首个国产NPU实时交互世界模型MoWorld：50FPS成本仅30%

过去一年，生成式AI领域的热度持续攀升，而世界模型作为连接空间理解与动态预测的核心技术，正成为行业新的焦点。不同于仅能生成连续画面的视频生成模型，真正的世界模型核心在于对空间的理解能力以及对后续世界状态的精准预测。而在这一技术落地的关键环节中，实时性是绕不开的核心指标——无论是机器人自主决策还是游戏交互场景，帧率超过30FPS才能实现真正流畅的使用体验，但绝大多数现有的世界模型都难以满足这一要求。

近期，专注于4D世界模型研发与产业化落地的魔芯科技，联合浙江大学潘云鹤院士与华为等机构，正式推出了首个全栈基于国产NPU的实时交互世界模型MoWorld。这款模型不仅实现了超过50FPS的推理速度，其部署成本更是仅为同规模GPU方案的30%，为世界模型的产业化应用打开了全新的可能性。目前相关技术报告已正式发布，团队计划在近期开源模型权重与代码，并将基于国产NPU超节点向公众开放服务。

与普通视频生成模型最大的不同，世界模型的核心价值在于“实时交互”。在过去很长一段时间里，世界模型更多停留在学术研究与实验室阶段，当技术走向产业落地时，行业的关注重点已经从“能否生成内容”转变为三个核心问题：是否支持实时交互、能否稳定部署到生产环境、是否能将成本控制在可商用的区间内。MoWorld正是针对这一产业需求研发而来，研发团队联合华为团队等战略合作伙伴开展了近一年的技术攻关，解决了多项世界模型落地的关键技术瓶颈。

MoWorld的运行逻辑清晰且高效：它以首帧画面、文本描述以及相机运动轨迹作为输入条件，能够基于场景状态与用户控制输入生成符合物理规律的未来世界状态。用户可以通过类似W/A/S/D的连续控制方式，在生成的虚拟场景中进行实时交互，在国产NPU硬件平台上实现超过50FPS的流畅推理体验，同时通过系统性的架构设计，将整体推理成本控制在极低水平。

对于世界模型而言，视觉生成效果只是基础门槛，真正决定其能否大规模落地的核心要素，是训练成本、推理效率与实时交互能力。围绕这三大目标，MoWorld从数据构建、模型训练到系统部署全链路进行了深度优化，在提升模型综合能力的同时，大幅提升了工程可用性。

首先是数据体系的优化。与传统视频生成模型仅依赖互联网视频素材不同，世界模型的训练不仅需要视频与文本信息，还需要相机运动轨迹、空间深度等三维空间数据，普通的互联网视频素材无法满足训练需求。为此，MoWorld团队依托多年的3D与4D建模研究积累，搭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度质量筛选机制，持续提升训练语料的整体质量，既为模型学习真实空间规律提供了可靠的数据基础，也有效降低了整体训练开支。

为了实现世界模型的实时部署能力，MoWorld还针对训练、蒸馏和推理三个核心阶段进行了系统性优化。在训练阶段，团队结合国产NPU的硬件特性，引入了超密集注意力并行与长序列Token并行策略，有效缓解了超长视频训练带来的显存压力，最终实现了支持2000帧的超长训练与推理能力。在推理阶段，团队通过流水线执行、层级化序列并行以及动态混合精度量化等多重优化手段，让14B参数的MoE架构世界模型，在国产NPU平台上实现了最高50FPS的实时推理，推理成本仅为同规模GPU方案的30%。

从高质量数据引擎的搭建，到长时程训练能力的实现，再到低成本实时部署的落地，MoWorld将世界模型从“仅能生成静态或延时内容”的阶段，推进到了“支持实时交互与稳定商用”的新阶段，为世界模型的大规模产业化应用提供了一条兼顾性能与成本的可行路径。近期，MoWorld将基于国产NPU超节点向公众开放服务，让更多开发者与企业能够体验这款领先的实时交互世界模型。

依托实时交互世界模型的核心能力，MoWorld正在从单一的技术验证产品，逐步演进为覆盖多行业多场景的空间智能基础设施。在各类应用场景中，它不再局限于简单的视频生成能力，而是作为一个可控的“空间模拟引擎”，为行业提供可交互、可推演且兼具经济性的场景生成方案。

MoWorld支持完整的6自由度相机控制，用户仅需通过W/A/S/D按键与鼠标，就能实现影视级与游戏级的沉浸式场景漫游。其生成的场景真实高清，支持1080P及以上分辨率，无论是自然风光、二次元风格还是游戏动漫场景，都能实现全面覆盖与高质量呈现。

作为连接生成式AI与具身智能的关键桥梁，MoWorld可以为机器人、自动驾驶系统提供低成本、高保真的“数字演练场”。它是行业内兼具仿真价值与经济价值的顶尖世界模拟器，能够为智驾团队提供大量高精度的虚拟环境，让AI算法可以在虚拟世界中反复练习，快速掌握与现实物理环境的交互逻辑。

在影视创作领域，传统的分镜渲染往往需要漫长的周期，而MoWorld则让创作者可以在生成的虚拟世界中自由调整视角、实时预览画面效果，精准编辑每一个镜头画面，镜头控制丝滑流畅，还支持超越常规的导演级运镜效果。

此外，MoWorld生成的视频具备远超行业平均水平的几何一致性，甚至可以直接用于室内场景的三维重建。其精度高、结构稳定、空间一致性好的特点，成为了区别于同类产品的核心优势，为数字孪生、建筑可视化、虚拟展厅、沉浸式游戏等场景，提供了兼具高质量与高性价比的解决方案。

目前，大语言模型与通用视频生成模型的行业竞争格局已经基本清晰，但世界模型领域仍处于早期探索阶段。全球范围内尚未出现公认的领先厂商，各家仍在摸索工程化落地的路径，行业标准也尚未形成统一的规范。对于国产团队而言，这是一个难得的历史窗口——在这一领域的起点上，国内外团队的差距几乎为零，国产团队不仅有机会参与全球竞争，更有机会参与定义下一代空间智能的技术标准。

MoWorld正是在这一窗口期交出的亮眼答卷：它是首个完全基于国产NPU跑通训推全栈闭环的世界模型，首次将实时交互推理帧率提升至50FPS以上，同时将推理成本控制在同规模GPU方案的30%以内，实现了性能与成本的双重突破。

资本对这一领域的布局也早于行业共识。近期，研发MoWorld的企业完成了亿元美金融资，投资方包括头部美元机构、国家战略储备基金以及十余家产业资本。而在更早的阶段，该企业就已经获得了华为旗下哈勃投资、联想旗下联融志道等基金的战略投资，为技术研发与产业化落地提供了充足的资金支持。

行业窗口不会一直敞开，世界模型的技术标准最终将由谁来定义，答案很快就会揭晓。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/