一个从国内虚拟片场里成长出来的实时世界模型，在 NVIDIA 的舞台上拿了奖。
10 月 15 日，2026 NVIDIA 创业企业展示半程展示在苏州金鸡湖举行，来自重庆的达瓦科技凭借实时世界模型产品Scenes AI拿下「半程展示卓越企业奖」。
本届赛事在全国办了 11 场分站活动，580 多家科创企业报名，最终 30 家 NVIDIA 初创加速计划（Inception）会员进入半程展示。
不预测下一帧画面，而是维护一个持续运行的世界状态——场景、人物、相机、灯光、物体和物理，各自是一组可以单独读写的变量。
世界里每发生一点变化，模型要做的不是把整段画面重画一遍，而是只更新发生变化的那部分状态，再把结果写回世界，让下一刻在此基础上继续演化。
于是它要回答的问题也变了：不是 " 下一帧长什么样 "，而是如果改变世界里的一个变量，世界接下来会发生什么？
更关键的是，它的输入不是游戏引擎或代理画面，而是一台普通摄像头拍到的真实空间。
用达瓦自己的话说：A video is an output. A world is a process. 视频是一个结果，世界是一个过程。
先来看最新一版 Demo。
左上角是摄像头此刻拍到的真实房间：白墙、绿幕、一把铁艺椅子、墙角一只玩偶熊，一个人站在中间扶帽檐。
大画面是同一时刻的模型输出：房间变成了一片手绘风格的夏日草原，人变成了戴黄色棒球帽的动画少女，动作同步。
细看会发现，变的只是外观。椅子还在少女身后，小熊还坐在原来的 " 墙角 "，右侧深色柜子的位置和透视都没动，草地上甚至还隐约留着两面墙交汇的折线。
考点一：全局重渲染，结构不能乱。
这一帧里，唯一被改写的变量，就是「画风」。
人物动作、家具位置、遮挡关系和空间透视，全部被当作保持条件锁住。模型得先认出人、椅子、玩偶和柜子各是什么，再在整屋换风格的同时把它们钉在原位，而且每一帧都要成立。
同一场景里，一个小朋友在墙上写下 "DW 未来 "，随后抱起一只玩偶跑出了画面；男生起身，房间里长出了树，地上燃起一堆篝火；接着他又抬手控制天气，屋里先是飘雪，又下起了雨。
一连串事件下来，人来了又走，场景里长出了新东西，天气变了好几轮，墙上那四个字始终还在，位置和笔画都没变。
这考的是世界状态有没有被正确写回、并且持续保持。
对逐帧生成的模型来说，画面里的变化越多，之前留下的细节越容易被 " 冲掉 "，每一次重画都可能把它悄悄改掉；而在 Scenes AI 里，" 墙上有字 " 在写下的那一刻就成了世界状态的一部分。之后无论发生什么，只要没有事件去改它，它就一直留在那里。
Demo 背后，是达瓦对世界模型的一个基本判断：
视频生成已经足够强大，但世界还没有开始运行。
主流视频生成的交付物是 " 一段结果 "：给一个提示词，生成一段好看的视频，然后结束。
即便做成逐帧连续合成，关注的仍是 " 下一帧看起来像什么 "，身份、几何、光照和物理上的误差，会随着时间一点点累积。
达瓦给世界模型下的定义不一样：改变一个状态变量之后，世界为何变化、又将如何演化。
举个最简单的例子，输入一句 " 把灯光变成夕阳 "：
传统视频模型：重新生成一遍视频，场景、人物、相机和物体都可能跟着漂移；
Scenes AI：场景、人物、相机和物体被冻结为保持条件，只有 " 光照 " 这一个变量改变，再由新的世界状态生成新画面。
达瓦把这套思路浓缩成一句话：修改一个变量，保留住整个世界。
按这个定义，一个持续运行的世界被拆成了五个部分：
Persistent World = World Memory + Neural Physics + Sparse Diffusion + Neural Rendering + AI Lighting
即世界记忆、神经物理、稀疏扩散、神经渲染和 AI 光照。
跨帧记忆、局部可控、物理与因果、实时计算效率，以及能解释 " 世界为何这样变化 " 的数据。
用他们的话说，难点不是造一个更大的模型，而是状态、控制、物理与算力必须同时成立。
技术架构：控制层做重，生成层做轻
把这条路线落成工程系统，达瓦的做法可以概括为一句话：控制层做重，生成层做轻。
Scenes AI 没有把所有问题都交给一个大模型逐帧重画，而是在 " 创作意图 " 和 " 画面生成 " 之间，加了一层以世界状态为核心的控制系统，达瓦称之为视频生成的控制层。
渲染层：接收控制层下发的条件，只把需要变化的部分生成出来，再合成回画面。
一条典型的运行链路是：
世界状态 → 行动或接触事件 → 状态更新 → 局部生成与合成 → 结果写回。
还是拿前面那段 "DW 未来 " 的 Demo 来看：
小朋友在墙上写字时，事件层识别出书写动作和接触位置，即墙面；
控制层据此更新世界状态，把 " 墙上有字 " 记到墙面这个对象上；
随后，场景中长出树、燃起篝火、下雪又下雨，控制层只更新对应的场景元素和天气变量，渲染层只生成树、火焰、雪花和雨滴以及它们带来的光影变化，墙面和字迹直接沿用已有表示；
雨雪这类天气过程来了又走，属于短时变化；墙上的字则作为持久状态一直保留在世界里，供后续镜头和交互继续读取。
这里有个关键区分：哪些变化是 " 瞬态 " 的，哪些是 " 持久 " 的。
前者交给渲染层处理完即可，后者必须进入世界状态。Demo 里 " 坑还在 "" 字还在 "，都是这一机制的外在表现。
一种做法由上游引擎或程序显式写出规则和状态，模型以参考画面为接口做渲染，适合规则明确的游戏与原型；
Scenes AI 面向的是真实拍摄和直播空间，世界状态要由模型从摄像头画面里解析出来，再持续维护、推演并写回。
精准控制落在控制层，核心模块是Latent Stage。
一是变量解耦。
Latent Stage 在潜空间里把场景、人物、相机、光照、服装、道具和物理拆成一个个独立的 " 舞台 "，可以单独演化，也可以联合约束。
每次编辑都有明确的 " 改动集 " 和 " 保持集 "：改光照时，场景、人物和机位被锁定；换服装时，人物身份和身体动作继续约束生成。
截图里 " 画风全换、家具不动 "，就是改动集和保持集分得足够干净的结果。
达瓦提出的非线性视角矩阵融合方法，把影像从 " 线性时间 " 变成 " 可编辑矩阵 "：角色、环境、相机、光照、物体和运动被拆成可以重新组合的视觉要素，方便控制层理解镜头运动、融合真实与生成内容。
相关演示论文《NVD： Non-Linear View Matrix Fusion for 2D Video Using Multimodal Foundation Models》已被 ACM UbiComp / ISWC 2026 接收，并于 10 月 13 日在上海国际会议中心现场展示。该研究由达瓦 AIGC 研究院联合香港理工大学、伊利诺伊大学厄巴纳 - 香槟分校、纽卡斯尔大学共同完成。
World Memory 持久化缓存历史状态片段，为后续生成提供可查询、可更新的上下文。
镜头离开再回来时，模型读取的是这块区域的状态记录，而不是重新想象一面墙。
达瓦把长时序记忆看作当前最关键的挑战，即身份、空间、物理与故事状态都必须跨时间保持一致。
如果没有因果记忆，堆再多 GPU 也解决不了问题。
四是物理约束。
Neural Physics 覆盖刚体、布料、流体和粒子，围绕碰撞与重力组织生成条件，决定火该烧到哪里为止、布料该怎么被推开；Neural Renderer 再把几何、材质和光照转成画面。
物理状态由此成为生成、训练与评估的共同参照，而不是把视频本身当作答案。
在连续编辑测试中，Scenes AI 的目标编辑成功率为 98.2%，人物身份保持率为 93.3%。
渲染层由实时生成模型LiveStage承担。它要解决的问题很具体：
在一张消费级显卡的算力和显存预算里，让画面持续、低延迟地跟上真人。
第一，稀疏扩散自回归。
自回归负责沿时间持续演化，稀疏计算限定每一步的更新范围，这意味着，模型预测的是状态增量，而不是一整幅新画面。
基于对 300 多个真实商业拍摄项目数据的分析，达瓦发现，典型场景中每帧真正变化的区域只占画面的10% — 20%。
于是，墙面、地板等稳定区域通过潜空间缓存（Latent Cache）直接复用，算力集中给人物、面部、手部、布料、烟雾、光影和交互区域。
渲染层接收控制层下发的一组条件，包括事件类型、位置、速度、强度、对象身份、材质和局部历史，并只对变化区域做少步采样，再把局部结果合成回持久的世界画面。
" 因果化 " 意味着每一步只依赖已经发生的历史，适合流式输出；
" 微扩散 " 意味着每次只处理局部小区域，而不是整幅画面。
第三，稀疏激活。
模型总参数 34B，每一步只激活约 4B，激活比约 11.8%。
空间上的局部更新减少 " 要算多少 "，模型内部的稀疏激活控制 " 每次用多少参数算 "，以上共同构成了 "大模型的容量，实时的计算路径 " 这一特点。
最终，在单张 NVIDIA GeForce RTX 消费级显卡上，Scenes AI 实现了 720P、25 帧的实时输出。
底层算力：原生构建于 NVIDIA 技术栈。
达瓦与 NVIDIA 的技术合作始于 2018 年，那一年达瓦购入了第一套 NVIDIA DGX-1。
今天，Scenes AI 用 CUDA 做训练与推理加速，用 TensorRT 做推理优化，用 NVENC 支撑实时视频编码输出。
稀疏更新减少无效计算，Latent Cache 利于显存复用，分层架构也天然适配分层部署，这套机制本身就是围绕 GPU 的并行计算与计算复用设计的。
路线想清楚了，真正难的是把它训出来。达瓦的积累可以拆成三层。
第一层：状态数据
要学 " 世界怎么变 "，光有视频不够。
互联网视频大多是剪辑后的成品，机位怎么走、灯怎么打、道具什么时候被拿起，这些过程信息几乎都被剪掉了，像素本身解释不了世界为何这样变化。
达瓦的说法是：不是 Video Dataset，是 State Dataset。
达瓦在重庆永川运营一座 8.4 万平方米的全流程数字化科技片场。
过去 5 年，团队从 300 多个真实商业项目中持续采集、标注和梳理数据，沉淀了约180TB 结构化世界状态数据，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核心维度。
单场戏会做 300 多个维度的结构化标注，让镜头、光学、空间、表演和动作对齐到同一条时间轴上。
三类数据分工明确：真实拍摄提供分布，仿真提供精确状态，生成数据补齐覆盖。
达瓦训练的不是一个 " 视频生成器 "，而是一个持续演化的世界系统，整体分五个阶段：
时空预测训练：未来预测、视频补全、状态重建，学习时间演化而非连续视频拼接；
专项能力训练：局部稀疏微扩散、非线性视频矩阵、神经渲染与神经物理等模块分别专精；
联合优化：多任务联合训练与课程学习，在共享潜空间中端到端优化；
Agent 驱动强化学习：导演、摄影、灯光、动画等多智能体协同，持续优化镜头质量与场景一致性。
第三层：生产闭环
达瓦本身就在做真实的影视和短剧生产。客户的修改、交互中的反馈、模型出错的案例，会回流成下一轮数据筛选、补采和训练的入口，也就是说，模型在片场被检验，片场又反过来喂养模型。
" 我们每天都在拍真实的电影和短剧，每一次打光、每一次运镜，都在告诉模型这个世界是如何运转的。" 达瓦科技联合创始人陈亮表示，" 世界模型的下一场竞争，属于拥有真实世界过程的团队。"
世界模型不应该是个悬浮的概念，落到具体应用上，这套路线对应着几类明确的场景：
影视与短剧：导演在可控的场景下调整和转化更多创意，把每一个灵感即时转化为参数化的天气、光照、服装和环境方案；
直播与电商：把一个个的 " 格子直播间 " 变成真正的 " 场景直播间 "，主播身处的空间随商品和话题实时切换，在雪地里卖雪地靴，在高山上卖徒步鞋；
文旅、游戏与互动展示：内容不再是被单向观看的对象，用户可以直接进入真实空间，进行互动、改写、延续。
它们共享同一组要求：改动必须可控，输出必须及时，成本必须可估算。
一张消费级显卡、一台本地主机即可运行，不依赖云端算力，这才是从实验室演示走向更接近实际部署的真实环境。
"NVIDIA 为实时世界模型提供了坚实的计算底座。" 他表示，" 我们希望和 NVIDIA 生态一起，让世界模型从实验室走进真实生产，让每一位创作者都能用一张显卡，实时构建、改写并走进一个持续运转的世界。"
回头看达瓦这几年的路径，几块关键拼图已经各就各位。
数据有了，8.4 万平方米片场、300 多个真实项目、180TB 世界状态数据，而且还在持续积累；
模型跑通了，34B 世界模型在一张消费级显卡上实时运行，精准控制与实时渲染同时成立；
认可也来了，8 月深圳站第一，10 月 UbiComp 论文亮相，同月拿下 NVIDIA 半程展示奖。
视频会结束，世界不会。对 Scenes AI 来说，这个世界才刚刚开始运转。
* 本文系量子位获授权刊载，观点仅为原作者所有。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
点亮星标
科技前沿进展每日见
