MoWorld 解读：实时NPU世界模型，推动世界模型走向工业应用

引言

过去一年，世界模型已成为人工智能行业讨论最热烈的话题之一。真正的世界模型不仅仅是持续生成视频帧的系统，它应当理解空间、预测世界的下一个状态，并实时响应控制信号。

实时性至关重要。对于机器人、自动驾驶、游戏和交互式娱乐而言，任何低于流畅帧率的体验都会迅速显得受限。实际上，30 FPS以上通常是流畅交互体验的基准线。

而这正是大多数现有世界模型难以突破的地方。

专注于4D世界模型和工业部署的莫芯科技，现已联合浙江大学院士潘云鹤、华为等合作伙伴发布MoWorld。团队将MoWorld描述为基于国产NPU基础设施的全栈实时交互世界模型。

根据原始报告和MoWorld项目页面，MoWorld在推理时达到50 FPS以上，部署成本据称仅为同类GPU解决方案的约30%。技术报告已发布，而模型权重、代码和基于NPU的公开服务访问渠道标注为即将推出。

项目主页：MoWorld

世界模型为何难以实现实时化？

与普通视频生成模型相比，世界模型最大的区别在于实时交互。

长期以来，世界模型更接近研究演示而非生产系统。主要问题已不再仅仅是模型能否生成视觉上令人印象深刻的内容。更难的挑战在于它能否支持实时控制、稳定部署以及使工业应用具备现实性的成本结构。

MoWorld正是在此背景下发布。莫芯团队与作为战略投资者和合作方的华为共同花费近一年时间，攻克了世界模型部署的关键工程问题。

MoWorld以初始帧、文本和相机轨迹作为条件，然后生成与当前场景和控制输入相匹配的未来世界状态。通过类似W/A/S/D移动的连续控制，用户可以与正在生成的世界进行交互。在国产NPU硬件上，系统达到50 FPS以上，并通过系统级设计保持低推理成本。

世界模型首次实现成本降低

对于世界模型而言，生成质量仅是第一步。决定该技术能否实际部署的是训练成本、推理效率和实时交互性。

MoWorld优化了完整流程：数据构建、模型训练、蒸馏和系统部署。目标不仅是提升模型能力，更是让模型在实际工程环境中更易运行。

第一个关键要素是数据。与标准视频生成模型不同，世界模型不能仅依赖视频和文本，还需要相机轨迹、空间深度及其他3D信息。

信息。单纯的互联网视频远远不够。

为解决这一问题，MoWorld 建立在多年的 3D 和 4D 建模研究基础上。该团队打造了一个可扩展的数据生产与治理系统。通过几何一致性、轨迹精度和多视角稳定性等质量过滤器，该系统优化了训练语料库，为模型学习空间规则提供了更可靠的基础。这也有助于减轻整体的训练负担。

为了使世界模型能够实时部署，MoWorld 随后优化了三个关键阶段：训练、蒸馏和推理。

在训练阶段，系统针对国产 NPU 硬件特性进行设计。它引入了超密集注意力并行和长序列令牌并行，以降低在超长视频训练时的内存压力。根据原始报告，这实现了长达 2000 帧的长程训练和推理。

在推理阶段，MoWorld 采用了流水线执行、层级序列并行和动态混合精度量化。这些系统优化使得一个 140 亿参数的 MoE 世界模型能够在国产 NPU 平台上达到每秒 50 帧的处理速度。据报道，其推理成本仅为同类 GPU 解决方案的约 30%。

从高质量数据引擎构建，到长序列训练和低成本实时部署，MoWorld 正推动世界模型从“能生成”迈向“可交互、可部署”。对于大规模工业应用而言，这一转变才是真正的关键所在。

MoWorld 预计将通过国产 NPU 超级节点向公众开放服务。

MoWorld 引领国内世界模型的工业应用

凭借实时交互式世界模型能力，MoWorld 正从技术验证阶段走向更广泛的、面向多个行业的空间智能基础设施。

在这些应用场景中，该模型不仅仅是一个视频生成器。它更像一个可控的空间模拟引擎，为各行各业提供了一种生成可交互、可探索且经济可行的场景的方法。

游戏与

互动娱乐：实时控制与自由探索

MoWorld支持完整的六自由度摄像机控制。用户可通过W/A/S/D键和鼠标操作在生成的场景中自由移动，营造出接近电影或游戏级漫游的体验。

生成的场景真实且高清。原文指出其支持1080p及更高分辨率。

此外，其涵盖的风格极为广泛，包括自然景观、动漫风格场景、游戏环境以及动画内容。

具身智能与自动驾驶：虚拟训练与真实验证

世界模型正成为生成式AI与具身智能之间的桥梁。

MoWorld可为机器人和自动驾驶系统提供低成本、高保真的数字训练场。在此角色中，它不仅是视觉生成器，更是一个模拟器——AI系统在进入现实世界前，可借此学习如何与物理环境交互。

对自动驾驶团队而言，这种世界模拟能以低于许多传统仿真管线的成本，提供大量高精度环境数据。

电影制作：导演级运镜与实时预可视化

传统的电影预可视化及分镜渲染往往耗时漫长。

MoWorld允许创作者在生成的虚拟世界中实时调整视角、预览镜头并编辑运镜轨迹。流畅的摄像机控制在此尤为重要，因为电影制作流程常要求导演在正式拍摄前测试角度、运动轨迹和视觉节奏。

数字孪生与3D重建：空间重建一致性更高

据报道，MoWorld生成的视频具备较强的几何一致性，可用于室内3D重建。

根据原始报告，该模型因重建精度高、结构稳定、空间布局连贯而脱颖而出。这些特性对数字孪生、建筑可视化、虚拟展厅、沉浸式游戏及其他3D空间应用至关重要。

数亿美元砸向模芯：谁将定义下一代空间智能？

大语言模型与视频生成模型的竞争格局已相对清晰。世界模型则截然不同——这一领域尚处早期，全球范围内尚未出现被广泛认可的领军者。

工程化路径仍在探索中，行业标准亦未完全形成。

对国内AI团队而言，这创造了一个罕见的窗口期。与某些更成熟的人工智能基础设施市场相比，起跑线的差距并未被拉大。团队不仅有机会参与竞争，更有望助力定义下一代空间智能的技术标准。

空间智能。

MoWorld 对这一机遇的回应十分明确：它声称拥有运行在国内 NPU 基础设施上的完整训练与推理堆栈，实时交互推理帧率超过 50 FPS，且推理成本降至同类 GPU 解决方案的约 30%。

资本在行业完全达成共识之前就已行动。墨芯科技近期完成了一轮价值数亿美元的融资，参与方包括领先的美元基金、国家战略储备基金以及多家产业投资者。

此前，墨芯还曾获得华为哈勃投资和联想创投旗下资本平台的投资。

机遇窗口不会永远敞开。接下来的问题是：谁将为世界模型和空间智能制定标准？

常见问题

什么是 MoWorld？

MoWorld 是墨芯科技及合作者开发的一款实时交互式世界模型。它旨在从初始画面、文本和相机轨迹生成未来的世界状态，同时允许用户进行持续控制。

为什么 50 FPS 对世界模型很重要？

用于交互的世界模型需要足够快速地响应，以便用户或 AI 代理能够流畅地控制它。通常将 30 FPS 以上视为流畅交互的基准，而 MoWorld 声称在国内 NPU 基础设施上推理帧率超过 50 FPS。

MoWorld 仅仅是一个视频生成模型吗？

不是。原文章将 MoWorld 定位为一个可控制的空间模拟引擎，而不仅仅是视频生成器。它的关键价值在于实时交互、相机控制、空间一致性，以及在机器人、游戏、电影预可视化、数字孪生等领域的潜在应用。

MoWorld 针对什么硬件？

MoWorld 围绕国内 NPU 部署进行设计。项目页面将其描述为一个高性价比的 NPU 堆栈，并表示它是为高帧率、低成本、可持续控制的视频世界生成而构建的。

MoWorld 是开源的吗？

MoWorld 项目页面将代码列为“即将推出”。原文章还提到权重和代码预计很快就会开放，但在本文准备时尚未公开。

MoWorld 报道的成本优势是什么？

原文章称 MoWorld 的部署成本仅为同类 GPU 解决方案的约 30%。arXiv 论文描述 MoWorld 在实际场景中平均推理成本降至现有世界模型的约 30%–50%。

哪些行业可以使用 MoWorld？

潜在用例包括游戏、交互式娱乐、机器人、自动驾驶、电影预可视化、数字孪生、建筑可视化、虚拟展厅和 3D 重建。

相关工具

• MoWorld：实时交互式世界模型的官方项目页面。
• arXiv：MoWorld 技术论文所在的预印本平台。
• GitHub Pages：托管 MoWorld 公共项目网站的托管系统。

相关链接

• MoWorld 官方项目页面：模型官方概览。

架构、成果与应用场景

• MoWorld：arXiv 上的闪存世界模型：MoWorld 技术论文的官方 arXiv 摘要页面
• MoWorld arXiv 网页版本：技术论文的网页可读版本
• MoWorld 技术报告 PDF：项目关联的技术报告 PDF 文件
• 官方 MoWorld 数据引擎示意图：当原始 BAAI 图像无法加载时使用的官方架构图
• 官方 MoWorld 实时推理示意图：解释 MoWorld 推理优化架构的官方图像

总结

MoWorld 展示了世界模型如何从令人印象深刻的原型迈向可部署的基础设施。其核心主张不仅在于更优的生成质量，更在于国产 NPU 硬件上实现超过 50 FPS 的实时交互能力。

文章阐述了 MoWorld 的数据引擎、训练与推理优化、低成本部署方向，以及在游戏、机器人、影视制作、数字孪生和 3D 重建等领域的实际应用案例。

该模型的代码及公共服务访问仍标注为"即将推出"，因此生产环境采用需等待更多公开测试、文档和部署细节的完善。

核心要点：MoWorld 之所以重要，在于它将世界模型视为一个可交互、可部署的空间引擎，而非仅仅是又一个视频生成器。