一张5090跑起34B实时世界模型，国产玩家拿下英伟达大奖！
内容提要
达瓦科技凭借实时世界模型Scenes AI在NVIDIA创业展示中获奖。该模型不逐帧预测画面，而是维护持续运行的世界状态，仅更新变化部分，从而在更换画风、修改天气等编辑时保持人物、家具和空间不变。系统由世界记忆、神经物理、稀疏扩散、神经渲染和AI光照组成，可在单张消费级显卡上实现720P、25帧实时输出，并基于真实片场数据训练。
延伸解读
从“生成视频”到“运行世界”的范式转变
文章指出，主流视频生成模型关注“下一帧像不像”，误差会随时间累积；而Scenes AI维护持续运行的世界状态，只更新变化部分。这种思路将视频视为输出，世界视为过程，强调状态的可查询与可预测。对读者而言，这意味着实时世界模型的核心竞争力可能从画面质量转向状态一致性与可控性，尤其在长时序、多编辑场景下，状态维护能力比单帧生成质量更关键。
控制层做重、生成层做轻的工程取舍
Scenes AI没有把所有问题交给一个大模型逐帧重画，而是在创作意图与画面生成之间加入以世界状态为核心的控制层，通过Latent Stage实现变量解耦、世界记忆和物理约束。渲染层则利用稀疏计算和潜空间缓存，只更新变化区域。这种分层设计让34B模型在单张消费级显卡上实现720P、25帧实时输出，说明实时世界模型的落地不仅依赖模型规模，更依赖计算路径的优化。
真实片场数据构成差异化壁垒
达瓦科技运营8.4万平方米数字化片场，5年积累300多个商业项目、约180TB结构化世界状态数据，覆盖相机轨迹、动作、光照、物理等维度。文章强调，互联网视频缺少过程信息，无法解释世界为何变化，因此达瓦训练的是State Dataset而非Video Dataset。这提示读者，世界模型的竞争可能不仅是算法竞争，更是高质量过程数据的竞争，拥有真实拍摄场景的团队具备难以复制的数据优势。
实时世界模型的落地场景与当前边界
文章提到Scenes AI面向真实拍摄和直播空间，可在本地单卡运行，不依赖云端算力，适合需要可控修改、及时输出和成本可估算的场景。但达瓦也承认长时序记忆仍是关键挑战，身份、空间、物理与故事状态需跨时间保持一致。读者应注意到，当前演示仍以短时交互为主，模型在更复杂、更长时的真实应用中能否稳定维持世界状态，仍需进一步验证。
Q&A
Scenes AI 和普通视频生成模型有什么本质区别？
Scenes AI 不逐帧预测画面，而是维护一个持续运行的世界状态，只更新发生变化的部分，从而在编辑时保持人物、家具和空间不变。普通视频模型关注“下一帧像不像”，而 Scenes AI 回答的是“改变一个变量后世界会如何演化”。
Scenes AI 由哪些核心模块组成？
由世界记忆、神经物理、稀疏扩散、神经渲染和 AI 光照五部分组成，分别负责持久化状态、物理约束、局部生成、画面合成和光照控制。
Scenes AI 如何在单张消费级显卡上实现实时输出？
通过稀疏更新（只计算变化区域）、潜空间缓存复用稳定区域、模型稀疏激活（34B 总参数每步仅激活约 4B），以及 CUDA/TensorRT 加速，在单张 RTX 显卡上实现 720P、25 帧实时输出，GPU 消耗降低 40%—60%，推理速度提升 3—5 倍。
Scenes AI 的训练数据有什么特别之处？
使用约 180TB 结构化世界状态数据，来自 300 多个真实商业项目，覆盖相机轨迹、动作轨迹、对象状态、光照状态、物理状态与叙事状态六类维度，并辅以 Omniverse/PhysX 仿真数据和 Cosmos 生成的过程型数据。
Scenes AI 能实现哪些具体的编辑效果？
可以更换画风（如房间变草原）、修改天气（下雪、下雨）、添加物体（长树、篝火），同时保持人物动作、家具位置、遮挡关系和空间透视不变，墙上文字等持久状态也会保留。
Scenes AI 获得了什么奖项？
在 2026 NVIDIA 创业企业展示半程展示中，达瓦科技凭借 Scenes AI 获得“半程展示卓越企业奖”。
