最早做文生視頻的人，開(kāi)始構(gòu)建世界

出品｜虎嗅科技組

作者｜陳伊凡

編輯｜苗正卿

頭圖｜AI生成

“AI原生100”是虎嗅科技組推出針對(duì)AI原生創(chuàng)新欄目，這是本系列的第「54」篇文章。

“創(chuàng)業(yè)只能掙到自己認(rèn)知范圍內(nèi)的錢(qián)，認(rèn)知范圍外是一個(gè)巨大的陷阱，把我們這幫青蛙陷在井里。”

梅濤用這句話(huà)來(lái)描述創(chuàng)業(yè)公司面臨的挑戰(zhàn)和作為視頻模型生成公司智象未來(lái)創(chuàng)始人兼CEO的焦慮，不是技術(shù)不夠強(qiáng)，也不是錢(qián)不夠多，是認(rèn)知邊界。如何跳出這口井？梅濤的辦法是：自身迭代、團(tuán)隊(duì)的碰撞，朋友圈的刺激。

近日，全球知名獨(dú)立第三方AI模型評(píng)測(cè)平臺(tái)Artificial Analysis的文生圖榜單（Text to Image Leaderboard）更新，HiDream-O1-Image 開(kāi)源版本躋身文生圖（Text to Image）模型榜單前列，并位列開(kāi)源模型第一。Artificial Analysis是目前全球公認(rèn)最具權(quán)威性和參考價(jià)值的獨(dú)立 AI 基準(zhǔn)測(cè)評(píng)機(jī)構(gòu)之一，在業(yè)界常被譽(yù)為“AI 領(lǐng)域的 Gartner”。

Artificial Analysis的文生圖榜單

走進(jìn)智象未來(lái)合肥的辦公室，首先映入眼簾的是一面員工照片墻。所有頭像，都是AIGC生成的動(dòng)漫風(fēng)格。這家公司的核心業(yè)務(wù)是圖像和視頻生成——AI時(shí)代的自己，是他們?cè)谥窍笪磥?lái)的第一課。

智象未來(lái)合肥辦公室門(mén)口的照片墻 圖片由智象未來(lái)提供

梅濤的會(huì)客廳，滿(mǎn)墻合影。這是梅濤的朋友圈，也是全球人工智能行業(yè)的半壁江山。隨便指向哪一張，梅濤都能說(shuō)出來(lái)龍去脈——哪年在哪里，當(dāng)時(shí)聊了什么，那個(gè)人后來(lái)去了哪里。微軟的同事，京東的伙伴，投資人，行業(yè)里來(lái)來(lái)往往的導(dǎo)師、朋友和合作伙伴……照片背后的故事，他細(xì)數(shù)家珍。

梅濤在世界人工智能大會(huì)上發(fā)言 圖片由智象未來(lái)提供

智象未來(lái)成立四年，從圖像、視頻生成到原生全模態(tài)世界模型，從工具到co-creator，從DIT架構(gòu)迭代到UiT架構(gòu)，每一次轉(zhuǎn)向都是對(duì)原有認(rèn)知的突破。（虎嗅注：以 Sora 為代表的 DiT架構(gòu)，它將圖像或視頻拆解為大量細(xì)小單元，并統(tǒng)一推演它們之間的關(guān)系，因此能夠生成細(xì)節(jié)豐富、視覺(jué)沖擊力強(qiáng)的結(jié)果。UiT思路則是將文本 Token、視覺(jué)信息和控制條件納入同一個(gè)模型空間，由統(tǒng)一 Transformer 直接完成對(duì)齊、理解與生成。簡(jiǎn)言之，UiT能讓理解與生成更統(tǒng)一。）

智象未來(lái)這次的就是用UiT架構(gòu)，將8B參數(shù)的模型打出了超出56B模型的效果。

對(duì)于普通用戶(hù)來(lái)說(shuō)，直接感受到的結(jié)果就是：模型更能理解用戶(hù)想要什么，生成效果更穩(wěn)定，復(fù)雜修改也更容易一次完成。

我們聊天的時(shí)點(diǎn)，恰逢視頻生成模型賽道加速升溫的時(shí)間節(jié)點(diǎn)和拐點(diǎn)。年初，Seedance2.0把AI視頻生成從“能用”推向“可控且可規(guī)模化”。近日，快手計(jì)劃分拆旗下視頻生成大模型業(yè)務(wù)可靈 AI，并以約 200 億美元估值尋求融資。商業(yè)化、資本化與模型能力同步提速，意味著視頻生成正成為生成式 AI 的核心戰(zhàn)場(chǎng)。

與此同時(shí)，初創(chuàng)公司也出現(xiàn)了分化，除了智象未來(lái)，還有愛(ài)詩(shī)科技、生數(shù)科技這樣的頭部公司，資本和用戶(hù)都在涌入，格局也在固化。

在這場(chǎng)競(jìng)爭(zhēng)中，智象未來(lái)不是融資最多的，也不是體量最大的。東方富海合伙人王兵選擇智象未來(lái)，看中的是這家公司強(qiáng)大且穩(wěn)定的底層技術(shù)班底。梅濤本身，就是視頻生成的開(kāi)創(chuàng)者，2017年，梅濤是全球第一篇文生視頻論文的作者。智象未來(lái)這么多年，該論文的核心研究者都沒(méi)有離職，極其穩(wěn)定?！白罱K能融到持續(xù)多資金的公司，一定是人才密度最高的公司，這是所有行業(yè)通律?！蓖醣f(shuō)。

與此同時(shí)，另一個(gè)重要的賽道正在向視頻模型公司打開(kāi)——具身智能世界模型，新的錢(qián)也開(kāi)始涌入。Yann LeCun的AMI Labs在2026年3月完成10.3億美金種子輪,估值35億美元；李飛飛的World Labs在2026年2月完成了10億美元融資，估值飆升至50億美元。2026年年初至今，已經(jīng)有超過(guò)13億美元流向世界模型賽道。

當(dāng)越來(lái)越多公司開(kāi)始說(shuō)世界模型時(shí)，我問(wèn)梅濤，智象未來(lái)提出這個(gè)概念，是為了講故事嗎？梅濤說(shuō)不是，早在 2022 年，他已經(jīng)帶著團(tuán)隊(duì)在京東亞洲一號(hào)物流倉(cāng)里研究如何讓機(jī)器人如何穩(wěn)態(tài)運(yùn)營(yíng)識(shí)別海量的包裹分揀，創(chuàng)業(yè)之初也在具身智能和視覺(jué)生成兩個(gè)方向之間深度思考過(guò)，最終選擇了視覺(jué)生成賽道，而2024年，智象未來(lái)內(nèi)部已經(jīng)在討論世界模型，“做視頻生成模型的這波人，是最有可能把世界模型做成。”

智象未來(lái)CTO姚霆說(shuō)，智象的核心邏輯是做視覺(jué)創(chuàng)作，核心是解決創(chuàng)作本身的問(wèn)題。這也是智象決定開(kāi)展不同業(yè)務(wù)的底層邏輯。不管是面向影視、營(yíng)銷(xiāo)行業(yè)做創(chuàng)作，還是給機(jī)器人做相關(guān)內(nèi)容創(chuàng)作，都屬于創(chuàng)作。在服務(wù)不同行業(yè)的過(guò)程中，會(huì)沉淀對(duì)應(yīng)的行業(yè)know-how，將其轉(zhuǎn)化為相關(guān)功能，未來(lái)隨著智能體發(fā)展，還可以沉淀為具備行業(yè)屬性的skill。

虎嗅交流了智象未來(lái)的創(chuàng)始人兼CEO梅濤、CTO姚霆、東方富海合伙人王兵以及諾亦騰創(chuàng)始人戴若犁，試圖還原在新技術(shù)浪潮到來(lái)之時(shí)，一家以創(chuàng)作為主線的初創(chuàng)公司如何建構(gòu)新的世界。

世界模型：視覺(jué)生成模型公司的新故事和底牌

在一場(chǎng)智象未來(lái)的內(nèi)部討論會(huì)上，梅濤他們?cè)诎装迳嫌貌煌伾墓P寫(xiě)了團(tuán)隊(duì)對(duì)于世界模型的理解，其中特別用紅色的筆寫(xiě)下“mold the world”——建模這個(gè)世界的同時(shí)，構(gòu)建世界。

在梅濤的思考中，世界模型需要三個(gè)要素：第一，能夠?qū)W會(huì)各種模態(tài)的表達(dá)，能夠?qū)φ麄€(gè)世界進(jìn)行建模；第二，能夠結(jié)合物理規(guī)律和因果關(guān)系進(jìn)行推理，“Reason the world”；第三，能夠把物理世界按照想象重建出來(lái)，也就是“mold the world”。

如今，對(duì)于世界模型的定義有三類(lèi)，第一類(lèi)路線是以李飛飛的World Labs為代表，核心理念是指一種空間智能，他們認(rèn)為世界模型應(yīng)該構(gòu)建一個(gè)持久的、三維的、可交互的實(shí)體空間；第二類(lèi)路線是Yann LeCun為代表，認(rèn)為世界模型是智能體內(nèi)部的一個(gè)模塊，用于在抽象層面預(yù)測(cè)后果；第三類(lèi)路線就是以DeepMind為代表的"視頻即世界"，將視頻生成作為世界模型的表現(xiàn)形式。

在王兵看來(lái)，到 2026 年行業(yè)對(duì)世界模型的理解逐步形成共識(shí)：無(wú)論是做 VLA 還是世界模型，核心都是底層基模能力。世界模型本質(zhì)上要訓(xùn)練出一個(gè)能夠理解并預(yù)測(cè)物理世界的大模型，不具備大模型訓(xùn)練能力的公司，很難真正做好這件事。擁有視頻模型訓(xùn)練能力的公司，已經(jīng)具備世界模型訓(xùn)練基礎(chǔ)。從文藝創(chuàng)作類(lèi)視頻模型拓展具身智能相關(guān)的世界模型，本質(zhì)上是把訓(xùn)練數(shù)據(jù)換成符合物理規(guī)律、面向具體場(chǎng)景的具身數(shù)據(jù)，訓(xùn)練方法和工程能力是一脈相承的。真正的關(guān)鍵，是場(chǎng)景數(shù)據(jù)的選擇、規(guī)模和標(biāo)注質(zhì)量。

也因此，具身智能成了智象未來(lái)進(jìn)入世界模型的切口。

作為機(jī)器人數(shù)據(jù)公司諾亦騰的創(chuàng)始人，戴若犁思考世界模型相關(guān)的合作和布局已經(jīng)半年多。他很清楚，諾亦騰內(nèi)部雖然有擅長(zhǎng)世界模型訓(xùn)練等團(tuán)隊(duì)，但訓(xùn)練多模態(tài)基礎(chǔ)模型耗時(shí)至少兩個(gè)月到三個(gè)月，成本千萬(wàn)級(jí)，重復(fù)研發(fā)屬于資源浪費(fèi)，因此和視頻模型公司合作，是效率更高的做法。戴若犁說(shuō)，視頻生成模型和具身智能的核心能力是同一個(gè)，那就是預(yù)測(cè)。

戴若犁舉個(gè)了例子， 假設(shè)你要訓(xùn)練一個(gè)機(jī)器人抓取桌上的杯子。傳統(tǒng)的做法是，給機(jī)器人大量的抓取數(shù)據(jù)讓它學(xué)會(huì)"看到杯子——伸手——抓住"這個(gè)動(dòng)作序列。但這種方法的問(wèn)題是，如果杯子的形狀、位置、材質(zhì)發(fā)生變化,機(jī)器人就不知道怎么辦了。

但如果用視頻生成模型的思路，機(jī)器人會(huì)先預(yù)測(cè)：如果這樣伸手,杯子會(huì)怎么動(dòng)?如果我用這個(gè)力度抓,杯子會(huì)不會(huì)碎?它會(huì)在腦子里模擬一遍整個(gè)過(guò)程,然后選擇最優(yōu)的行動(dòng)方案。這種能力,就是視頻生成的世界模型帶來(lái)的。

諾亦騰的需求很清晰：把動(dòng)捕數(shù)據(jù)里的視覺(jué)缺陷修掉。操作者戴著動(dòng)捕手套，手套遮住了手部，給后續(xù)訓(xùn)練留下一個(gè)視覺(jué)盲點(diǎn)；測(cè)試場(chǎng)景太單一，缺乏多樣性。

戴若犁考察了國(guó)內(nèi)合適的合作方，最終敲定和智象未來(lái)的合作，除了發(fā)現(xiàn)智象未來(lái)也有向具身智能布局的規(guī)劃，“手快”也是這場(chǎng)合作達(dá)成的關(guān)鍵原因。提出需求之后，智象未來(lái)就開(kāi)展 POC 驗(yàn)證，很快得到積極結(jié)論。

智象未來(lái)CTO姚霆負(fù)責(zé)了這場(chǎng)合作，他說(shuō)之所以“手快”，其實(shí)是兩個(gè)原因，一是模型能力已經(jīng)到了成熟階段，接到數(shù)據(jù)后很快完成生成，初始精度就達(dá)標(biāo)。二是智象之前做過(guò)大量視覺(jué)理解任務(wù)，這類(lèi)數(shù)據(jù)生產(chǎn)工作流要生成能力和理解類(lèi)算法同時(shí)到位。

這個(gè)合作在2025年初開(kāi)始落地。智象未來(lái)用諾亦騰提供的動(dòng)作捕捉數(shù)據(jù),訓(xùn)練了一個(gè)具身智能的原型模型。這個(gè)模型能夠完成抓取、放置、推動(dòng)、旋轉(zhuǎn)等基礎(chǔ)動(dòng)作,并且在執(zhí)行任務(wù)時(shí),會(huì)自動(dòng)考慮物理約束。更重要的是,這個(gè)模型的泛化能力很強(qiáng)。用杯子訓(xùn)練的模型,能夠直接遷移到抓取其他物體上。這種泛化能力，正是世界模型的核心價(jià)值。

做視頻領(lǐng)域的Anthropic

智象未來(lái)想成為一家什么樣的公司？梅濤的類(lèi)比是視頻領(lǐng)域的Anthropic。這個(gè)類(lèi)比的標(biāo)準(zhǔn)是基于ToB的企業(yè)服務(wù)，這也是智象未來(lái)的商業(yè)模式。這家后起于OpenAI的公司，突破了1.2萬(wàn)億的估值。

梅濤把大模型賽道分為三層。第一層是大型互聯(lián)網(wǎng)公司,有流量入口、C端用戶(hù),像Google、字節(jié)。第二層是做基礎(chǔ)模型的公司，例如OpenAI的Sora。第三層是做各種agent和垂類(lèi)應(yīng)用的公司,像Cursor這樣的。

智象未來(lái)的定位在第二層和第三層之間——既做模型又做應(yīng)用,模型和應(yīng)用雙輪驅(qū)動(dòng)。但梅濤很清楚,他們的模型一定不是要做非常通用的模型跟大廠競(jìng)爭(zhēng),而是基于自己的場(chǎng)景來(lái)優(yōu)化，做有特色的模型。

“大模型的能力有點(diǎn)像海平面，一直在往上漲，很多公司就被淹沒(méi)了?！?/p>

梅濤用這個(gè)比喻來(lái)描述AI行業(yè)的變化，那么沒(méi)被淹沒(méi)的是什么？要么是足夠高的山，要么是隨水而漲的船。智象未來(lái)的定位是兩者都做：圖片和視頻模型是一座高山峰，三個(gè)場(chǎng)景的Agent 是三艘船：一個(gè)是跨境電商的短視頻營(yíng)銷(xiāo)，另一個(gè)是影視制作，還有一個(gè)面向?qū)I(yè)級(jí)C端用戶(hù)的場(chǎng)景，社媒內(nèi)容創(chuàng)作。三種場(chǎng)景，ToB是核心。

“在AI的商業(yè)模式里，最長(zhǎng)久、最健康的應(yīng)該一定是企業(yè)服務(wù)?！泵窛f(shuō)，原因很簡(jiǎn)單：企業(yè)客戶(hù)的復(fù)購(gòu)率極高，隨著產(chǎn)品深度的增加，客單價(jià)可以不斷提升，其商業(yè)天花板遠(yuǎn)超C端。

至于C端，純工具性的C端產(chǎn)品，用戶(hù)新鮮感一過(guò)，留存率極低，且Token消耗巨大，價(jià)格昂貴。如果無(wú)法讓C端用戶(hù)大量付費(fèi)，這種模式無(wú)法形成完整的商業(yè)閉環(huán)。

什么時(shí)候數(shù)據(jù)飛輪開(kāi)始轉(zhuǎn)起來(lái)？梅濤說(shuō)，第一個(gè)是跨境電商短視頻營(yíng)銷(xiāo)。智象未來(lái)有一個(gè) agent 專(zhuān)門(mén)分析電商平臺(tái)上的爆款視頻，把它拆解、重構(gòu)成想要的視頻生成模板，然后復(fù)刻這個(gè)模板提供給跨境電商平臺(tái)商家使用，每天更新。生成視頻之后，根據(jù)用戶(hù)的觀看量反饋去決定是復(fù)刻還是放棄。這個(gè)完整鏈路今天已經(jīng)跑起來(lái)——一天能支持商家產(chǎn)出做將近50條短視頻廣告。

智象未來(lái)生成的廣告圖 圖片由智象未來(lái)提供

第二個(gè)是專(zhuān)業(yè)級(jí)C 端的創(chuàng)作工具。在不同國(guó)家流行不同的模版——在巴西做球星相關(guān)短視頻，在印度做舞蹈動(dòng)作控制模板。如果不通過(guò)用戶(hù)反饋，根本不知道這個(gè)國(guó)家的喜好。現(xiàn)在智象未來(lái)面向?qū)I(yè)級(jí)C 端的APP 每個(gè)月有超過(guò)千萬(wàn)的新增下載量。

第二種模式叫做RaaS（Results as a Service，按結(jié)果付費(fèi)服務(wù)），則展現(xiàn)了AI顛覆傳統(tǒng)商業(yè)模式的巨大潛力。梅濤說(shuō)，所謂RaaS，就是他們?cè)诮o客戶(hù)提供AI生成服務(wù)的同時(shí)，直接為客戶(hù)的商業(yè)結(jié)果負(fù)責(zé)，客戶(hù)愿意按最終的轉(zhuǎn)化結(jié)果來(lái)付費(fèi)、甚至是返傭。

這件事聽(tīng)起來(lái)簡(jiǎn)單，但智象未來(lái)跑了有一年半的時(shí)間?！爸钡?024年的七八月份，我們才真正感覺(jué)自己活下來(lái)。”梅濤回憶，在最初的一年多里，公司內(nèi)部也在搖擺，最初他們?cè)噲D將AI能力打包成標(biāo)準(zhǔn)的SaaS軟件賣(mài)給企業(yè)客戶(hù)，但很快發(fā)現(xiàn)，當(dāng)時(shí)的視頻生成工具使用門(mén)檻依然很高，不同悟性的使用者，用同樣的軟件生成出來(lái)的效果天差地別，“既然效果無(wú)法標(biāo)準(zhǔn)化，你就很難給這個(gè)軟件制定一個(gè)公允的價(jià)格，客戶(hù)也不愿意買(mǎi)單?！?/p>

轉(zhuǎn)折點(diǎn)在2024年夏天悄然降臨。借著Sora發(fā)布后的市場(chǎng)東風(fēng)，他們?cè)诋?dāng)年5月底推出了一款類(lèi)似架構(gòu)的商業(yè)化產(chǎn)品。這款產(chǎn)品上線當(dāng)月便斬獲了兩三百萬(wàn)的月活躍用戶(hù)。如今，其付費(fèi)用戶(hù)的留存率已穩(wěn)定在50%以上。

2025年年底，隨著應(yīng)用的爆發(fā)，多模態(tài)的token消耗量極大，加之Seedance的發(fā)布，視頻模型領(lǐng)域迎來(lái)了類(lèi)似GPT3.5的智能涌現(xiàn)時(shí)刻，梅濤發(fā)現(xiàn)公司的估值也出現(xiàn)了明顯的增長(zhǎng)。

進(jìn)入智能體的世界

智象未來(lái)的Agent戰(zhàn)略，本質(zhì)上是在為兩個(gè)世界搭建橋梁：一個(gè)是人類(lèi)創(chuàng)作者的世界，一個(gè)是智能體的世界。在人類(lèi)創(chuàng)作者的世界里，Agent是co-creator，是幫助人類(lèi)更好地表達(dá)創(chuàng)意的伙伴；在智能體的世界里，Agent是能力提供者，是讓機(jī)器人理解和生成視覺(jué)內(nèi)容的基礎(chǔ)設(shè)施。

作為智象未來(lái)的CTO，姚霆最近思考最多的事情就是智能體，如何通過(guò)智能體放大智象未來(lái)的能力？如何為智能體設(shè)計(jì)交互？

2026年初，OpenClaw出現(xiàn)，這個(gè)被稱(chēng)為"龍蝦"的智能體，定義了一個(gè)新概念——co-worker（共同工作伙伴）。 “但我們要在此基礎(chǔ)上升級(jí)成co-creator（共同創(chuàng)作者）?！币f(shuō)。

姚霆對(duì)Agent的理解，來(lái)自一個(gè)更底層的架構(gòu)思考。他用一個(gè)公式描述了未來(lái)智能化應(yīng)用的范式，未來(lái)所有的智能化APP等于Harness（在AI 智能體的世界里，它就是那個(gè)讓智能體既能夠發(fā)揮能力，又不會(huì)失控的"安全腳手架"）乘以一些skills，底層就是OS。

比如在影視創(chuàng)作場(chǎng)景中，一個(gè)“分鏡生成”的skill，不僅要能根據(jù)劇本生成畫(huà)面，還要理解鏡頭語(yǔ)言、敘事節(jié)奏、情緒表達(dá)，甚至要知道不同類(lèi)型的作品（短劇、廣告、紀(jì)錄片）對(duì)分鏡的要求有什么差異。這種深度的行業(yè)理解，不是調(diào)用幾個(gè)API就能實(shí)現(xiàn)的。

這也是為什么智象未來(lái)要自己承接影視作品、自己做短劇、自己服務(wù)營(yíng)銷(xiāo)客戶(hù)，是為了在真實(shí)場(chǎng)景中沉淀出不可復(fù)制的能力。姚霆說(shuō)，未來(lái)的skill會(huì)像互聯(lián)網(wǎng)時(shí)代的網(wǎng)頁(yè)一樣多，會(huì)有大量的工作需要做——評(píng)估、篩選、推薦、組合。姚霆把這些能力分成四層。

第一層是基礎(chǔ)模型能力，以API的形式提供給開(kāi)發(fā)者，這是智象未來(lái)的底座，也是和大廠競(jìng)爭(zhēng)的基礎(chǔ)。但這一層的競(jìng)爭(zhēng)會(huì)越來(lái)越激烈，價(jià)格會(huì)越來(lái)越低，利潤(rùn)會(huì)越來(lái)越薄。

第二層是標(biāo)準(zhǔn)化的skill，比如"文生視頻"、"圖生視頻"、"視頻延長(zhǎng)"，這些是通用的功能模塊，可以被集成到各種應(yīng)用中。這一層的價(jià)值在于穩(wěn)定性和易用性，但差異化空間有限。

第三層是行業(yè)定制的skill，比如"短劇分鏡生成"、"產(chǎn)品廣告視頻制作"、"紀(jì)錄片素材生成"。

第四層是完整的工作流，比如"從劇本到成片的短劇生產(chǎn)線"、"從產(chǎn)品圖到投放視頻的營(yíng)銷(xiāo)自動(dòng)化"，這些工作流串聯(lián)了多個(gè)skill，形成了端到端的解決方案。這些skill深度融合了行業(yè)know-how，是智象未來(lái)真正的護(hù)城河。

“我們和大廠做通用基礎(chǔ)設(shè)施的路線形成明顯的差異化競(jìng)爭(zhēng)優(yōu)勢(shì)。”姚霆說(shuō)，這個(gè)差異化，就體現(xiàn)在第三層和第四層——那些深度綁定行業(yè)、不可輕易復(fù)制的高價(jià)值能力。

另一個(gè)讓姚霆更關(guān)注的事情就是交互，這能夠決定產(chǎn)品是否能夠吸引足夠多的用戶(hù)。"是用命令行、圖形界面，還是聊天加畫(huà)布的形式，甚至是多模態(tài)的聯(lián)動(dòng)交互。"姚霆說(shuō)，只要在交互這一個(gè)點(diǎn)上實(shí)現(xiàn)突破，就能吸引很多用戶(hù)。

姚霆和梅濤對(duì)視頻模型領(lǐng)域的“Aha moment”有一個(gè)共同的判斷：用戶(hù)提供一個(gè)劇本，系統(tǒng)就能直接生成符合需求的長(zhǎng)視頻故事。至于現(xiàn)在，這個(gè)“Aha moment”還沒(méi)有到。

以下為虎嗅整理的部分訪談?wù)?/strong>

虎嗅：你們做跨境營(yíng)銷(xiāo)、影視、具身智能……一直在做加法，有沒(méi)有做過(guò)減法？

梅濤：也做了減法。我們一開(kāi)始想做游戲，后來(lái)發(fā)現(xiàn)游戲這個(gè)生意比較難做。大游戲公司想自己建體系；小游戲公司成本要求嚴(yán)格，而且很難把數(shù)據(jù)放到體外，只能私有化部署，很難規(guī)?；?，所以果斷放一放。

還有一個(gè)慘痛的經(jīng)驗(yàn)教訓(xùn)——我們做了線下打印店的素材管理，后來(lái)發(fā)現(xiàn)打印店本身就是夕陽(yáng)產(chǎn)業(yè)，這些人自己也不確定將來(lái)是否還會(huì)在這個(gè)行業(yè)做下去，學(xué)習(xí)速度也慢。所以我們確實(shí)踩了一些坑。

經(jīng)過(guò)第四年的探索，基本形成了可以規(guī)?；娜齻€(gè) ToB 模式：第一是線上線下商業(yè)體的短視頻營(yíng)銷(xiāo)和服務(wù)，軟硬件一體；第二是短劇多人協(xié)作平臺(tái)；第三是給全球用戶(hù)做的媒體創(chuàng)作工具和平臺(tái)。在一段時(shí)間內(nèi)，我們會(huì)在這三個(gè)方向上不斷深耕。

虎嗅：現(xiàn)在視頻模型領(lǐng)域還是以Scaling Law為主，對(duì)于資源有限的創(chuàng)業(yè)公司，要怎么堆資源和大廠競(jìng)爭(zhēng)，是靠不斷融資嗎？

姚霆：融資肯定是需要的，但創(chuàng)業(yè)公司的融資體量和大廠相比依然有很大差距，要和大廠競(jìng)爭(zhēng)主要要做好三點(diǎn)：第一是認(rèn)知要快，對(duì)模型架構(gòu)、下一代模型的技術(shù)走向和選型判斷要精準(zhǔn)，認(rèn)知比大廠超前半個(gè)身位甚至3個(gè)月就有很大機(jī)會(huì)；第二是落地速度快，確定方向后能快速迭代出模型，同步推進(jìn)產(chǎn)品化和商業(yè)化，形成產(chǎn)品或者用戶(hù)壁壘；第三是組織架構(gòu)調(diào)整快，創(chuàng)業(yè)公司相比大廠的優(yōu)勢(shì)就是靈活性高，組織架構(gòu)扁平、轉(zhuǎn)身快才能應(yīng)對(duì)各類(lèi)產(chǎn)品變化，發(fā)揮自身優(yōu)勢(shì)。

虎嗅：如果有一天智象失敗了，你覺(jué)得可能是什么原因？

梅濤：可能是認(rèn)知停止迭代了。當(dāng)然這件事我覺(jué)得也不太可能發(fā)生，因?yàn)槊刻於荚诖罅拷佑|新的東西。

虎嗅：怎么定義“認(rèn)知”？

梅濤：認(rèn)知包括對(duì)技術(shù)的認(rèn)知、對(duì)商業(yè)化的認(rèn)知、對(duì)競(jìng)爭(zhēng)態(tài)勢(shì)的認(rèn)知，這包含了各個(gè)方面。今天的創(chuàng)業(yè)對(duì)創(chuàng)始人要求很高，你要懂技術(shù)，有技術(shù)路線的判斷力和前瞻性，還要有商業(yè)化的認(rèn)知、團(tuán)隊(duì)健康度的認(rèn)知、資本化的認(rèn)知，基本上要求你是一個(gè)六邊形的戰(zhàn)士，不能有短板。

虎嗅：那你現(xiàn)在每天最焦慮的是什么？是融錢(qián)的問(wèn)題嗎？

梅濤：不是錢(qián)的問(wèn)題，也不是人的問(wèn)題，而是認(rèn)知的問(wèn)題。我最擔(dān)心的一點(diǎn)，是我自己的認(rèn)知迭代不夠快，趕不上行業(yè)的迭代速度；以及團(tuán)隊(duì)核心的那些人，認(rèn)知迭代不夠快，甚至不如我快——那就有問(wèn)題了。創(chuàng)業(yè)，你只能掙到自己認(rèn)知范圍之內(nèi)的錢(qián)，認(rèn)知范圍之外是一個(gè)巨大的陷阱，把我們這幫青蛙陷在井里。我希望大家在認(rèn)知層面上一定要卷起來(lái)。

虎嗅：在過(guò)去這幾年里，你自己認(rèn)知最大的一次迭代是什么？或者直接推翻過(guò)去的認(rèn)知。

梅濤：我覺(jué)得我每天都在迭代。Sora這件事對(duì)我在技術(shù)認(rèn)知上是一次反省。很簡(jiǎn)單，如果相信某一條技術(shù)路線，就應(yīng)該堅(jiān)持，而不是東試西試。我當(dāng)時(shí)其實(shí)覺(jué)得 DiT 這個(gè)方向很好，但沒(méi)有下定決心，因?yàn)閯?chuàng)業(yè)資金和資源有限，沒(méi)法多條線試錯(cuò)。Sora 出來(lái)后，我們就堅(jiān)定走 DiT 的路線。

虎嗅：但你們不是又轉(zhuǎn)向新的UiT架構(gòu)嗎？

梅濤：因?yàn)槿绻馄磾?shù)據(jù)、光拼算力，這不是創(chuàng)業(yè)公司該干的事，要想用更少的成本、更高效的框架達(dá)到下一個(gè)階段的效果，創(chuàng)業(yè)公司就必須從架構(gòu)層面重新思考。

這也是我們開(kāi)始做 UiT 的原因。UiT 不是簡(jiǎn)單換一套模型，而是希望從底層把文本、圖像和控制條件統(tǒng)一到同一個(gè)模型空間里，讓模型更早、更直接地完成理解、對(duì)齊和生成。我們認(rèn)為，這種原生統(tǒng)一的架構(gòu)，才是圖像生成繼續(xù)走向視頻生成、乃至世界模型的重要基礎(chǔ)。

虎嗅：那你對(duì)于公司未來(lái)的發(fā)展最擔(dān)心什么？

梅濤：我最擔(dān)心的地方就是：第一，我的方向不對(duì)，沒(méi)有前瞻性；第二，我的認(rèn)知成為公司天花板。我有時(shí)候會(huì)擔(dān)心船員發(fā)現(xiàn)方向不對(duì)但不告訴我。我希望每個(gè)人都有自己認(rèn)知迭代的角度，哪怕跟我不一樣也要告訴我，讓我有更多觸角去感知方向是否正確。

虎嗅：現(xiàn)在AI領(lǐng)域人才薪酬很高，你們擔(dān)心團(tuán)隊(duì)核心成員被“挖角”流失的問(wèn)題嗎？

姚霆：多少會(huì)有壓力，我和團(tuán)隊(duì)也說(shuō)過(guò)，大家聚在一起做這件事不是為了錢(qián)，如果只看薪資大家都應(yīng)該去大廠。我們的團(tuán)隊(duì)成員尤其是模型團(tuán)隊(duì)的人，對(duì)模型研發(fā)都很癡迷，大家的共識(shí)是想在這個(gè)領(lǐng)域做出能被記住的成果，比如以后墓志銘能留下自己參與研發(fā)的知名模型的名字。

虎嗅：你自己希望以后世界以什么記住你？

姚霆：我肯定希望能留下因?yàn)槲叶嬖诘哪Ｐ偷拿?，比如后續(xù)我們推出的出色的、被行業(yè)廣泛認(rèn)可的模型，大家提到的時(shí)候知道是我參與做的，對(duì)我來(lái)說(shuō)就足夠了。

本文來(lái)自虎嗅，原文鏈接：https://www.huxiu.com/article/4858842.html?f=wyxwapp