魔芯MoWorld以50FPS、成本降70%将世界模型带入产业时代

背景

过去一年，世界模型（World Model）成为AI行业的热词。与单纯的视频生成模型不同，真正的世界模型不仅要连续生成画面，还要能够理解空间、预测世界的下一个状态（next state）。实时性尤为关键——无论是机器人决策还是游戏娱乐，只有帧率超过30FPS才能被称作“流畅”。然而，绝大部分已有的世界模型都无法满足这一实时性要求，世界模型长期停留在学术研究和实验阶段，距离产业落地存在明显鸿沟：能否实时交互、能否稳定部署、能否把成本降到可用区间，成为从研究走向产业的核心挑战。

核心内容

专注于4D世界模型研发和产业化的魔芯科技，联合浙江大学潘云鹤院士、华为等团队，正式发布了首个全栈基于国产NPU的实时交互世界模型MoWorld。该模型在国产NPU上实现了推理速度超过50FPS，而部署成本仅为同规模GPU方案的30%。技术报告已发布，近期将开源权重和代码，并基于国产NPU超节点向公众提供服务。

MoWorld接收首帧图像、文本描述和相机轨迹作为条件，生成符合场景状态和控制输入的未来世界状态。用户可以通过类似W/A/S/D的连续控制方式，在生成的世界中进行实时交互。为了突破“实时”瓶颈，团队从数据构建、模型训练到系统部署进行了全链路优化：

• 数据层面：世界模型训练需要视频、文本、相机轨迹、空间深度等三维信息。MoWorld基于多年的3D/4D建模研究，构建了一套可扩展的数据生产与治理体系，通过几何一致性、轨迹精度、多视图稳定性等多维质量筛选，提升训练语料质量，降低整体训练开支。
• 训练阶段：结合国产NPU硬件特点，引入超密集注意力并行和长序列Token并行策略，缓解超长视频训练带来的显存压力，实现2000帧的超长训练和推理能力。
• 推理阶段：通过流水线执行、层级化序列并行以及动态混合精度量化等优化手段，使14B参数的MoE（混合专家）世界模型在国产NPU平台上实现最高50FPS实时推理，推理成本仅为同规模GPU方案的30%。

MoWorld正在从“技术验证”走向多行业场景应用，定位为可控的“空间模拟引擎”：

• 游戏与互动娱乐：支持完整6自由度相机控制，用户通过W/A/S/D和鼠标即可实现影视级、游戏级的沉浸式漫游，支持1080P及以上分辨率，涵盖自然风光、二次元、游戏动漫等场景。
• 具身智能与自动驾驶：为机器人、自动驾驶系统提供低成本、高保真的“数字演练场”，支持在虚拟世界中学习与现实物理环境的交互。
• 影视创作：创作者可在生成的虚拟世界中自由调整视角、实时预览画面、精准编辑镜头，支持导演级运镜。
• 数字孪生与三维重建：生成的视频具有行业领先的几何一致性，可直接用于室内场景的三维重建，精度高、结构稳定，适用于数字孪生、建筑可视化、虚拟展厅等场景。

魔芯科技近期完成亿元美金融资，由头部美元机构、国家战略储备基金和十余家产业资本共同参与。此前，魔芯曾获得华为旗下哈勃投资、联想旗下联融志道等基金的投资。

关键要点

• MoWorld是首个全栈基于国产NPU的实时交互世界模型，推理速度超过50FPS，部署成本仅为同规模GPU方案的30%。
• 团队从数据构建、训练、推理三个环节进行系统级优化，解决了世界模型实时交互、稳定部署和成本控制的关键问题。
• 模型为14B参数的MoE架构，支持2000帧超长训练和推理，通过流水线执行、序列并行、混合精度量化等技术实现国产NPU上的高效推理。
• 应用场景涵盖游戏娱乐、具身智能/自动驾驶、影视创作、数字孪生与三维重建，具备跨行业的空间模拟引擎能力。
• 魔芯科技已获亿元美金融资，投资方包括华为哈勃、联想联融志道等产业资本，以及头部美元机构和国家战略储备基金。

意义与影响

MoWorld的推出标志着世界模型从学术研究正式迈入产业应用阶段。它首次用纯国产NPU跑通了从训练到推理的全栈闭环，在实时交互帧率和成本控制上实现了对同规模GPU方案的显著优势，为世界模型的大规模产业化提供了一条可行的技术路径。

在全球范围内，世界模型尚未出现公认的领先者，工程化落地路径仍在摸索，行业标准也未形成。对于国产团队而言，这是一个罕见的窗口期——起点差距几乎为零，不仅有机会参与竞争，还有机会参与定义下一代空间智能的技术标准。MoWorld的落地和融资进展，表明产业资本和战略投资者已开始押注这一方向，预计将加速世界模型在具身智能、自动驾驶、数字孪生等领域的实际部署，推动AI从“生成内容”向“理解与模拟物理世界”的关键跃迁。