机器之心报道

机器之心编辑部

单 GPU 级世界模型来了。

斯坦福大学教授李飞飞创业公司 World Labs 又推出了新成果！

上个月，World Labs 发布了空间智能模型 Marble，「只需一张图片，就能生成持久存在的 3D 世界，比以往更宏大、更震撼。」

就在今天，一个可以实时、持续运行并保持 3D 一致性的生成式世界模型 RTFM 问世了，并且该模型在单个 H100 GPU 上就能跑起来。

视频链接：https://mp.weixin.qq.com/s/heMBDj1zReeZkaF8n3Rnsg

RTFM 的全称为「Real-Time frame Model」，即实时帧模型。

根据官方介绍，RTFM 并不会显式地构建世界的 3D 表示。相反，它以一张或多张 2D 图像作为输入，直接生成同一场景在不同视角下的全新 2D 图像。

在技术上，RTFM 可以被视为一种学习型渲染器：它是一种端到端训练的自回归扩散 Transformer，基于大规模视频数据进行训练，最终仅通过观察训练集中的样本就学会了建模 3D 几何、反射、阴影等特征。

另外，RTFM 还可以用于从稀疏拍摄的照片中重建真实世界的场景。

World Labs 团队认为，生成式世界模型必然会对计算能力提出要求，甚至可能扩展到超出当今 LLM 的需求。但他们相信，生成式世界模型是未来渲染和空间智能领域至关重要的研究方向。

评论区的大家直呼不可思议。

接下来看 RTFM 的技术细节。

世界模型需要巨大的算力

世界模型能够实时重建、生成并模拟持久的、可交互的、物理上准确的世界。

过去一年生成式视频建模的突破，正逐渐延伸到生成式世界建模的领域。

但随着技术的发展，有一点愈发清晰：生成式世界模型的计算需求将远超当今的大语言模型。

举例来说，生成一段 4K 分辨率、60 帧每秒的交互式视频流，就需要每秒输出超过 10 万个 token（相当于《弗兰肯斯坦》或《哈利・波特与魔法石》整本书的长度）。

而若要让这些生成内容在一小时以上的交互中保持一致性与持续性，模型需要处理超过一亿个 token 的上下文。

以今天的计算基础设施来看，这既不可行，也不具经济可行性。

图灵奖得主 Rich Sutton 所著《苦涩的教训（The Bitter Lesson）》中谈到：那些能随着算力提升而优雅扩展的简单方法，最终会在人工智能领域占据主导地位，因为它们能够持续受益于计算成本的指数级下降，而这种下降正是推动整个科技进步的核心力量。

生成式世界模型正好契合这一趋势：它们将在计算成本持续降低的未来中充分受益。

这引出了一个自然的问题：生成式世界模型是否被当今的硬件条件所限制？还是说，我们已经有办法在今天就提前预览这项技术的雏形？

为了回答这一问题，团队从一个简单的目标出发：设计出一个足够高效、今天就可以部署的生成式世界模型，并且能够随着算力的增长持续扩展。他们希望构建一个可以在单张 H100 GPU 上运行的模型，既能保持交互式的帧率，又能提供无论你与之互动多长时间都能持续存在的世界体验。

可扩展性：作为学习型渲染器的世界模型

传统的 3D 图形渲染使用显式的三维表示（例如三角网格、高斯点云等）来建模世界，并通过渲染生成二维图像。这类方法依赖人工设计的数据结构与算法，来模拟三维几何、材质、光照、阴影、反射等多个要素。几十年来，它们一直是计算机图形学的可靠主力技术，但在扩展数据量和算力方面却并不容易。

RTFM 采用了完全不同的方法。它基于最近在生成式视频建模方面的进展，训练了一个神经网络模型，该模型输入一个或多个场景的二维图像，无需构建任何显式的三维表示，就能从新的视角生成该场景的二维图像。RTFM 是一种自回归扩散式 Transformer 模型，作用于帧序列之上，端到端地在大规模视频数据上训练，以预测在已有帧条件下的下一帧。

如前所述，RTFM 可以被视为一个学习型渲染器。它的输入图像被转换为神经网络的激活（KV 缓存），这些激活以隐式方式表示整个世界；在生成新帧时，网络通过注意力机制从这种表示中读取信息，从而生成与输入视角一致的新视图。这一从输入视图转换为世界表示、再从表示中渲染新图像的机制，是通过数据端到端学习得到的，而非人工设计。RTFM 通过在训练中观察诸如反射、阴影等复杂视觉效果，从而学会了对它们进行建模。

通过将 RTFM 与 Marble 结合，可以从单幅图像创建 3D 世界。RTFM 可以渲染复杂的效果，例如光照和反射，这些效果是通过端到端的数据学习而来的。

RTFM 模糊了重建和生成之间的界限，在传统的计算机视觉领域，重建和生成是两个不同的任务。RTFM 这项技术 打破了这两者之间的界限。它不是分别处理重建和生成，而是用同一个模型同时处理这两种情况：

当输入视角很多时，RTFM 的任务变得容易 —— 因为大多数信息都已有，它就更像是在做重建。

当输入视角很少时，模型只能基于已有信息猜测出其他视角的内容，行为更像是生成。

另外，现实世界的一个关键特性是持久性：当你移开视线时，世界不会凭空消失或完全改变；无论你离开多长时间，总是可以返回到之前到过的位置。

但对于自回归帧生成模型来说，实现这一点是一大挑战。因为世界只通过一帧帧的二维图像隐式表示，要实现持久性，模型必须在用户探索过程中不断推理和记忆越来越多的帧。这意味着每生成一帧所需的计算成本会不断上升，最终模型所能记住的世界范围将受限于其计算资源。

RTFM 通过为每一帧建模其在三维空间中的姿态（即位置和朝向），巧妙地绕过了这个问题。

配合上下文调度（context juggling）机制，RTFM 能够在保持高效的同时，在大场景中保留住几何结构，实现真正意义上的世界持久性。

如果你还没有尝试过 RTFM，现在就去体验吧：https://rtfm.worldlabs.ai/

播客链接：https://www.worldlabs.ai/blog/rtfm