浙大团队开源InSpatio-World，登顶权威世界模型榜单！低成本实现实时交互4D世界，AI从感知到重构物理世界。
原文标题：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
原文作者：机器之心
冷月清谈：
怜星夜思：
2、文章提到InSpatio-World在自动驾驶、VR/AR和具身智能等领域有应用前景，你认为在这些领域中，哪一个最有可能率先实现大规模落地？为什么？
3、InSpatio-World 展示了中国团队在世界模型领域的实力，你认为中国AI团队在世界模型领域有哪些优势和劣势？
原文内容
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，浙大系初创公司影溯（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。
-
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。
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。
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。
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。
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。
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。
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理解、实时空间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：浙江大学计算机辅助设计与图形系统全国重点实验室长江学者、国家杰青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 获得了业内的广泛关注。
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。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com