智源研究院联合逆矩阵、北大、vLLM发布PhysisServe，首个兼顾智能与高频吞吐的物理AI 推理系统。PhysisServe首次实现让百亿参数量级世界模型以每秒千赫兹的实时输出频率，比已有前沿方案快了一到两个数量级。这表明：只要算力充足，即使物理智能基模扩展到百亿、千亿乃至万亿参数，模型推理仍能以任务所需的频率持续实时输出，参数量与输出频率将可以兼得。
人工智能的下一站是物理世界。
目前，物理AI已经能够在设定好的环境中完成动作，但从相对稳定的实验室走向充满噪声、干扰与持续变化的真实场景，仍有很长的路要走。悟界·Physis致力于构建面向真实物理世界的「通用世界基座模型」，探索能够跨场景理解、预测与行动的通用物理智能，赋能具身智能、工业仿真与科学预测等广泛场景。
真实物理世界中的智能，需要理解环境如何变化，预测不同干预会产生什么后果，并将这些能力用于新的条件与任务。
在物理仿真中，这意味着预测复杂系统的演化，为设计、验证与决策提供依据；
在具身交互中，这意味着根据持续变化的观测调整行动；
在工业生产中，这意味着适应材料、设备和工况的变化。
当物理 AI 面对成千上万种任务时，我们无法指望训练数据能覆盖每一个任务。物理AI系统要在动态环境和可变身体中持续更新记忆、切换任务、预测环境、适配身体并让模型演化。因此可归纳为这样的实践问题：
如何构建能够跨场景积累与复用经验的物理智能基座，并且使其以实际任务要求的速度与精度理解、预测和影响真实世界？
未来几个月，智源研究院联合逆矩阵将陆续发布针对这个问题的思考和技术成果，系统呈现构建通用物理智能的探索与实践。本文将从基础设施切入，探讨如何让更大规模的模型持续高频输出，并在有限算力下服务更多交互任务。
新一代物理AI的基础设施
Action-Conditioned World Model（ACWM）与World Action Model（WAM）均可采用自回归去噪的方式生成。
自回归去噪与大语言模型逐token的生成同属自回归，区别在于后一次输出是否必须等待前一次完成。大语言模型每次生成一个token，后一个token必须等前一个token经过全部Transformer block后才能开始计算，因此各token依次生成（图1左）。
自回归去噪则以chunk为单位生成连续帧：每个chunk从纯噪声出发，经过若干去噪步逐步变得清晰。后一个chunk不必等待前一个chunk完全去噪；前一个chunk每完成一个去噪步，后一个chunk就可以读取其在该步仍带噪声的KV cache，并执行自身对应的去噪步骤。相邻chunk的去噪因此可以前后错开、相互重叠，使各个chunk以较短的间隔连续完成（图1右）。
图1 左：逐token自回归；右：自回归去噪。时间轴标出每次输出的时刻：右侧的第一次输出并不更早，但此后的输出延迟短得多，整段更早完成。
生成范式的这一差别，最终落在输出频率上：逐token自回归的生成严格串行，每个token都必须等待前一个token走完所有Transformer block，输出频率被单个token的计算延迟锁死，堆叠再多算力也无法直接加速。
自回归去噪则天然可并行, 同一去噪步内的所有token可以同时推进，相邻chunk的去噪又前后错开、相互重叠，并行度可以随算力自由扩展，算力越充足，输出频率越高。
而物理世界恰恰以毫秒级的速度持续变化，要求模型以足够高的频率不断刷新对环境与动作的预测；自回归去噪这种可并行、可随算力扩展的生成结构，与高频变化的物理世界高度契合，也为PhysisServe的并行设计提供了结构上的出发点。
PhysisServe：让模型规模与输出频率共同扩展
面向物理AI的推理系统PhysisServe：只要算力充足，即使模型扩展到百亿、千亿乃至万亿参数，系统仍能以任务所需的频率持续输出——参数量与输出频率将可以兼得。PhysisServe将模型切分为多个stage，每个stage对应某一个去噪步上的某一个Transformer block，并以stage作为算力分配与调度的基本单位。系统设计沿着单路提速、算力共享和多路扩展三个层面展开：
Stage-wise流水线
去噪步与Transformer block两个维度同时流水线化，使单路可利用的GPU数量扩展为二者数量的乘积。在稳定运行状态下，输出延迟由最慢stage的计算时间决定；增加去噪步数或模型深度主要增加流水线深度与所需GPU数量，而不再直接降低输出频率。
图2 每个stage独占一张卡的Stage-wise流水线（示意2个去噪步、4个block）。上方DAG的每一行对应一个stage、每一列对应一个chunk；下方GPU0–GPU7各执行一个stage，彩色方块表示正在处理的任务。带描边的C7展示单个chunk依次经过8个stage的路径：流水线充满后，最后一级每完成一次计算，时间轴便输出一个新的chunk；时间轴下方示意各chunk对应的动作帧，并标出相邻输出之间的output latency。
时分复用
将stage与物理GPU解耦，使一张GPU能够在不同时间片轮流执行多个stage任务。对于同一block上来自不同chunk的任务，调度器将其合并为batch后集中执行，从而复用权重加载和kernel调度开销。这样，GPU的空闲时间可以被其他chunk的计算占用，不再要求每个stage独占一张卡；在不追求极限输出延迟时，单路请求可以用更少的GPU完成，同时满足目标SLO。
图3 多路之间的时分复用。左边均分卡组，每个batch只含一路的任务；右边两路共享一张卡并跨路合批。Buffer为输出缓存。
虚拟rank的动态放置
将每条流在各个stage上的计算任务与运行状态封装为虚拟rank，再将虚拟rank映射到物理GPU。新流到达时，调度器根据各卡的剩余容量为其选择放置位置；只有当整条流的所有stage都能被容纳时才接纳，已经运行的流不迁移。这样既能保持已有服务的稳定性，也能均衡卡间负载并利用零散的空闲容量。
图4 新的一路D的虚拟rank映射到物理rank。每个虚拟rank占一个显存位置，同一block上的任务合批；竖虚线为输出延迟，灰色为正在服务的其他路。
通过在ACWM与WAM常用的五个backbone上评估PhysisServe：Wan2.1 1.3B、Wan2.2 TI2V 5B、Wan2.1 14B、LTX-2.5 22B与MiniMax H3 33B，权重均未经剪枝、压缩或量化。每个stage独占一张卡时，33B的MiniMax H3单路极限输出延迟实测为4.1毫秒。即每秒输出约245个chunk，用作ACWM约合每秒1000帧，用作WAM最高可达3900Hz。
图5 五个模型在不同GPU数量下的单路输出延迟；每个stage独占一张GPU时，延迟收敛到1.9–7.6毫秒。
让智能跟上物理世界的节拍
世界模型越大，对物理世界的理解与预测有望越准确；但物理世界对实时性的要求很高，模型的输出频率一旦跟不上环境变化，再准确的预测也会失去价值。对于基于自回归去噪的世界模型来说，模型规模与输出频率长期难以兼得。这一矛盾的重要原因在于，现有推理方案的流水线切分粒度过粗，限制了其并行度，进而制约了输出频率，使得世界模型的实时性难以随算力增加而持续提升，成为世界模型落地真实场景的主要瓶颈。
PhysisServe通过stage-wise流水线提升单路输出频率，通过时分复用提高单路算力利用率，再以虚拟rank和联合调度支撑多路共享，为模型规模与服务能力的共同扩展提供了新的系统路径。
让参数量足够大的模型智能跟上物理世界的节拍，PhysisServe朝这一目标迈出了探索性的一步。
获取完整技术报告与参考文献：
https://physis-ai.com/blog/physisserve/index.html
