AI news

登顶全球权威榜单!浙大创业团队百卡打造开源实时世界模型,视频秒变可交互4D世界

By 机器之心2 viewsSource: 机器之心
登顶全球权威榜单!浙大创业团队百卡打造开源实时世界模型,视频秒变可交互4D世界

近日,影溯正式发布并开源世界模型 InSpatio-World,综合性能优异,在李飞飞牵头的权威世界模型榜单 WorldScore-Dynamic 中,力压其他实时 / 交互级推理速度的世界模型。它彻底摒弃了烧钱低效的纯 2D 视频路径,凭借更具第一性原理的 3D 空间架构,带来了可实时交互的动态世界。

The full text has not been translated yet. The Chinese original is shown below.

过去一年,全球科技界正开启一场关于「世界模型」的豪赌。

从李飞飞 World Labs 的百亿美元估值神话,到 Yann LeCun 创下纪录的 10.3 亿美元种子轮,再到 Google 与 NVIDIA 倾注海量算力的资源博弈 —— 资本与天才们正押注同一个未来:AI 终将走出屏幕,理解并重构物理世界。

所谓世界模型,是 AI 的「内生物理引擎」。它要求 AI 像人类一样理解三维空间、记忆物体状态并预测物理演变。然而,目前主流模型大多只是在「画」像素而非「懂」物理,一旦涉及复杂交互,逻辑便会崩塌。若无法从「视觉生成」跨越到「物理感知」,AI 就永远无法在现实世界中自由行动。

但拐点比想象中来得更快。就在全球算力竞赛陷入「像素瓶颈」的僵局时,中国初创公司影溯(InSpatio)给出了破局答案。

近日,影溯正式发布并开源世界模型InSpatio-World,综合性能优异,在李飞飞牵头的权威世界模型榜单 WorldScore-Dynamic 中,力压其他实时 / 交互级推理速度的世界模型。它彻底摒弃了烧钱低效的纯 2D 视频路径,凭借更具第一性原理的3D 空间架构,带来了可实时交互的动态世界。

更令行业震撼的是其「效率奇迹」:仅用数百万元的训练成本(并非一次训练,而是研发全周期的训练迭代),便在核心指标上反超同类 AI 巨头的模型,而且在单张专业级显卡上实现 24FPS 的推理速度!

这标志着,在世界模型的技术博弈中,国内团队不仅杀回了牌桌,更直接打出了「王炸」。相比 2D 路径动辄数亿的资源黑洞,影溯用实战证明了 3D 路径近乎碾压的代际效率优势。

文章配图

  • 模型演示:world.inspatio.com
  • 项目主页:https://inspatio.github.io/inspatio-world/
  • 代码主页:https://github.com/inspatio/inspatio-world
  • 官网链接:https://www.inspatio.com/

项目发布后迅速引发硅谷 AI 圈层关注,多位意见领袖相继转发;NeRF 原始论文共同作者、Google DeepMind 首席研究科学家 Jon Barron 也在第一时间参与传播。

文章配图

范式突破,国内创业团队登顶实时世界模型榜首

只需一段普通单目视频,InSpatio-World 即可「复活」一个鲜活的 4D 世界。

它让 4D 建模彻底走出实验室,将日常影像重塑为可反复进入、沉浸体验的立体记忆空间,使平面的像素跃升为跨越时空的数字现实。

文章配图

文章配图

不仅如此,凭借强大的实时仿真能力,它正成为具身智能与自动驾驶非常理想、有效的虚拟训练场。从重塑时空到赋能产业,InSpatio-World 正在定义下一代可交互数字资产。

特别令人兴奋的是,相比以往的世界模型,InSpatio-World 对算力的要求大幅降低:仅需百卡级别的算力即可完成快速训练,甚至在单张 RTX 4090 显卡上就能实现10 FPS的流畅推理,极大打开了商业化落地的想象空间。

文章配图

文章配图

除了惊艳的实际效果,在 WorldScore-Dynamic Benchmark 的最新评测中,最小参数规模版本的 InSpatio-World 已经力压群雄,在实时 / 交互级世界模型中位居榜首。

文章配图

这次「以小搏大」的夺冠,标志着世界模型赛道的两大底层突破:

  • 架构胜过规模:在动辄千亿参数的暴力美学竞赛中,小参数模型凭借架构优势逆袭,证明了建模范式远比规模堆叠更重要;
  • 从「像素生成」到「实时仿真」:InSpatio-World 交付的不再是静态、单向的视频切片,而是一个响应式、可交互的「鲜活世界」,实现了从像素复现到实时状态模拟的跨代飞跃。

最颠覆之处在于,InSpatio-World 极大地降低了物理世界的数字化门槛。它摆脱了昂贵的专业设备与冗长的渲染等待,让「瞬时建模」的愿景变得触手可及。

技术路径:以三维为锚点,表征世界

世界模型的核心目标,是通过预测下一时刻的世界状态,使 AI 具备对空间与动态的理解能力。

但在「如何表征世界」上,行业存在根本分歧:

  • 2D 路线(如 NVIDIA 的 Cosmos、Google 的 Genie 系列)

通过海量视频进行「视觉统计」学习。优势在于数据红利极度充裕,但由于缺乏显式几何约束,模型往往在处理复杂遮挡、大尺度相机运动或长程演化时,出现物理一致性坍塌(如物体凭空消失或变形)。

  • 3D 路线(如 World Labs 的 Marble 以及 RTFM 模型)

坚持「空间结构」直接建模。其基本判断是:若 AI 终将介入物理世界,其内部表征必须是三维的。 这种路径天然具备空间一致性与可解释性,但长期被困于 “高质量 3D 数据稀缺” 的泥潭。

这一分歧的本质在于,是从「视觉统计」逼近世界,还是从「空间结构」直接建模世界。

而影溯选择了一条更具挑战性的路径:将海量 2D 视频转化为可学习的 3D 动态表示。这一思路巧妙地绕过了数据瓶颈,实现了从 InSpatio-WorldFM(静态 3D 世界重建)到 InSpatio-World(动态 4D 世界演化)的跨越。

除了在数据获取上的创新思路,影溯的另一突破在于提出了状态锚定世界建模(State-Anchored World Modeling)范式,实现了世界模型从视觉模拟向物理仿真的本质跨越。

文章配图

不同于传统模型在像素层面的概率预测,影溯通过显式建模「世界状态」,实现了观测视角与物理实体的本质解耦。

在此范式下,时间的演化不再是画面的连续扩散,而是 3D 状态本身的物理更新。依托「显式状态建模、时空自回归框架、联合分布匹配蒸馏」三大核心技术,模型在锁定空间确定性的同时,将海量视频的视觉真实感完美蒸馏至 3D 空间。

这一范式的演变,标志着 AI 产出从「易逝的像素序列」进化为「可演化的 4D 空间实体」,具体体现为以下两点维度跃迁:

  • 从像素模拟到物理仿真:

打破了视频生成的「视觉幻觉」,确保物理法则在持续运行中保持严丝合缝的一致性,而非随时间推移产生逻辑漂移或画面崩塌。

  • 从线性播放到时空交互:

彻底告别单向流转的视频形态,世界变得可以被自由暂停、精准回溯,用户甚至能随时重返某一历史时刻,介入一个真实交互的 4D 动态时空。

文章配图

文章配图

顶级团队入场,用架构创新,突破算力困局

在世界模型这一充满天价融资与算力博弈的超级赛道上,影溯(InSpatio)团队正以一种极具「DeepSeek 色彩」的方式完成突围。

这种突破的核心不在于算力的暴力堆砌,而在于算法架构的极致创新与工程化能力的深度融合。影溯之所以能用轻量化参数在 WorldScore 榜单上实现「以小博大」,得益于其背后一条独特的产学研协同路径 —— 将顶尖学术团队的原始创新能力,与产业一线的工程实战能力无缝嵌合,形成了完整的技术闭环。

这支「国家队」背景的团队,构建了贯通三维感知、实时计算与物理仿真的全栈技术和工程能力闭环,而这正是产学研深度融合的成果:鲍虎军教授作为首席科学家,所领衔的前沿研究团队在图形学、空间计算与混合现实领域数十年厚积薄发,为世界模型和空间智能的构建奠定了坚实的理论和技术基础;作为鲍虎军教授团队成员、同时也是影溯创始人的章国锋教授,早年即在商汤科技兼职带领技术团队,在学术研究与产业落地之间积累了丰富的实战经验,这种双重身份的淬炼,使他能够将空间智能的前沿算法,转化为驱动产业变革的实际动能。这些来自学术端的理论突破与产业端的落地认知,经由联合创始人刘浩敏博士及其团队的工程化能力进一步放大,在产业一线完成了模型训练、效率优化与系统验证,让前沿算法得以在有限算力下实现实时响应与极致吞吐。

正是这种从实验室到产业端的双向奔赴 —— 学术研究提供「从 0 到 1」的范式突破,工程化能力承接「从 1 到 N」的效率攻坚 —— 让影溯不仅理解如何构建静态空间,更理解如何让空间逻辑化地动态演化。基于这种从「模拟像素」到「模拟存在」的范式理解,影溯在两周内连续凭借 InSpatio-WorldFM 与 InSpatio-World 获得了广泛关注。

从「模拟像素」到「模拟存在」,世界模型正在逼近「真实 」

业界的一个普遍观点是,如果说 LLM 定义了过去几年的 AI 浪潮,那么世界模型很有可能正在定义下一轮。它不只是让 AI 生成得更真实,而在于让 AI 第一次有机会以更接近真实世界的方式去观察、记忆、预测和规划。因此,世界模型正在重写多个行业的底层逻辑……

在自动驾驶领域,世界模型正在推动行业从「端到端感知」迈向「生成式智驾」,通过构建可控的虚拟世界,系统可以在仿真中生成大量长尾场景,反复试错并持续优化,从而形成「数据 — 仿真 — 策略迭代」的闭环。

在虚拟现实(VR/AR)领域,世界模型则有望缓解长期存在的「空间内容供给瓶颈」,将文本、图像甚至视频直接转化为可探索的三维空间,使空间内容的生产从手工建模,走向自动生成与编辑。

而在具身智能领域,世界模型则让机器人第一次具备「行动前的模拟」能力,不再只是被动响应,而是能够在内部推演不同决策路径,以选择更优策略,从「能执行指令」变成「理解环境并自主决策」。

还有视频制作、游戏制作等等,越来越多的领域都将因世界模型的极大进步而同频共振……

影溯的愿景,是构建一个可自主演化、可因果交互的数字世界,推动智能体实现从「交流与绘画」到「预测与规划」的跨越,并最终赋予其主动改造世界的能力。

从「模拟像素」到「模拟存在」,InSpatio-World 便是通往这一目标的坚实基石。这种轻量化设计与极致实时性能的结合,标志着生成式世界建模迈向了全新的里程碑,第一次实现了高精度与沉浸感的深度融合。在不久的将来,无论是工厂里的工业机器人还是家里的游戏、电影、AR 穿戴设备等,或许都将运行在 3D 世界模型之上。

而在这场从 AI「生成内容」走向「构建世界」的全球竞赛中,影溯正成为其中最值得关注的中国变量。

据影溯团队透露,目前已收到全球数十家机器人、自动驾驶与内容巨头的深度商业化需求,正全力加速世界模型的产业落地。影溯诚邀更多行业伙伴共建空间智能生态,共同定义 AI 的未来。

文章来自于微信公众号 “机器之心”,作者 “机器之心”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)