, оптимизацию обучения и вывода, направление недорогого развёртывания, а также практические сценарии использования в играх, робототехнике, кинопроизводстве, цифровых двойниках и 3D-реконструкции.

Код модели и доступ к публичным услугам пока отмечены как «скоро», поэтому промышленное внедрение следует отложить до появления дополнительных открытых тестов, документации и деталей развёртывания.

Главный вывод: MoWorld важен, потому что он рассматривает мировую модель как интерактивный и развёртываемый пространственный движок, а не просто очередной генератор видео.