Dawa Technology's Scenes AI Wins the 2026 NVIDIA Startup Showcase Halfway Showcase Excellence Enterprise Award

10 月 15 日，2026 NVIDIA 创业企业展示——半程展示在苏州金鸡湖国际会议中心举行。达瓦科技凭借实时世界模型 产品Scenes AI，荣获半程展示卓越企业奖。这是达瓦科技继 8 月获评深圳站优秀企业之后，再次在 NVIDIA 创业企业展示活动中获奖。

本届半程展示从 NVIDIA 创业企业展示各城市分站、超过580家科创公司中选出 30 家企业，围绕 AI 智能体、物理 AI 与 AI 行业应用展开路演。达瓦科技首席产品官李宗兴代表团队登台，分享了达瓦对实时世界模型的技术判断：视频生成解决的是“下一帧画面长什么样”，而世界模型还必须回答“改变一个变量之后，世界将如何演化，以及哪些部分应当保持不变”。

视频生成的下一道门槛：从生成画面到控制世界

达瓦科技的核心定位，是视频生成控制层。它并不把所有问题都交给一个大模型逐帧重生成，而是在创意与画面生成之间增加一层控制系统：先把场景、角色、镜头、灯光、材质、动作和物体关系组织成可查询、可修改、可持续更新的世界状态，再由生成层把需要变化的部分呈现出来。

这套架构的关键是“控制层做重，生成层做轻”。控制层负责规划行动、维护状态和推演结果；生成层负责把状态转化为视频画面。对离线内容生产而言，控制层让创作者可以只修改机位、动作或灯光，保留同一场景中的其他对象与关系；对实时互动而言，控制层定位真正发生变化的区域，生成层只对局部进行更新，从而减少整幅画面重复计算。

为此，达瓦提出“世界状态维护”的新范式：不再逐帧重画整个画面，而让模型理解画面背后的世界，把空间、人物、相机、光照、材质与物理拆解为可以单独更新的状态，只计算真正发生变化的部分。达瓦科技把这种技术路线概括为：一次构建世界，可以拍、可以渲、可以播、可以玩。

【达瓦科技首席产品官李宗兴在半程展示路演现场】

一张消费级显卡，实时改写一间真实的办公室

这一范式已经在真实空间中得到验证。今年 9 月，达瓦首发了 Scenes AI 的实拍演示：摄像头对准一间普通的办公室，不断给出全新的prompt，实时生成多个场景。核心生成计算全部由本地一张 NVIDIA RTX 显卡承载，办公室可以变成动画草原，也可以出现雪怪、火焰和新的家具形态；但每次变化都遵循同一套世界状态，而不是把整张画面重新抽卡。画面右上角实时显示运行帧率，全程“无预设，无卡顿，100%实时持续生成”。

视频中，地面塌陷，一只雪怪破土而出、攀墙离开，地上的坑洞却一直留在原地；身旁的铁艺椅子先变成红色尖刺座椅，再化作狼首铁王座，主播可以继续坐在原位置；窗帘下摆燃起明火，火势沿着布料向上蔓延，紧挨着的玩偶和花盆却安然无恙；最后，整间办公室化为一片动画草原，空调、窗帘和柜子都留在原位。

这背后是实时生成最难的三道关：推理延迟、误差累积和动态场景控制。摄像头不断输入新画面，人物动作随时改变生成条件，模型必须在有限的算力和显存里，判断哪些内容需要更新、哪些状态应当保留；而人物面貌或空间结构上的任何一次偏差，都可能在后续画面中被不断放大。对达瓦而言，实时性不是单纯把离线视频模型压缩得更快，而是先通过控制层让世界具备状态和控制，再让渲染计算随事件发生。

【Scenes AI实时演示将整间办公室化为一片动画草原】

Latent Stage 精准控制：三项关键技术，让 34B 世界模型跑进直播间

Scenes AI 的底层模型 Latent Stage 共有 34B 参数，每步激活约 4B。让如此规模的模型在一张消费级显卡上持续实时运行，依靠的是三项自研技术：

• 稀疏自回归扩散 + 潜空间缓存：只算正在变化的部分。 基于达瓦300+真实商业拍摄数据分析，典型场景中每帧真正变化的区域只占画面的 10% 至 20%。Scenes AI 只对这些区域预测“状态增量”，墙面、地板等稳定区域则通过潜空间缓存（Latent Cache）直接复用。空间上的局部更新，加上模型内部的稀疏激活，使 GPU 消耗相较传统视频扩散方案降低 40% 至 60%，推理速度提升 3 至 5 倍。

• Latent Stage + 世界记忆：改一处，其余不变，而且记得住。 Latent Stage 在潜空间中把场景、人物、相机、光照、服装、道具与物理拆成可以独立控制的变量；世界记忆（World Memory）持续保存已经发生的变化。在连续编辑测试中，目标编辑成功率达到 98.2%，人物身份保持率达到 93.3%。雪怪离开后坑洞仍在，正是模型“记住了世界发生过什么”。

• 神经物理 + 神经渲染：从生成画面，走向推演物理。 神经物理围绕运动、碰撞、重力和材质响应约束生成，神经渲染让火光、阴影同步作用于环境。模型不只生成火焰，还判断了“什么会燃烧、什么不会”。

此外，达瓦提出的非线性视觉矩阵，把角色、环境、相机、光照、物体与运动组织为可重新组合的视觉要素，相关论文NVD技术已被国际普适计算会议 UbiComp / ISWC 2026 接收。

Live Stage 实时渲染：控制层决定哪里变化，局部扩散负责把变化生成出来

Scenes AI 的实时能力由 实时生成模型Live Stage 承担。它采用因果化的稀疏微扩散设计，不对整幅画面做全帧扩散，而是接收控制层发出的事件、位置、速度、强度、对象身份、材质和局部历史等条件，对变化区域进行少步采样，再将局部结果合成回持久世界。

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

例如，人物触碰布帘时，系统先由规则与事件层识别接触位置、动作方向和材质条件，再由实时扩散模型处理布料形变与接触边界；稳定的墙面、地板和未受影响的对象沿用已有表示。人物离开后，短时的衣料摆动可以结束，而雪地脚印、地面凹陷等需要长期保留的结果则写回世界状态，供后续镜头和交互继续读取。

在典型场景中，真正发生变化的区域约占画面的 10%—20%。局部更新、稀疏专家激活与潜空间缓存共同减少重复推理，使实时生成更接近传统渲染的计算方式。

真正决定下一代训练质量的数据集，不是视频数据集，是状态数据集

与多数从互联网视频中学习的模型不同，Scenes AI 的训练数据来自真实的影视生产。达瓦在重庆永川运营 8.4 万平方米的全流程数字化科技片场，从 300 多个真实商业项目中，沉淀了约 180TB 结构化世界状态数据，涵盖相机、动作、对象、光照、物理与叙事状态。

这类数据直接对应实时世界模型最难处理的长尾情况：宽袖和裙摆随动作发生形变，手与道具反复接触，多角色互相遮挡，摄影机在表演中连续移动，灯光变化同时影响人物和环境。互联网视频通常只能告诉模型“画面最后长什么样”，而真实片场数据还记录了“相机怎么拍、演员怎么动、对象如何接触，以及导演为什么这样改”。这些恰恰是实时生成最容易出现漂移、穿透和不一致的地方，也是达瓦数据最大的价值所在。真正决定下一代训练质量的数据集，不是视频数据集，是状态数据集。

过去5年，达瓦持续对这些数据进行采集、标注、梳理。在单场戏中进行 300 多个维度的结构化标注，使镜头、光学、空间、表演和动作可以对齐到同一时间轴。这些过程数据分别服务于世界构建、离线视频生成和实时局部扩散，并通过 FilmOS 与 Scenes AI 进入创作和互动场景。客户修改、交互反馈和模型失效案例，进一步为后续数据筛选、补采与训练提供入口。

“这份荣誉属于每一位在片场和实验室里工作的达瓦人。”达瓦科技联合创始人陈亮表示，“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。世界模型的下一场竞争，属于拥有真实世界过程的团队。”

“NVIDIA 为实时世界模型提供了坚实的计算底座。”达瓦科技首席产品官李宗兴表示，“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。”

从真实片场走向国际学术舞台

达瓦科技的技术路线也获得了学术界的认可。10 月 13 日，由达瓦科技 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、纽卡斯尔大学完成的论文《NVD: Non-Linear View Matrix Fusion for 2D Video Using Multimodal Foundation Models》，被 ACM UbiComp / ISWC 2026 接收并收录于 ACM UbiComp Companion ’26。论文聚焦真实影视生产中的虚拟制片难题，提出基于多模态基础模型的非线性视角矩阵融合方法，将视频、深度、音频与动作捕捉信息纳入同一计算框架，并在消费级 NVIDIA RTX 硬件与普通摄像头上验证多视角实时视觉合成。论文报告的对比实验显示，在场景替换、重打光、重新构图、数字替身等十类虚拟制片任务中，系统硬件成本降低 72%、部署时间缩短 63%。

这项研究的意义在于，它把达瓦长期面对的工业问题转化为可复现的研究问题：如何理解镜头、人物、动作、光照和环境之间的关系，如何在镜头运动和人物移动时保持融合结果稳定，以及如何让专业虚拟制片从专用影棚和服务器集群走向更轻量的软硬件组合。ACM UbiComp / ISWC 2026 展示现场，来自清华大学、上海科技大学、香港科技大学等高校的学者与工程师围绕系统架构和实时演示展开交流。对达瓦而言，学术论文提供的是方法和实验层面的外部检验，真实片场提供的是问题、数据和持续迭代场景；二者共同支撑其从视频生成走向视频生成控制基模与实时世界模型的技术路线。

原生构建于 NVIDIA 技术栈之上

早在 2018 年，达瓦就已采用 NVIDIA 技术。那一年，达瓦购置了首套 NVIDIA DGX-1 系统，此后一直基于 NVIDIA 的计算平台开展模型研发。

今天，Scenes AI 原生构建于 NVIDIA 生态之上：以 NVIDIA CUDA 加速模型训练与推理，以NVIDIA TensorRT 优化推理，以 NVIDIA NVENC 支撑实时视频输出。达瓦的稀疏更新与状态缓存机制，本身就是围绕NVIDIA GPU 的并行计算与计算复用而设计的。一张 GeForce RTX 显卡，就能实时承接局部编辑、物理推演与全场景转换，为影视工作室部署实时世界模型提供了清晰的性能与成本参照。

对影视工作室、直播团队和互动内容开发者而言，消费级显卡上的持续运行意味着实时世界模型可以从实验室演示走向更接近实际部署的硬件环境。达瓦科技希望通过 Scenes AI 与 FilmOS，把同一套世界状态延伸到专业拍摄、离线渲染、直播输出和互动体验，让视频生成从“生成一段结果”进入“持续运行一个世界”。

关于达瓦科技

达瓦科技是一家生成式世界基础模型公司，打造可控可交付、轻量易部署的AI视频生成基础设施，总部位于重庆永川。公司依托真实影视生产形成的高质量独家过程数据集，打造 Latent Stage、CineStage 与 LiveStage 三大模型体系，并通过 FilmOS 与 Scenes AI 连接专业影视、短剧、直播、营销等创作与商业场景， 实现“一次世界构建，可以拍，可以渲，可以播，可以玩”，推动模型、产品、项目交付与数据回流持续迭代。