Les modèles mondiaux entrent enfin dans l'ère du temps réel. Alors que l'industrie se débat encore avec 5 ou 10 images par seconde (FPS), une équipe chinoise propulse directement un modèle mondial interactif en temps réel à 50 FPS. Plus important encore, ils n'utilisent pas de GPU NVIDIA.
Moxin Tech, spécialisé dans la R&D et l'industrialisation des modèles mondiaux 4D, en collaboration avec l'équipe du professeur Pan Yunhe de l'Université du Zhejiang, a présenté MoWorld — le premier Flash World Model au monde, et également le premier modèle mondial interactif en temps réel entièrement construit sur la base de NPU nationales.
De l'entraînement et la distillation au déploiement, la boucle complète de calcul nationale est réalisée ; le coût d'inférence est réduit de 70 % par rapport aux solutions GPU de taille comparable.
Le point d'inflexion pour l'industrialisation des modèles mondiaux pourrait arriver plus tôt que tout le monde ne le pensait.
Le problème de temps réel qui bloquait toute l'industrie
a été percé par une équipe chinoise
Si vous avez déjà testé les principaux modèles mondiaux actuels, vous avez probablement ressenti une impression commune :
- C'est visuel, mais pas jouable.
- Les robots nécessitent une prise de décision en temps réel.
- Les jeux nécessitent un retour en temps réel.
- Les mondes numériques nécessitent une simulation en temps réel.
Des études passées indiquent qu'en dessous de 30 FPS, toute sensation d'immersion est brisée.
C'est aussi pourquoi, pendant longtemps, les modèles mondiaux sont restés confinés aux laboratoires, sans pouvoir vraiment entrer dans des scénarios industriels.
Le temps réel était autrefois le dernier gouffre infranchissable sur la voie de la commercialisation des modèles mondiaux.
Aujourd'hui, ce gouffre a été franchi d'un seul coup par une équipe chinoise.
50 FPS !
Pour la première fois, les modèles mondiaux entrent véritablement dans l'ère du temps réel
Le rapport technique est publié, les poids et le code seront bientôt open source, et un service public sera proposé via un super-nœud de NPU nationales.
Rapport technique : https://moxin-tech.github.io/moworld/
Moxin Tech introduit pour la première fois le concept de Flash World Model. MoWorld est le premier « Flash World Model » du secteur à atteindre une inférence >50 FPS, et aussi le premier modèle mondial interactif en temps réel à faible coût entièrement construit sur des NPU nationales.
MoWorld réalise pour la première fois sur une plateforme de calcul nationale complète la boucle fermée complète, de l'entraînement et la distillation au déploiement d'inférence en temps réel, tout en réduisant le coût de 70 % par rapport aux solutions GPU de taille comparable dans une configuration d'inférence typique.
Alors que tout le monde s'entasse sur les GPU
Ils ont choisi une autre voie, difficile mais juste
MoWorld n'a, dès le départ, pas été construit autour des GPU, mais a choisi une voie plus difficile et moins explorée — des NPU nationales full-stack.
Cela signifie qu'il ne s'agit pas simplement de migrer le modèle sur des puces nationales pour l'inférence, mais de repenser chaque étape — données, entraînement, distillation, déploiement d'inférence — autour des NPU nationales.
D'abord, les données.
Contrairement aux modèles de génération vidéo, les modèles mondiaux nécessitent non seulement des vidéos et du texte, mais aussi des informations comme la trajectoire de la caméra. Les vidéos internet sont loin de suffire.
Pour cela, MoWorld a établi un système complet de production et de gouvernance des données, l'élevant au statut de moteur de données au service des modèles mondiaux.
Fondé sur l'expérience accumulée de l'équipe Moxin en modélisation 3D/4D, le pipeline de données derrière MoWorld est entièrement auto-acquis et entièrement annoté en 3D. Il annote non seulement la caméra, mais aussi les dimensions géométriques et la structure spatiale des objets, construisant ainsi une base de données solide pour MoWorld.
Les défis les plus difficiles surviennent lors des phases d'entraînement et d'inférence.
Adapté aux caractéristiques matérielles des NPU nationales, MoWorld a repensé son système d'entraînement, introduisant des technologies comme l'attention parallèle ultra-dense et le parallélisme de tokens sur séquences longues, atténuant largement la pression sur la mémoire causée par l'entraînement sur de très longues vidéos, permettant au modèle mondial d'acquérir pour la première fois une capacité d'entraînement et d'inférence sur 2000 images.
En phase d'inférence, l'équipe a poursuivi les optimisations système pour les NPU nationales avec une exécution en pipeline, un parallélisme séquentiel hiérarchique, une quantification dynamique en précision mixte, etc.
Finalement, un modèle mondial MoE de 14B paramètres a atteint sur la plateforme NPU Huawei Ascend 910C CloudMatrix384 une vitesse d'inférence en temps réel dépassant les 50 FPS.
Plus important encore, dans une configuration d'inférence typique, le coût est réduit de 70 % par rapport aux solutions GPU de taille comparable.
Pour toute l'industrie, ce n'est pas seulement une nouvelle voie d'ingénierie, mais aussi une nouvelle perspective d'industrialisation.
La porte la plus coûteuse des modèles mondiaux vient de s'ouvrir
Depuis longtemps, un paradoxe plane sur le développement des modèles mondiaux.
Les modèles deviennent de plus en plus puissants.
Les coûts aussi augmentent de plus en plus.
Autrefois, déployer un modèle mondial impliquait des investissements GPU élevés, une maintenance complexe de clusters, et des coûts de déploiement difficiles à reproduire.
Désormais, les mêmes capacités de modèle mondial peuvent fonctionner sur des plateformes de calcul nationales plus avantageuses en termes de coût.
Cela change non seulement la façon dont les modèles fonctionnent, mais aussi la voie vers l'industrialisation des modèles mondiaux.
Pour les entreprises, cela signifie un seuil de déploiement plus bas, une validation d'application plus rapide, et une reproduction à l'échelle plus facile.
Pour toute l'industrie, cela signifie que les modèles mondiaux passent de « faisables » à « utilisables », puis à « abordables ».
Ce qui pousse vraiment une technologie à changer une industrie, ce n'est jamais le record en laboratoire.
C'est la première fois qu'elle permet à plus de gens de vraiment l'utiliser.
Les modèles mondiaux sortent du laboratoire
Quels secteurs vont connaître une transformation
Ces dernières années, les modèles mondiaux étaient considérés comme une technologie du futur.
Mais le futur finit par revenir à la réalité.
Lorsque l'interaction en temps réel devient possible, et que les coûts de déploiement diminuent, la vraie valeur des modèles mondials commence tout juste à se libérer.
Les premiers changements auront lieu dans les secteurs les plus dépendants de la compréhension du monde réel et du retour en temps réel.
Jeux et divertissements interactifs : Interaction en temps réel, exploration libre
MoWorld prend en charge un contrôle complet de la caméra à 6 degrés de liberté. L'utilisateur peut naviguer de manière immersive, cinématographique ou de niveau jeu, simplement avec W/A/S/D et la souris.
Les scènes sont réelles, en haute définition, supportant une résolution de 1080p et plus. Qu'il s'agisse de paysages naturels, d'univers secondaires ou de jeux et d'animation, tout est pris en charge.
Intelligence incarnée et conduite autonome : Entraînement virtuel, validation réelle
Les modèles mondiaux sont devenus le pont clé entre l'IA générative et l'intelligence incarnée.
MoWorld peut fournir aux robots et aux systèmes de conduite autonome un « terrain d'entraînement numérique » à faible coût et haute fidélité, le simulateur mondial le plus prometteur en termes de valeur de simulation et économique pour l'industrie, capable de fournir à toutes les équipes de conduite autonome des environnements massifs et de haute précision, permettant à l'IA d'apprendre dans un monde virtuel à interagir avec l'environnement physique réel.
Création cinématographique : Cadrage de réalisateur, prévisualisation en temps réel
Le storyboard cinématographique traditionnel nécessite de longs cycles de rendu.
MoWorld permet aux créateurs d'ajuster librement la perspective dans le monde virtuel généré, de prévisualiser les effets en temps réel, d'éditer avec précision les plans, avec un contrôle de caméra fluide, supportant un cadrage de niveau réalisateur au-delà de l'imagination.
Jumeaux numériques et reconstruction 3D : Reconstruction spatiale, reproduction précise
Les vidéos générées par MoWorld présentent une cohérence géométrique surpassant l'industrie, et peuvent être directement utilisées pour la reconstruction 3D de scènes intérieures — haute précision, structure stable et bonne cohérence spatiale sont des effets distinctifs de MoWorld par rapport à ses pairs.
Cela offre pour les scénarios de jumeaux numériques, de visualisation architecturale, de salons d'exposition virtuels, de jeux immersifs, etc., une solution combinant haute précision et bon rapport qualité-prix.
Le modèle mondial que représente MoWorld
se trouve en ce moment à son « moment DeepSeek » de l'IA physique
Ces dernières années, l'IA a accompli des sauts successifs de la génération de texte, d'images à la génération vidéo. Chaque transition technologique a engendré de nouveaux leaders sectoriels.
Alors que l'IA s'oriente vers les modèles mondiaux interactifs en temps réel, une nouvelle fenêtre s'ouvre.
Comparé aux modèles de langage étendus (LLM) et aux modèles de génération vidéo qui ont progressivement formé leurs paysages concurrentiels, les modèles mondiaux en sont encore à leurs débuts industriels. Le monde entier explore les voies d'industrialisation, et les standards du secteur sont loin d'être établis.
Cela signifie que les modèles mondiaux nationaux ont une rare opportunité de « partir sur la même ligne de départ » — non seulement une chance de participer à la compétition, mais aussi de contribuer à définir les standards technologiques de la prochaine génération d'intelligence spatiale.
La signification de MoWorld ne réside pas seulement dans la réalisation d'une interaction en temps réel >50 FPS, ni seulement dans la réduction de 70 % du coût d'inférence par rapport aux solutions GPU de taille comparable.
Plus important encore, il prouve un problème que l'industrie explorait mais n'avait pas encore validé :
Le calcul full-stack national peut aussi supporter l'avancée des modèles mondiaux vers l'interaction en temps réel et le déploiement industriel.
Cela signifie que la compétition des modèles mondiaux passe de « qui a le plus gros modèle » à « qui peut vraiment entrer dans le monde réel ».
Moxin Tech, derrière MoWorld, grâce à ses capacités de modèle uniques et ses progrès industriels remarquables, a récemment obtenu un financement de plus d'un milliard de dollars de capitaux de réserve stratégique nationaux, d'institutions dollar renommées du Moyen-Orient, de fonds de capital-risque leaders du marché et d'une dizaine de capitaux industriels ; auparavant, Moxin Tech avait déjà reçu des investissements de Hubble Investment de Huawei et de fonds sous la holding Legend Holdings.
La véritable ère des modèles mondiaux, commençant avec le Flash World Model, avancera rapidement.
Cet article provient du compte public WeChat « 新智元 » (Xin Zhi Yuan), auteur : ASI启示录
