MoWorld: Đột phá mô hình thế giới với tốc độ 50FPS và chi phí giảm 70%

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

08-07-2026 21:29:44 Nguồn: QbitAI

Huawei và Lenovo đều đã đầu tư

Yunzhong, đưa tin từ Aofeisi

QbitAI | Tài khoản chính thức QbitAI

Trong năm qua, mô hình thế giới (world model) đã trở thành từ khóa nóng trong ngành công nghiệp AI.

Một mô hình thế giới thực thụ không chỉ đơn thuần là tạo ra các khung hình liên tục, mà còn phải có khả năng hiểu không gian và dự đoán trạng thái tiếp theo của thế giới (next state).

Trong đó, tính thời gian thực là vô cùng quan trọng, bởi dù là ra quyết định cho robot hay giải trí game, tốc độ khung hình >30FPS mới được coi là "mượt mà".

Tuy nhiên, phần lớn các mô hình thế giới hiện có đều chưa đáp ứng được điều kiện này.

Gần đây, Moxin Tech – công ty chuyên nghiên cứu và thương mại hóa mô hình thế giới 4D – đã phối hợp cùng Viện sĩ Phan Vân Hạc (Pan Yunhe) từ Đại học Chiết Giang, Huawei và các đơn vị khác để chính thức công bố: MoWorld, mô hình thế giới tương tác thời gian thực đầu tiên dựa trên nền tảng NPU nội địa toàn diện.

Tốc độ suy luận (inference) trực tiếp vượt ngưỡng 50FPS, trong khi chi phí triển khai chỉ bằng 30% so với các giải pháp GPU có cùng quy mô.

Báo cáo kỹ thuật đã được công bố, trọng số và mã nguồn sẽ sớm được mở, đồng thời dịch vụ sẽ được cung cấp cho công chúng dựa trên các siêu nút (super-node) NPU nội địa.

Trang chủ dự án: https://moxin-tech.github.io/moworld/

Tại sao mô hình thế giới luôn không thể đạt được "thời gian thực"?

So với các mô hình tạo video, điểm khác biệt lớn nhất của mô hình thế giới nằm ở "tương tác thời gian thực".

Trong thời gian qua, các mô hình thế giới chủ yếu dừng lại ở giai đoạn nghiên cứu học thuật và thử nghiệm. Từ nghiên cứu đến công nghiệp, trọng tâm không còn chỉ là "có tạo ra được không", mà là "có thể tương tác thời gian thực không, có thể triển khai ổn định không và có thể giảm chi phí xuống mức khả dụng không".

MoWorld ra đời chính từ bối cảnh này, với mục tiêu phục vụ các ứng dụng thực tế trong công nghiệp. Đội ngũ Moxin cùng cổ đông chiến lược là Huawei đã dành gần một năm để giải quyết các vấn đề kỹ thuật then chốt, tháo gỡ nhiều rào cản trong việc đưa mô hình thế giới vào ứng dụng thực tế.

MoWorld tiếp nhận khung hình đầu tiên, văn bản và quỹ đạo camera làm điều kiện đầu vào, từ đó tạo ra trạng thái thế giới tương lai phù hợp với trạng thái cảnh quan và các lệnh điều khiển. Thông qua phương thức điều khiển liên tục tương tự W/A/S/D, người dùng có thể tương tác thời gian thực trong thế giới được tạo ra, đạt tốc độ suy luận tối đa >50FPS trên NPU nội địa, đồng thời tối ưu hóa hệ thống để đạt chi phí suy luận cực thấp.

Mô hình thế giới, lần đầu tiên giảm được chi phí

Đối với mô hình thế giới, hiệu quả tạo hình chỉ là bước đầu tiên; yếu tố thực sự quyết định khả năng ứng dụng thực tế chính là chi phí huấn luyện, hiệu suất suy luận và khả năng tương tác thời gian thực.

Xoay quanh mục tiêu này, MoWorld đã thực hiện tối ưu hóa toàn diện từ xây dựng dữ liệu, huấn luyện mô hình đến triển khai hệ thống, vừa nâng cao năng lực mô hình, vừa giúp mô hình thế giới có tính ứng dụng kỹ thuật cao hơn.

Đầu tiên là dữ liệu. Khác với các mô hình tạo video truyền thống, việc huấn luyện mô hình thế giới không chỉ cần video và văn bản mà còn cần các thông tin 3D như quỹ đạo camera, độ sâu không gian; việc chỉ sử dụng video từ internet là hoàn toàn không đủ.

Vì vậy, dựa trên nhiều năm nghiên cứu về mô hình hóa 3D/4D, MoWorld đã xây dựng một hệ thống sản xuất và quản trị dữ liệu có khả năng mở rộng. Thông qua việc sàng lọc chất lượng đa chiều như tính nhất quán hình học, độ chính xác quỹ đạo và độ ổn định đa góc nhìn, hệ thống liên tục nâng cao chất lượng dữ liệu huấn luyện, cung cấp nền tảng dữ liệu đáng tin cậy để mô hình học các quy luật không gian thực, đồng thời giảm chi phí huấn luyện tổng thể.

Để mô hình thế giới thực sự có khả năng triển khai thời gian thực, MoWorld đã tối ưu hóa cấp hệ thống cho ba giai đoạn: huấn luyện, chưng cất (distillation) và suy luận.

Ở giai đoạn huấn luyện, kết hợp với đặc điểm phần cứng NPU nội địa, đội ngũ đã áp dụng chiến lược song song hóa chú ý siêu mật độ (ultra-dense attention) và song song hóa chuỗi Token dài, giúp giảm bớt áp lực bộ nhớ video do việc huấn luyện video siêu dài gây ra, cuối cùng đạt được khả năng huấn luyện và suy luận lên tới 2000 khung hình.

Ở giai đoạn suy luận, thông qua các biện pháp tối ưu hóa như thực thi theo đường ống (pipeline), song song hóa chuỗi phân cấp và lượng tử hóa hỗn hợp độ chính xác động, mô hình thế giới MoE 14B đã đạt tốc độ suy luận thời gian thực tối đa 50 FPS trên nền tảng NPU nội địa, với chi phí suy luận chỉ bằng 30% so với giải pháp GPU cùng quy mô.

Từ việc xây dựng công cụ dữ liệu chất lượng cao, huấn luyện thời gian dài, cho đến triển khai thời gian thực chi phí thấp, MoWorld đã thúc đẩy mô hình thế giới tiến nhanh từ "có thể tạo" sang "có thể tương tác, có thể triển khai", cung cấp một lộ trình Moxin vừa đảm bảo hiệu năng vừa đảm bảo hiệu quả cho việc ứng dụng công nghiệp quy mô lớn.

Trong thời gian tới, MoWorld sẽ mở cửa và cung cấp dịch vụ dựa trên các siêu nút NPU nội địa.

MoWorld, mô hình thế giới nội địa dẫn dắt ứng dụng công nghiệp

Dựa trên khả năng mô hình thế giới tương tác thời gian thực, MoWorld đang chuyển mình từ "xác thực kỹ thuật" sang trở thành cơ sở hạ tầng trí tuệ không gian cho nhiều ngành nghề và kịch bản khác nhau.

Trong các kịch bản ứng dụng khác nhau, MoWorld không chỉ giới hạn ở khả năng tạo video mà đóng vai trò như một "công cụ mô phỏng không gian" có thể kiểm soát, cung cấp cho ngành công nghiệp khả năng tạo cảnh quan có tính tương tác, có thể diễn giải và đồng thời mang lại hiệu quả kinh tế.

Game và giải trí tương tác: Tương tác thời gian thực, tự do khám phá

MoWorld hỗ trợ điều khiển camera 6 bậc tự do (6DoF) hoàn chỉnh, người dùng có thể thực hiện các trải nghiệm nhập vai cấp độ điện ảnh và game thông qua W/A/S/D và chuột.

Cảnh quan chân thực, độ phân giải cao, hỗ trợ 1080P trở lên.

Dù là phong cảnh thiên nhiên, phong cách anime hay game hoạt hình, tất cả đều được hỗ trợ toàn diện.

Trí tuệ hiện thân (Embodied AI) và xe tự lái: Huấn luyện ảo, xác thực thực tế

Mô hình thế giới đã trở thành cầu nối quan trọng kết nối AI tạo sinh với trí tuệ hiện thân.