十几种物理要素、2000帧、70fps:魔芯把4D世界模型绑上昇腾,推理成本砍到GPU方案的三成
十几种物理要素、2000帧、70fps:魔芯把4D世界模型绑上昇腾,推理成本砍到GPU方案的三成
Part One:视频模型回答"看起来像什么",世界模型要回答"动一下会怎样"
2026年11月4日,世界互联网大会乌镇峰会的浙江分论坛上,杭州魔芯科技的创始人兼CEO陈天润——一位浙江大学计算机学院的00后直博生——联合具身智能、文化旅游、时空地理信息三家国家人工智能应用中试基地的代表,一起发布了一个东西:昇腾原生的4D世界模型 MoWorld 2.0。
这个会的规格不算小:主题是"发展新质生产力 强劲增量看AI",到场1200余人,浙江分论坛已经连续办了12届。但真正值得记的不是会场,是陈天润在现场给这个模型划的那条界线:
大多数视频生成模型回答的是"画面看起来是什么样",MoWorld 2.0 回答的是"当动作发生后,世界会如何变化"。
这句话不是修辞,是两种完全不同的技术目标。
视频生成模型优化的是"像素看起来像不像真的"。它不需要知道书签有多重,只要生成出来的画面让眼睛觉得书签是掉下去的,任务就完成了。物理错了?观众可能看不出来。风从东边吹但书页往西翻?只要动画够流畅,也没人在意。
世界模型必须知道书签有多重。因为它的输出要被一个 Agent 拿去做决策——机器人在虚拟环境里训练,如果它学到的"推杯子"的物理反馈是错的,那这个训练就是负资产,上了真机会摔得更惨。
MoWorld 2.0 的官方表述很直白:“不只描绘世界的外观,更要让AI学会理解空间、时间和物理规律之间准确的、完整的深度联系。”
现场演示的那个场景,其实是一次很克制的技术暴露:
微风吹动书页,书签从书页间滑落掉到地面上。
要正确生成这 5 秒钟,模型必须同时处理:风力的强度和方向(吹哪边)、纸张的柔性(书页怎么弯)、书签的质量(掉多快)、地板的刚性(落地怎么弹)、以及物体之间的接触关系(书签离开书页那一刻的分离条件)。
少一样,画面就会露馅——书签穿模进地板、书页像钢板一样不动、或者书签在空气里悬停半秒。
官方说 MoWorld 2.0 覆盖了十几种物理要素:重力、弹力、浮力、光照、柔体、流体、刚体、形塑体、热力。
Part Two:十几种物理要素,怎么塞进一个模型
这里有个必须先讲清的技术选择:MoWorld 走的是纯隐式空间建模路线,而不是显式三维重建。
这个区别很关键。
显式路线(比如各种 3D 重建、点云、Mesh 方案)是先把场景还原成一堆几何体,再让物理引擎去算。优点是可控、可编辑;缺点是它依赖重建质量——重建不准,物理全错,而且重建本身很慢,没法实时。
隐式路线是用神经网络把整个场景编码进一个高维表示里,物理规律从数据里学出来,而不是从引擎里算出来。优点是能表达连续、能预测、能泛化;缺点是不可解释、难编辑、容易漂。
MoWorld 的解法是两头都要:底层用隐式建模学物理,输出层落成可编辑的 4D 高斯资产。
也就是说——训练和推理时是隐式的(能预测 2000 帧动态场景,这是纯显式方案很难做到的),但交付给你的东西是显式的(4D 高斯,可以实时渲染、可以反复调用、可以改)。
它背后的模型底座是自研的 KOKONI-World 4D 世界模型,140 亿参数。KOKONI 这个名字不是新起的——魔芯科技原来的主业就是消费级 3D 打印机,品牌就叫 KOKONI。一个做 3D 打印机的公司,把品牌名留给了世界模型。
"""
How implicit physics modelling and explicit 4D Gaussian output fit together.
"""
from dataclasses import dataclass, field
from enum import Enum
class PhysicsKind(Enum):
GRAVITY = "gravity"
ELASTICITY = "elasticity"
BUOYANCY = "buoyancy"
LIGHTING = "lighting"
SOFT_BODY = "soft_body"
FLUID = "fluid"
RIGID_BODY = "rigid_body"
DEFORMABLE = "deformable"
THERMAL = "thermal"
@dataclass
class SceneConditioning:
"""What the model must be told before it can simulate anything."""
prompt: str
initial_4d_state: dict = field(default_factory=dict)
horizon_frames: int = 2000
active_physics: list[PhysicsKind] = field(default_factory=list)
@dataclass
class FourDGaussianAsset:
"""
The delivered artifact: explicit, renderable, reusable.
Each Gaussian carries position, orientation, scale, opacity, colour,
AND a time component -- that extra t is what makes it 4D rather than 3D.
"""
positions: list[tuple[float, float, float]]
scales: list[tuple[float, float, float]]
rotations: list[tuple[float, float, float, float]]
opacities: list[float]
sh_coeffs: list[list[float]]
timestamps: list[float] # the 4th dimension
def frame_count(self) -> int:
return len(set(self.timestamps))
def supports_realtime_render(self, target_fps: int = 70) -> bool:
# Measured: 500+ fps for 3D/4D gaussian asset rendering,
# ~100 fps on phone. So yes, comfortably.
return True
def build_scene(prompt: str, kinds: list[PhysicsKind]) -> SceneConditioning:
return SceneConditioning(
prompt=prompt,
horizon_frames=2000,
active_physics=kinds,
)
def bookmark_demo() -> SceneConditioning:
"""
The live demo: breeze turns pages, a bookmark slips out and falls.
Five coupled physics effects in one shot.
"""
return build_scene(
prompt="breeze turns the pages of a book; a bookmark slips out and falls "
"to the floor; pages flex under the wind, bookmark lands and settles",
kinds=[
PhysicsKind.GRAVITY, # bookmark falls
PhysicsKind.SOFT_BODY, # pages bend
PhysicsKind.RIGID_BODY, # floor is rigid
PhysicsKind.LIGHTING, # light shifts as pages move
PhysicsKind.DEFORMABLE, # contact + separation at the page edge
],
)
if __name__ == "__main__":
scene = bookmark_demo()
print(f"prompt : {scene.prompt[:60]}...")
print(f"horizon : {scene.horizon_frames} frames")
print(f"physics : {[k.value for k in scene.active_physics]}")
print(f"coupled : {len(scene.active_physics)} simultaneous effects")
print("if any one is wrong, the eye catches it immediately")
这张表里最重要的不是"十几种",而是"耦合"。
单看任何一个物理要素都不难——重力是中学物理。难的是它们必须在同一帧里同时正确,且互相影响。风推动书页 → 书页变形 → 书页的缝隙变大 → 书签失去支撑 → 书签下落 → 落地反弹 → 反弹带动旁边的纸角。这是一个链式传导,任何一环出错,整段就崩了。
视频生成模型可以每一帧独立"画得像",世界模型必须保证每一帧的因果链条连续。 这就是为什么它要预测 2000 帧——帧数不是为了长,是为了让误差有机会暴露。 一个物理错误在 10 帧里看不出来,在 2000 帧里会累积成灾难。
Part Three:昇腾原生,到底"原生"了什么
这是这次发布里最容易被当作宣传语滑过去的部分,但其实是最实质的。
MoWorld 2.0 的官方说法是:基于华为昇腾算力的原生 4D 世界模型,整个训练和部署都在全国产昇腾算力基座上完成。
“原生"这两个字,在国产算力语境下有三层实际含义,缺一层都不成立:
第一层,训练跑得起来。 世界模型的训练有一个特殊难点:长序列。预测 2000 帧动态场景,意味着时间维度的序列长度是普通视频模型的几十倍,注意力计算和显存占用会爆炸。魔芯和华为的联合创新里,第一项就是长序列训练——这不是把模型搬过去就行,是要针对昇腾的显存层次和通信拓扑重新设计并行策略。
第二层,多卡协同调度得顺。 长序列 + 大参数(140 亿),单卡装不下,必须切。切分策略(序列并行、张量并行、流水并行怎么组合)在不同硬件上最优解完全不同。这是多NPU协同调度要解决的问题。
第三层,推理成本压得下来。 这一层才是商业上真正决定生死的。官方给出的数字是:
推理成本最低降至同等规模 GPU 方案的 30%。
三成。这个数字如果站得住,意味着同样的预算能跑 3.3 倍的推理量。对一个要实时渲染 4D 场景的系统来说,这不是省钱,这是从"跑不起"到"跑得起”。
"""
Why a 70% cost reduction matters more than it sounds.
"""
def inference_economics(requests_per_day: int = 100_000,
gpu_cost_per_1k: float = 1.00,
ascend_ratio: float = 0.30):
"""
Same workload, two hardware baselines.
"""
gpu_total = requests_per_day / 1000 * gpu_cost_per_1k
ascend_total = gpu_total * ascend_ratio
saved = gpu_total - ascend_total
capacity_multiple = 1 / ascend_ratio
print(f"{'Metric':<32}{'Value'}")
print("-" * 52)
print(f"{'daily requests':<32}{requests_per_day:,}")
print(f"{'GPU baseline cost':<32}${gpu_total:,.2f}")
print(f"{'Ascend-native cost (30%)':<32}${ascend_total:,.2f}")
print(f"{'daily saving':<32}${saved:,.2f}")
print(f"{'annual saving':<32}${saved * 365:,.2f}")
print(f"{'same budget serves':<32}{capacity_multiple:.1f}x the traffic")
print()
print("The interesting number is not the saving. It is the capacity multiple:")
print("a world model that renders in realtime only becomes a product")
print("when the marginal cost of one more rendered minute is near zero.")
inference_economics()
为什么"降到三成"比"性能提升三成"重要得多?
因为世界模型的商业模式,本质上是按渲染时长卖。具身智能公司要买的是"训练环境使用小时",文旅公司要买的是"虚拟游览体验次数",影视公司要买的是"可复用场景资产"。
这种模式下,成本弹性决定市场规模。如果一分钟渲染要 10 块,只有头部客户用得起;如果只要 3 块,中小团队也能进来,市场就大了一个量级。降本是这个行业从"示范项目"走向"基础设施"的唯一通路。
顺便说一个同场的细节:这场论坛上还发布了曦望 Sunrise S3 超节点家族,用的是 LPDDR6 推理 GPU,主打扛万亿参数的高并发推理。国产算力这条线上,模型和芯片在同一个月里各自往前挪了一步——这个同步性本身是个信号。
Part Four:70 fps 和 500 fps,两个帧率不是一回事
MoWorld 2.0 公布的性能数字有三组,很容易被混着说,必须拆开:
| 指标 | 数值 | 含义 |
|---|---|---|
| 视频推理帧率 | 从 50 提升到 70 fps | 模型生成动态场景的速度 |
| 3D/4D 高斯资产渲染 | 500+ fps | 已有资产渲染的速度 |
| 手机端渲染 | 约 100 fps | 端侧渲染的速度 |
这三个数字量级差了一个数量级,因为它们测的是完全不同的东西。
70 fps 是"生成":模型在算下一步世界会变成什么样。这是神经网络前向推理,每帧都要跑一遍大模型。70 fps 意味着每帧预算约 14.3 毫秒。从 50 提到 70,等于把预算从 20 毫秒压到 14.3 毫秒——提升 40%,但在工程上是"从勉强能用到流畅"的跨越,因为人眼对交互式场景的卡顿阈值大约就在这个区间。
500+ fps 是"渲染":资产已经生成好了,只是在画面上把它画出来。4D 高斯的渲染是光栅化,计算量跟场景复杂度相关,但不跑神经网络,所以快两个数量级。
约 100 fps 是"端侧渲染":手机上把云端生成好的资产画出来。100 fps 说明端侧只做渲染、不做生成——这是个非常聪明的分工。
"""
Generation fps vs rendering fps: two completely different budgets.
"""
def frame_budget(fps: int) -> dict:
budget_ms = 1000 / fps
return {
"fps": fps,
"budget_ms": round(budget_ms, 2),
"what runs": None,
}
def compare_pipelines():
rows = [
("video inference (gen)", 50, "neural net forward pass, per frame", "before"),
("video inference (gen)", 70, "neural net forward pass, per frame", "after"),
("4D gaussian render", 500, "rasterisation only, no NN", "asset playback"),
("phone-side render", 100, "rasterisation on Kirin NPU/GPU", "asset playback"),
]
print(f"{'Stage':<26}{'fps':<8}{'budget':<12}{'what runs'}")
print("-" * 92)
for name, fps, what, _ in rows:
b = frame_budget(fps)
print(f"{name:<26}{fps:<8}{str(b['budget_ms']) + ' ms':<12}{what}")
gen_before = 1000 / 50
gen_after = 1000 / 70
print()
print(f"generation budget: {gen_before:.1f} ms -> {gen_after:.1f} ms "
f"({(gen_before - gen_after) / gen_before:.0%} tighter)")
print(f"render is {500 / 70:.1f}x faster than generation because it skips the NN")
print()
print("Design implication: put generation in the cloud, put rendering on the device.")
compare_pipelines()
这三组数字合起来,其实暴露了 MoWorld 2.0 的架构选择:生成在云,渲染在端。
这不是随口猜的,官方描述的端侧方案就是这么做的:
云端生成高质量的 4D 资产,手机端负责渲染和交互。
为什么必须这么切? 因为 140 亿参数的模型不可能塞进手机,而 4D 高斯的渲染在手机上已经能跑到 100 fps。把重活留在云上,把轻活推到端上——这是唯一能让"高质量 + 低延迟 + 可交互"三者同时成立的切法。
代价是:必须有网。离线场景下,端侧只能播已缓存的资产。
Part Five:6 亿参数的端侧版本和那只"摸小宠"
这条端侧链路值得单独讲,因为它比模型本身更接近产品。
MoWorld 2.0 有一个约 6 亿参数的端侧版本,训练在昇腾平台完成,推理跑在麒麟平台。落地形态是一个叫**“摸小宠”**的应用,2026 年 10 月随华为新机发布会(Mate 90)亮相。
它的玩法很直接:用户上传几张宠物的照片,生成一个可互动的 4D 数字分身。
技术链路是这样的:
"""
End-to-end chain: a few phone photos -> a 4D pet companion.
"""
from dataclasses import dataclass
@dataclass
class PetPhotos:
count: int
resolution: str
angles: list[str]
@dataclass
class CloudStage:
"""Runs on Ascend. Heavy, asynchronous, tolerant of latency."""
model: str = "MoWorld 2.0 (KOKONI-World 14B class)"
task: str = "reconstruct + generate high-quality 4D gaussian asset"
output: str = "4D gaussian asset (positions, scales, rotations, "
output: str = "opacity, SH coeffs, per-frame timestamps"
latency_tolerance: str = "seconds to minutes -- user is waiting, not staring"
@dataclass
class DeviceStage:
"""Runs on Kirin. Light, synchronous, latency-critical."""
model: str = "MoWorld 2.0 edge variant, ~0.6B params"
task: str = "render + respond to touch/interaction"
target_fps: int = 100
budget_ms_per_frame: float = 10.0
def pipeline(photos: PetPhotos) -> dict:
cloud = CloudStage()
device = DeviceStage()
# Why the split works: the two stages have inverted cost profiles.
return {
"input": f"{photos.count} photos @ {photos.resolution}",
"cloud": {
"model": cloud.model,
"runs": "Ascend",
"does": cloud.task,
"tolerance": cloud.latency_tolerance,
},
"device": {
"model": cloud.model and device.model,
"runs": "Kirin",
"does": device.task,
"fps": device.target_fps,
"budget_ms": device.budget_ms_per_frame,
},
"why_it_works": [
"cloud carries the 14B model -> quality stays high",
"device carries 0.6B + rasterisation -> latency stays low",
"asset is explicit (4D gaussian) -> no NN needed at playback",
"only new asset generation needs the network",
],
}
if __name__ == "__main__":
out = pipeline(PetPhotos(count=5, resolution="12MP", angles=["front", "side", "top"]))
for k, v in out.items():
print(f"{k}: {v}")
注意这里的三个工程判断,每一个都很关键:
第一,云端用 14B,端侧用 0.6B,差了 23 倍。 但这不是"端侧模型阉割",因为端侧根本不生成,它只渲染。6 亿参数版本承担的是"轻量的、需要本地推理的部分"(比如姿态响应、交互逻辑、局部补全),不是"把整个 14B 搬下来"。参数量的差异反映的是任务分工,不是能力妥协。
第二,云端延迟容忍度是"秒到分钟"。 生成一个高质量 4D 资产需要时间,这个时间用户是能接受的——因为他在"等一个东西被造出来",不是在"等一个页面加载"。这是异步任务,不是同步请求。
第三,端侧预算 10 毫秒。 100 fps 意味着每帧 10 毫秒,这是交互式应用的硬指标。端侧只做光栅化,不跑大模型,所以这个预算守得住。
这三条合起来说明一件事:世界模型的产品化,核心不是模型有多强,而是"哪部分算力放在哪"。 把 14B 塞进手机是幻想,把 4D 高斯渲染塞进手机是现实。
Part Six:4D 高斯资产,为什么"可反复调用"是关键
官方描述里有一句很容易被忽略的话:
输出可仿真生成、可实时渲染、可反复调用的 4D 高斯资产。
三个"可"里,最值钱的是**“可反复调用”**。
因为这是"模型"和"资产"的分野。
如果每次要用一段场景都得重新跑一遍模型,那你的成本是线性的——用一次付一次,用得越多越贵。这种模式下,世界模型只能是个 API 服务。
但如果输出是一个可以存下来的资产,成本结构就变了:生成一次,复用无数次。 边际成本趋近于零。
"""
Why reusable assets change the business model from linear to near-zero marginal cost.
"""
def cost_structure(scenes: int, renders_per_scene: int,
gen_cost: float = 1.0, render_cost: float = 0.002):
"""
Compare: regenerate-on-demand vs generate-once-then-reuse.
"""
regenerate = scenes * renders_per_scene * (gen_cost + render_cost)
reuse = scenes * gen_cost + scenes * renders_per_scene * render_cost
print(f"{'Model':<34}{'Total cost':<16}{'Per render'}")
print("-" * 66)
print(f"{'regenerate each time':<34}${regenerate:,.2f}"
f"{'':<8}${regenerate / (scenes * renders_per_scene):,.4f}")
print(f"{'generate once, reuse':<34}${reuse:,.2f}"
f"{'':<8}${reuse / (scenes * renders_per_scene):,.4f}")
print(f"\nsaving: {(1 - reuse / regenerate):.1%}")
print(f"marginal cost of the Nth render: ${render_cost:.4f} (flat)")
print()
print("This is why the asset matters more than the model:")
print("a model is a service you rent; an asset is inventory you own.")
cost_structure(scenes=100, renders_per_scene=1000)
“资产"和"服务"的商业含义完全不同。
服务是按次租用,客户永远在付钱,也永远可以被换掉。资产是一次买断,客户拿到手就能脱离你运转——听起来对你不利,但它打开了完全不同的客户群:影视公司要的是"我能拿这个场景反复拍”,工业数字孪生要的是"我能拿这个产线模型反复做改造预演",文旅要的是"我能拿这个景区模型反复上线不同活动"。
这三类客户都不买 API,他们买素材。 而素材的定价逻辑跟 API 完全不同——API 按调用量定价,素材按价值定价。
再往深一层:为什么必须是4D 高斯,而不是别的格式?
因为 4D 高斯同时满足了四个条件:①能表达动态(有时间维度)②能实时渲染(光栅化友好,500+ fps)③能编辑(每个高斯是独立图元,可以增删改)④能压缩(不用存体素网格)。
对比一下:Mesh 序列体积大、难编辑、动态表达差;NeRF渲染慢、难编辑;体素显存爆炸。4D 高斯是当下唯一在"表达力/渲染速度/可编辑性/存储成本"四项上都及格的选择。这不是审美选择,是被工程约束逼出来的唯一解。
Part Seven:一家 3D 打印机公司,怎么变成了世界模型公司
这部分是很多技术分析会跳过的,但它其实是整件事里最有信息量的。
魔芯科技,全称杭州魔芯科技股份有限公司,成立于 2021 年 6 月 7 日,注册资本 191.5106 万元。 它的原始主业是消费级 3D 打印机,品牌叫 KOKONI——对,就是现在那个 4D 世界模型的名字。
一个卖 3D 打印机的公司,怎么在五年里变成世界模型公司?
第一,它在做 3D 打印机的时候,就一直在解决"三维重建"这个问题。 消费级 3D 打印的核心痛点不是打印,是建模——普通人不会用 CAD。所以 KOKONI 那条产品线的技术积累,本质上是"怎么从简单输入快速得到一个三维模型"。这和世界模型的"从图片/视频重建 4D 场景"是同一条技术脉络。
第二,创始人本身的学术方向对得上。 陈天润是浙江大学计算机学院的直博生,持股 41.31%,综合持股 63%,是实际控制人。研发团队以浙大系青年科研骨干为核心,覆盖计算机图形学、多模态大模型、机器人、空间仿真、国产算力适配。这五个方向,恰好是 4D 世界模型的五个必要条件——图形学管渲染,多模态管输入,机器人管下游需求,空间仿真管物理,国产算力适配管成本。
第三,钱的节奏说明了市场判断。 魔芯科技在 2026 年内连续完成 5 轮融资,整体规模 20 亿元,估值近 100 亿元。投资方包括深创投、浙创投等国资背景机构,以及覆盖芯片、算力、智能终端、内容平台、先进制造五个方向的产业资本。新一轮融资已经启动,规模或达 10 亿元量级。
这个投资方结构值得读一下:芯片 + 算力 + 智能终端 + 内容平台 + 先进制造——这不是财务投资组合,这是一条完整的产业链。 有人供算力,有人供终端,有人供内容需求,有人供制造落地。投一个世界模型公司,等于把下游五个环节的期权一起买了。
"""
Reading the cap table as a supply-chain map, not a list of investors.
"""
def investor_structure():
sectors = {
"chips": "silicon that the model must run on",
"compute": "clusters that train the 14B model",
"smart devices": "phones / headsets that render the 4D assets",
"content platforms": "who buys rendered scenes and assets",
"advanced manufacturing": "factories / production lines to digitise",
}
state_funds = ["Shenzhen Capital Group (深创投)", "Zhejiang Venture Capital (浙创投)"]
print("Industry capital, by the bottleneck it unlocks:")
for sector, why in sectors.items():
print(f" {sector:<22} -> {why}")
print("\nState-backed funds:", ", ".join(state_funds))
print("\nRounds in 2026: 5")
print("Total raised: 2.0B CNY (~$280M)")
print("Valuation: ~10B CNY (~$1.4B)")
print("Next round: launched, possibly ~1B CNY")
print()
print("Note the pattern: five rounds in one year is not a growth story,")
print("it is a land-grab -- the window for 'national compute + world model'")
print("is being priced as if it closes soon.")
investor_structure()
一年 5 轮,这个节奏不正常。 正常的技术公司融资节奏是 12 到 18 个月一轮。一年 5 轮通常意味着两件事之一:要么技术进展快到估值追不上,要么赛道窗口被认为即将关闭。
结合"昇腾原生"这个定位看,更可能是后者——“国产算力 + 世界模型"这个组合的位置是有限的。 谁先把自己的模型和昇腾这条栈绑死,谁就在国产替代的采购清单里排到前面。这是一个占位游戏,不是一个增长游戏。
Part Eight:判断与边界
第一,这次发布真正的差异化不在"4D”,在"物理耦合 + 国产算力"这个交叉点。 4D 世界模型全球都有玩家,纯技术指标上 MoWorld 2.0 未必领先。但"昇腾原生 + 推理成本降到 GPU 三成 + 全国产算力训练部署"这个组合,在国内是稀缺的。在国产替代这条线上,能跑通比跑得快更重要。 因为一旦算力供给受限,能跑的那个就是唯一可选项。
第二,“70 fps"这个数字要放进正确的位置。 它不是渲染速度(那是 500+ fps),是生成速度——每帧要跑一次神经网络。70 fps 意味着 14.3 毫秒一帧。这个速度足够支撑"可交互”,但还不足以支撑"实时闭环控制"——真实机器人的控制环通常要求 100 到 1000 Hz。所以 MoWorld 现在更适合做训练环境(离线、可以慢),而不是在线控制器(必须快)。这是它的能力边界,也是它选择"具身智能训练"作为首个场景的原因。
第三,2000 帧这个数字,真正的价值是"误差暴露窗口"。 2000 帧在 70 fps 下约 28.6 秒。这个长度对演示足够,对"训练一个完整操作流程"不够——抓取、移动、放置、复位,一个完整 episode 通常要几分钟。所以现在的 2000 帧更像是"物理一致性的压力测试长度",而不是"生产可用的单次生成长度"。 要真做具身训练数据,还得解决长时程的一致性和分段拼接。
第四,与三家国家人工智能应用中试基地的合作,比模型本身更值得跟踪。 具身智能、文化旅游、时空地理信息——这三个方向分别对应三种完全不同的技术需求:具身要物理准确,文旅要视觉好看 + 可交互,时空地理信息要大尺度 + 地理一致。一个模型要同时满足这三种需求,几乎不可能。 更可能的现实是:MoWorld 提供底座,三个基地各自做领域适配。这个合作真正在验证的是"世界模型能不能变成一个平台",而不是"这个模型有多强"。
第五,也是最需要冷静的一点:物理正确性目前没有公认的评测标准。 视频生成有 FVD、有 CLIP score,但"物理是否合理"至今没有权威 benchmark。官方演示的"微风吹书页、书签落地"是精心挑选的场景——在这种场景里,视觉上"看起来对"和物理上"算得对"很容易混淆。 要判断一个世界模型是不是真的学到了物理,得看它在反直觉场景下的表现:比如把重力调成 0.1 倍、把地板摩擦力调到极小、让两个物体以非弹性方式碰撞。这些测试目前没有公开数据。
一个可跟踪的框架:以后看任何"世界模型"的发布,问六个问题——①它输出的是像素还是资产(能不能复用)?②它预测多长(帧数/秒数,误差如何累积)?③物理是学出来的还是引擎算的(能不能调参数)?④生成和渲染的成本各是多少(能不能实时)?⑤在什么算力上跑(供给是否受限)?⑥有没有反直觉场景的验证(还是只有好看的 demo)? 这六个问题问完,“世界模型"这四个字是真突破还是包装,基本就有答案了。
来源:世界互联网大会乌镇峰会浙江分论坛"发展新质生产力 强劲增量看AI”(2026-11-04,魔芯科技 MoWorld 2.0 首发);新华网《浙江分论坛首发MoWorld 2.0 全国产算力支撑4D世界模型》;浙江在线《魔芯科技发布昇腾原生4D世界模型MoWorld 2.0》;IT之家《魔芯科技MoWorld 2.0发布:昇腾原生,推理成本降至GPU方案30%》;36氪《00后浙大直博生做世界模型,一年融5轮、估值近百亿》;Pandaily, “Moxin Technology Unveils MoWorld 2.0, an Ascend-Native 4D World Model”(2026-11-04)。文中帧率预算换算、推理成本模型、资产生命周期成本、投资方产业链映射、端云链路拆解均为基于公开信息的推演与示意,非官方数据;官方未公开物理一致性的标准化评测结果。