Mô hình thế giới cuối cùng cũng chạy vào thời đại thời gian thực. Khi ngành công nghiệp vẫn đang vật lộn với 5FPS, 10FPS, một đội ngũ Trung Quốc đã đẩy mô hình thế giới tương tác thời gian thực lên 50FPS. Quan trọng hơn, họ không sử dụng GPU của Nvidia.
Moxin Technology, tập trung vào nghiên cứu và phát triển công nghiệp hóa mô hình thế giới 4D, phối hợp với đội ngũ Viện sĩ Phan Vân Hạc của Đại học Chiết Giang đã ra mắt MoWorld - mô hình thế giới Flash World Model đầu tiên trên toàn cầu, cũng là mô hình thế giới tương tác thời gian thực đầu tiên được xây dựng toàn bộ dựa trên NPU nội địa.
Từ đào tạo, tinh chế đến triển khai, vận hành suôn sẻ vòng khép kín năng lực tính toán nội địa; chi phí suy luận giảm 70% so với giải pháp GPU quy mô tương đương.
Điểm ngoặt công nghiệp hóa của mô hình thế giới, có thể đến sớm hơn dự đoán của tất cả mọi người.
Vấn đề thời gian thực kìm hãm cả ngành công nghiệp
Đã bị một đội ngũ Trung Quốc đột phá
Nếu bạn đã từng trải nghiệm các mô hình thế giới chủ lưu hiện nay, rất có thể sẽ có một cảm giác chung:
- Có thể xem, nhưng không thể chơi.
- Robot cần đưa ra quyết định thời gian thực.
- Trò chơi cần phản hồi thời gian thực.
- Thế giới số cần diễn biến thời gian thực.
Một số nghiên cứu trước đây cho thấy, khi tỷ lệ khung hình dưới 30FPS, mọi cảm giác đắm chìm đều sẽ bị phá vỡ.
Đây cũng là lý do tại sao trong một thời gian dài trước đây, mô hình thế giới luôn dừng lại ở phòng thí nghiệm, mà khó có thể thực sự bước vào các cảnh ngành công nghiệp.
Tính thời gian thực, từng là rào cản cuối cùng trên con đường thương mại hóa của mô hình thế giới.
Ngày nay, rào cản này đã bị một đội ngũ Trung Quốc một lần đột phá.
50FPS!
Mô hình thế giới lần đầu tiên thực sự chạy vào thời đại thời gian thực
Báo cáo kỹ thuật đã được phát hành, trong thời gian tới sẽ mở mã nguồn trọng số và mã code, và dựa trên siêu nút NPU nội địa để cung cấp dịch vụ cho công chúng.
Báo cáo kỹ thuật: https://moxin-tech.github.io/moworld/
Moxin Technology lần đầu tiên đề xuất khái niệm Flash World Model, MoWorld là mô hình "Flash World Model" đầu tiên trong ngành đạt được tốc độ suy luận >50FPS, cũng là mô hình thế giới tương tác thời gian thực chi phí thấp đầu tiên được xây dựng toàn bộ dựa trên NPU nội địa.
MoWorld lần đầu tiên trên nền tảng năng lực tính toán nội địa toàn bộ đã đạt được vòng khép kín hoàn chỉnh từ đào tạo, tinh chế đến triển khai suy luận thời gian thực, đồng thời chi phí trong cấu hình suy luận điển hình giảm 70% so với giải pháp GPU quy mô tương đương.
Khi tất cả mọi người đều đang chồng chất GPU
Họ đã chọn một con đường khác khó khăn nhưng đúng đắn
MoWorld ngay từ đầu, đã không xây dựng xung quanh GPU, mà chọn một con đường khó hơn, cũng ít người thử hơn - NPU nội địa toàn bộ.
Điều này có nghĩa là, nó không chỉ đơn giản là di chuyển mô hình lên chip nội địa để suy luận, mà từ dữ liệu, đào tạo, tinh chế đến triển khai suy luận, mỗi khâu đều được thiết kế lại xung quanh NPU nội địa.
Đầu tiên, là dữ liệu.
So với mô hình tạo video, mô hình thế giới không chỉ cần video và văn bản, mà cần thêm thông tin như quỹ đạo camera. Video trên internet hoàn toàn không thể đáp ứng nhu cầu đào tạo.
Vì vậy, MoWorld đã thiết lập một hệ thống sản xuất và quản trị dữ liệu hoàn chỉnh, và nâng cấp thành động cơ dữ liệu phục vụ cho mô hình thế giới.
Dựa trên sự tích lũy công nghệ mô hình hóa 3D/4D nhiều năm của đội ngũ Moxin, đường ống dữ liệu đằng sau MoWorld là đường ống tự thu thập hoàn toàn, gắn nhãn 3D hoàn toàn, không chỉ gắn nhãn camera, mà còn gắn nhãn kích thước hình học và cấu trúc không gian của vật thể, những thông tin này xây dựng nền tảng dữ liệu vững chắc cho MoWorld.
Và thách thức khó khăn hơn, xảy ra ở giai đoạn đào tạo và suy luận.
Đối với đặc điểm phần cứng của NPU nội địa, MoWorld đã thiết kế lại hệ thống đào tạo, giới thiệu công nghệ song song chú ý siêu dày đặc, song song token chuỗi dài, v.v., giảm đáng kể áp lực bộ nhớ đệm do đào tạo video siêu dài mang lại, cho phép mô hình thế giới lần đầu tiên có khả năng đào tạo và suy luận dài 2000 khung hình.
Đến giai đoạn suy luận, đội ngũ tiếp tục tối ưu hóa cấp hệ thống một loạt như thực hiện đường ống, song song chuỗi phân cấp, lượng tử hóa độ chính xác hỗn hợp động, v.v. cho NPU nội địa.
Cuối cùng, một mô hình thế giới MoE tham số 14B, trên nền tảng Huawei Ascend 910C CloudMatrix384 NPU đã đạt được tốc độ suy luận thời gian thực giới hạn vượt quá 50FPS.
Quan trọng hơn, trong cấu hình suy luận điển hình, chi phí suy luận giảm 70% so với giải pháp GPU quy mô tương đương.
Đối với toàn bộ ngành công nghiệp, đây không chỉ là một tuyến đường công trình mới, mà còn là một cách suy nghĩ mới về công nghiệp hóa.
Cánh cửa đắt nhất của mô hình thế giới, đã được mở ra
Trong một thời gian dài, sự phát triển của mô hình thế giới luôn tồn tại một mâu thuẫn.
Mô hình ngày càng mạnh.
Chi phí cũng ngày càng cao.
Trước đây, triển khai một mô hình thế giới, có nghĩa là đầu tư GPU cao, bảo trì cụm máy phức tạp, và chi phí triển khai khó sao chép.
Và bây giờ, khả năng mô hình thế giới tương tự, có thể chạy trên nền tảng năng lực tính toán nội địa có ưu thế chi phí hơn.
Điều này không chỉ thay đổi cách vận hành mô hình, mà còn thay đổi con đường mô hình thế giới hướng tới công nghiệp hóa.
Đối với doanh nghiệp, điều này có nghĩa là ngưỡng triển khai thấp hơn, xác minh ứng dụng nhanh hơn, và sao chép quy mô hóa dễ dàng hơn.
Đối với toàn bộ ngành công nghiệp, điều này có nghĩa là mô hình thế giới bắt đầu từ "có thể làm" tiến tới "có thể dùng", rồi tiến tới "dùng nổi".
Điều thực sự thúc đẩy một công nghệ thay đổi ngành công nghiệp, chưa bao giờ là kỷ lục cao nhất trong phòng thí nghiệm.
Mà là lần đầu tiên, nó khiến nhiều người hơn có thể thực sự sử dụng.
Mô hình thế giới bước ra khỏi phòng thí nghiệm
Những ngành nào sẽ đón nhận thay đổi
Những năm qua, mô hình thế giới luôn được coi là công nghệ tương lai.
Nhưng tương lai, rốt cuộc phải trở về thực tế.
Khi tương tác thời gian thực trở thành khả năng, khi chi phí triển khai bắt đầu giảm, giá trị thực sự của mô hình thế giới, mới chỉ bắt đầu được giải phóng.
Những ngành sẽ thay đổi đầu tiên, là những ngành phụ thuộc nhiều nhất vào việc hiểu thế giới thực và phản hồi thời gian thực.
Trò chơi và giải trí tương tác: Tương tác thời gian thực, khám phá tự do
MoWorld hỗ trợ điều khiển camera 6 bậc tự do hoàn chỉnh, người dùng thông qua W/A/S/D và chuột có thể thực hiện trải nghiệm dạo chơi đắm chìm cấp điện ảnh và trò chơi.
Cảnh quan chân thực, độ nét cao, hỗ trợ độ phân giải 1080P trở lên. Cho dù là phong cảnh thiên nhiên, thế giới thứ hai hay trò chơi hoạt hình, đều hỗ trợ toàn diện.
Trí tuệ thể hiện và lái xe tự động: Đào tạo ảo, xác minh thực tế
Mô hình thế giới đã trở thành cây cầu quan trọng kết nối AI sinh thành với trí tuệ thể hiện.
MoWorld có thể cung cấp cho hệ thống robot, lái xe tự động một "sân tập số" chi phí thấp, độ trung thực cao, là mô phỏng thế giới tiềm năng nhất trong ngành kết hợp giá trị mô phỏng và giá trị kinh tế, có thể cung cấp cho tất cả các đội lái xe thông minh môi trường số lượng lớn và độ chính xác cao, để AI học cách tương tác với môi trường vật lý thực tế trong thế giới ảo.
Sáng tạo điện ảnh truyền hình: Vận hành ống kính đạo diễn, diễn tập trước thời gian thực
Phân cảnh điện ảnh truyền thống cần chu kỳ render dài dẳng.
MoWorld cho phép người sáng tạo trong thế giới ảo được tạo ra tự do điều chỉnh góc nhìn, xem trước hiệu quả hình ảnh thời gian thực, chỉnh sửa hình ảnh ống kính chính xác, điều khiển ống kính mượt mà, hỗ trợ vận hành ống kính cấp đạo diễn vượt quá trí tưởng tượng.
Sinh đôi số và tái tạo ba chiều: Tái tạo không gian, khôi phục chính xác
Video được tạo bởi MoWorld có tính nhất quán hình học vượt trội ngành, có thể trực tiếp sử dụng cho tái tạo ba chiều cảnh trong nhà - độ chính xác cao, cấu trúc ổn định, tính nhất quán không gian tốt là hiệu quả nổi bật của MoWorld so với các đối thủ cùng ngành.
Điều này cung cấp cho các cảnh như sinh đôi số, hình ảnh hóa kiến trúc, phòng triển lãm ảo, trò chơi đắm chìm, v.v. một giải pháp kết hợp độ chính xác cao và tính hiệu quả chi phí.
Mô hình thế giới đại diện bởi MoWorld
Ngay lúc này đang đứng ở thời khắc DeepSeek của AI vật lý
Những năm qua, AI đã hoàn thành bước nhảy liên tục từ tạo văn bản, tạo hình ảnh đến tạo video, mỗi lần nhảy vọt công nghệ, đều thúc đẩy một nhóm lãnh đạo ngành mới.
Và khi AI bắt đầu hướng tới mô hình thế giới tương tác thời gian thực, một cửa sổ mới đang mở ra.
So với mô hình ngôn ngữ lớn và mô hình tạo video đã dần hình thành cạnh tranh, mô hình thế giới vẫn ở giai đoạn đầu ngành, toàn cầu đang khám phá con đường triển khai công trình hóa, tiêu chuẩn ngành còn xa chưa hình thành.
Điều này có nghĩa là, mô hình thế giới nội địa đã đón nhận cơ hội "cùng một điểm xuất phát" hiếm có - không chỉ có cơ hội tham gia cạnh tranh, mà còn có cơ hội tham gia định nghĩa tiêu chuẩn công nghệ của thế hệ tiếp theo về trí tuệ không gian.
Ý nghĩa của MoWorld, không chỉ ở việc đạt được tương tác thời gian thực vượt quá 50FPS, cũng không chỉ ở việc giảm chi phí suy luận 70% so với giải pháp GPU quy mô tương đương.
Quan trọng hơn, nó chứng minh một vấn đề mà trước đây ngành luôn khám phá, nhưng chưa bao giờ xác minh:
Năng lực tính toán nội địa toàn bộ, tương tự có thể hỗ trợ mô hình thế giới hướng tới tương tác thời gian thực và triển khai ngành công nghiệp.
Điều này có nghĩa là, cạnh tranh của mô hình thế giới, đang chuyển từ "ai sở hữu mô hình lớn hơn", sang "ai có thể thực sự bước vào thế giới thực".
Moxin Technology đằng sau MoWorld, nhờ khả năng mô hình độc đáo và tiến triển công nghiệp hóa nổi bật, gần đây đã nhận được hơn một tỷ USD tài trợ từ vốn dự trữ chiến lược cấp quốc gia, tổ chức USD nổi tiếng Trung Đông, quỹ thị trường hóa hàng đầu và hơn mười doanh nghiệp vốn ngành; trước đó, Moxin Technology đã nhận được đầu tư từ công ty con Habo của Huawei và quỹ của công ty con Lenovo Holdings.
Thời đại thực sự thuộc về mô hình thế giới, bắt đầu từ Flash World Model, sẽ bước nhanh về phía trước.
Bài viết từ tài khoản WeChat công cộng "Tân Trí Nguyên", tác giả: ASI Khải Thị Lục
