尊龙中国官方网站 最早作念文生视频的东说念主，动手构建宇宙

出品｜虎嗅科技组

作家｜陈伊凡

裁剪｜苗正卿

头图｜AI 生成

" AI 原生 100 "是虎嗅科技组推出针对 AI 原生更正栏目，这是本系列的第「54」篇著述。

"创业只可挣到我方知道范围内的钱，知道范围外是一个宏大的罗网，把咱们这帮青蛙陷在井里。"

梅涛用这句话来神情创业公司靠近的挑战和动作视频模子生成公司智象改日创始东说念主兼 CEO 的心焦，不是本事不够强，也不是钱不够多，是知道规模。如何跳出这口井？梅涛的主义是：自身迭代、团队的碰撞，一又友圈的刺激。

近日，全球著名寥落第三方 AI 模子评测平台 Artificial Analysis 的文生图榜单（Text to Image Leaderboard）更新，HiDream-O1-Image 开源版块置身文生图（Text to Image）模子榜单前哨，并位列开源模子第一。Artificial Analysis 是咫尺全球公认最具巨擘性和参考价值的寥落 AI 基准测评机构之一，在业界常被誉为" AI 领域的 Gartner "。

Artificial Analysis 的文生图榜单

走进智象改日合肥的办公室，开首映入眼帘的是一面职工像片墙。悉数头像，都是 AIGC 生成的动漫作风。这家公司的中枢业务是图像和视频生成—— AI 时间的我方，是他们在智象改日的第一课。

智象改日合肥办公室门口的像片墙 图片由智象改日提供

梅涛的会客厅，满墙合影。这是梅涛的一又友圈，亦然全球东说念主工智能行业的半壁山河。敷衍指向哪一张，梅涛都能说出来因去果——哪年在那处，那时聊了什么，阿谁东说念主自后去了那处。微软的共事，京东的伙伴，投资东说念主，行业里南来北往的导师、一又友和合作伙伴……像片背后的故事，他细数家珍。

梅涛谢宇宙东说念主工智能大会上发言 图片由智象改日提供

智象改日确立四年，从图像、视频生成到原生全模态宇宙模子，从用具到 co-creator，从 DIT 架构迭代到 UiT 架构，每一次转向都是对原有知道的冲突。（虎嗅注：以 Sora 为代表的 DiT 架构，它将图像或视频拆解为大批微小单位，并融合推演它们之间的相干，因此大略生成细节丰富、视觉冲击力强的驱散。UiT 念念路则是将文本 Token、视觉信息和限度条目纳入统一个模子空间，由融合 Transformer 径直完成对都、理会与生成。简言之，UiT 能让理会与生成更融合。）

智象改日此次的等于用 UiT 架构，将 8B 参数的模子打出了超出 56B 模子的效果。

关于平素用户来说，径直感受到的驱散等于：模子更能理会用户想要什么，生见效果更踏实，复杂修改也更容易一次完成。

咱们聊天的时点，恰逢视频生成模子赛说念加快升温的时候节点和拐点。年头，Seedance2.0 把 AI 视频生成从"能用"推向"可控且可规模化"。近日，快手计议分拆旗下视频生成大模子业务可灵 AI，并以约 200 亿好意思元估值寻求融资。营业化、老本化与模子才气同步提速，意味着视频生成正成为生成式 AI 的中枢战场。

与此同期，初创公司也出现了分化，除了智象改日，还有爱诗科技、生数科技这样的头部公司，老本和用户都在涌入，样式也在固化。

在这场竞争中，智象改日不是融资最多的，也不是体量最大的。东方富海结伙东说念主王兵给与智象改日，看中的是这家公司苍劲且踏实的底层本事班底。梅涛自己，等于视频生成的创举者，2017 年，梅涛是全球第一篇文生视频论文的作家。智象改日这样多年，该论文的中枢研究者都莫得辞职，极其踏实。"最终能融到赓续多资金的公司，一定是东说念主才密度最高的公司，这是悉数行业通律。"王兵说。

与此同期，另一个垂危的赛说念正在向视频模子公司开放——具身智能宇宙模子，新的钱也动手涌入。Yann LeCun 的 AMI Labs 在 2026 年 3 月完成 10.3 亿好意思金种子轮 ， 估值 35 亿好意思元；李飞飞的 World Labs 在 2026 年 2 月完成了 10 亿好意思元融资，估值飙升至 50 亿好意思元。2026 年年头于今，如故有跨越 13 亿好意思元流向宇宙模子赛说念。

当越来越多公司动手说宇宙模子时，我问梅涛，智象改日建议这个倡导，是为了讲故事吗？梅涛说不是，早在 2022 年，他如故带着团队在京东亚洲一号物流仓里研究如何让机器东说念主如何稳态运营识别海量的包裹分拣，创业之初也在具身智能和视觉生成两个标的之间深度念念考过，最终给与了视觉生成赛说念，而 2024 年，智象改日里面如故在接洽宇宙模子，"作念视频生成模子的这波东说念主，是最有可能把宇宙模子作念成。"

智象改日 CTO 姚霆说，智象的中枢逻辑是作念视觉创作，中枢是贬责创作自己的问题。这亦然智象决定开展不同行务的底层逻辑。不管是面向影视、营销行业作念创作，如故给机器东说念主作念计议内容创作，都属于创作。在处事不同行业的经由中，会千里淀对应的行业 know-how，将其涟漪为计议功能，改日跟着智能体发展，还不错千里淀为具备行业属性的 skill。

虎嗅沟通了智象改日的创始东说念主兼 CEO 梅涛、CTO 姚霆、东方富海结伙东说念主王兵以及诺亦腾创始东说念主戴若犁，试图收复在新本事波澜到来之时，一家以创动作干线的初创公司如何建构新的宇宙。

宇宙模子：视觉生成模子公司的新故事和底牌

在一场智象改日的里面接洽会上，梅涛他们在白板上用不同热枕的笔写了团队关于宇宙模子的理会，其中特出用红色的笔写下" mold the world "——建模这个宇宙的同期，构建宇宙。

在梅涛的念念登第，宇宙模子需要三个成分：第一，大略学会各样模态的抒发，大略对通盘宇宙进行建模；第二，大略连系物理章程和因果相干进行推理，" Reason the world "；第三，大略把物理宇宙按照遐想重建出来，也等于" mold the world "。

如今，关于宇宙模子的界说有三类，第一类门道是以李飞飞的 World Labs 为代表，中枢思念是指一种空间智能，他们认为宇宙模子应该构建一个持久的、三维的、可交互的实体空间；第二类门道是 Yann LeCun 为代表，认为宇宙模子是智能体里面的一个模块，用于在轮廓层面展望后果；第三类门道等于以 DeepMind 为代表的 " 视频即宇宙 "，将视频生成动作宇宙模子的深刻时事。

在王兵看来，到 2026 年行业对宇宙模子的理会冷静造成共鸣：不管是作念 VLA 如故宇宙模子，中枢都是底层基模才气。宇宙模子骨子上要老师出一个大略理会并展望物理宇宙的大模子，不具备大模子老师才气的公司，很难真确作念好这件事。领有视频模子老师才气的公司，如故具备宇宙模子老师基础。从文艺创作类视频模子拓展具身智能计议的宇宙模子，骨子上是把老师数据换成相宜物理章程、面向具体场景的具身数据，老师模范和工程才气是全始全终的。真确的关节，是场景数据的给与、规模和标注质料。

也因此，具身智能成了智象改日干与宇宙模子的切口。

动作机器东说念主数据公司诺亦腾的创始东说念主，皇冠app(中国)官网入口戴若犁念念考宇宙模子计议的合作和布局如故半年多。他很明晰，诺亦腾里面诚然有擅长宇宙模子老师等团队，但老师多模态基础模子耗时至少两个月到三个月，成本千万级，重迭研发属于资源浪费，因此和视频模子公司合作，是遵守更高的作念法。戴若犁说，视频生成模子和具身智能的中枢才气是统一个，那等于展望。

戴若犁举个了例子， 假定你要老师一个机器东说念控制取桌上的杯子。传统的作念法是，给机器东说念主大批的持取数据让它学会 " 看到杯子——伸手——收拢 " 这个动作序列。但这种模范的问题是，淌若杯子的时事、位置、材质发生变化 ， 机器东说念主就不知说念若何办了。

但淌若用视频生成模子的念念路，机器东说念主会先展望：淌若这样伸手 ， 杯子会若何动 ? 淌若我用这个力度持 ， 杯子会不会碎 ? 它会在脑子里模拟一遍通盘经由 ， 然后给与最优的活动决策。这种才气 ， 等于视频生成的宇宙模子带来的。

诺亦腾的需求很清亮：把动捕数据里的视觉弱势修掉。操作家戴着动捕手套，手套遮住了手部，给后续老师留住一个视觉盲点；测试场景太单一，枯竭各样性。

戴若犁老师了国内合适的合作方，最终敲定和智象改日的合作，除了发现智象改日也有向具身智能布局的谋划，"手快"亦然这情景作达成的关节原因。建议需求之后，智象改日就开展 POC 考证，很快获取积极论断。

智象改日 CTO 姚霆确认了这情景作，他说之是以"手快"，其实是两个原因，一是模子才气如故到了纯属阶段，接到数据后很快完成生成，驱动精度就达标。二是智象之前作念过大批视觉理受命务，这类数据出产责任流要生成才气和理会类算法同期到位。

这个合作在 2025 年头动手落地。智象改日用诺亦腾提供的动作捕捉数据 ， 老师了一个具身智能的原型模子。这个模子大略完成持取、扬弃、推动、旋转等基础动作 ， 何况在实行任务时 ， 会自动研究物理敛迹。更垂危的是 ， 这个模子的泛化才气很强。用杯子老师的模子 ， 大略径直搬动到持取其他物体上。这种泛化才气，恰是宇宙模子的中枢价值。

作念视频领域的 Anthropic

智象改日想成为一家什么样的公司？梅涛的类比是视频领域的 Anthropic。这个类比的圭臬是基于 ToB 的企业处事，这亦然智象改日的营业阵势。这家后起于 OpenAI 的公司，冲突了 1.2 万亿的估值。

梅涛把大模子赛说念分为三层。第一层是大型互联网公司 ， 有流量进口、C 端用户 ， 像 Google、字节。第二层是作念基础模子的公司，举例 OpenAI 的 Sora。第三层是作念各样 agent 和垂类行使的公司 ， 像 Cursor 这样的。

智象改日的定位在第二层和第三层之间——既作念模子又作念行使 ， 模子和行使双轮驱动。但梅涛很明晰 ， 他们的模子一定不是要作念相称通用的模子跟大厂竞争 ， 而是基于我方的场景来优化，作念有性情的模子。

"大模子的才气有点像海平面，一直在往高潮，好多公司就被消失了。"

梅涛用这个比方来神情 AI 行业的变化，那么没被消失的是什么？要么是饱和高的山，要么是随水而涨的船。智象改日的定位是两者都作念：图片和视频模子是一座峻岭峰，三个场景的 Agent 是三艘船：一个是跨境电商的短视频营销，另一个是影视制作，还有一个面向专科级 C 端用户的场景，社媒内容创作。三种场景，ToB 是中枢。

"在 AI 的营业阵势里，最耐久、最健康的应该一定是企业处事。"梅涛说，原因很陋劣：企业客户的复购率极高，跟着居品深度的增多，客单价不错束缚擢升，其营业天花板远超 C 端。

至于 C 端，纯用具性的 C 端居品，尊龙凯时中国官网入口用户极新感一过，留存率极低，且 Token 浪费宏大，价钱腾贵。淌若无法让 C 端用户大批付费，这种阵势无法造成完竣的营业闭环。

什么时候数据飞轮动手转起来？梅涛说，第一个是跨境电商短视频营销。智象改日有一个 agent 专诚分析电商平台上的爆款视频，把它拆解、重组成想要的视频生成模板，然后复刻这个模板提供给跨境电商平台商家使用，每天更新。生成视频之后，凭据用户的不雅看量响应去决定是复刻如故毁灭。这个完竣链路今天如故跑起来——一天能相沿商家产出作念快要 50 条短视频告白。

智象改日生成的告白图 图片由智象改日提供

第二个是专科级 C 端的创作用具。在不同国度流行不同的模版——在巴西作念球星计议短视频，在印度作念跳摆动作限度模板。淌若欠亨过用户响应，根底不知说念这个国度的喜好。咫尺智象改日面向专科级 C 端的 APP 每个月有跨越千万的新增下载量。

第二种阵势叫作念 RaaS（Results as a Service，按驱散付费处事），则展现了 AI 颠覆传统营业阵势的宏大后劲。梅涛说，所谓 RaaS，等于他们在给客户提供 AI 生成处事的同期，径直为客户的营业驱散确认，客户餍足按最终的涟漪驱散来付费、致使是返佣。

这件事听起来陋劣，但智象改日跑了有一年半的时候。"直到 2024 年的七八月份，咱们才真确嗅觉我方活下来。"梅涛回忆，在开首的一年多里，公司里面也在扭捏，开首他们试图将 AI 才气打包成圭臬的 SaaS 软件卖给企业客户，但很快发现，那时的视频生成用具使用门槛依然很高，不同悟性的使用者，用相似的软件生成出来的效果天渊之隔，"既然效果无法圭臬化，你就很难给这个软件制定一个公允的价钱，客户也不肯意买单。"

转变点在 2024 年夏天悄然来临。借着 Sora 发布后的商场东风，他们在当年 5 月底推出了一款雷同架构的营业化居品。这款居品上线当月便斩获了两三百万的月活跃用户。如今，其付用度户的留存率已踏真的 50% 以上。

2025 年年底，跟着行使的爆发，多模态的 token 浪费量极大，加之 Seedance 的发布，视频模子领域迎来了雷同 GPT3.5 的智能涌当前刻，梅涛发现公司的估值也出现了显豁的增长。

干与智能体的宇宙

智象改日的 Agent 策略，骨子上是在为两个宇宙搭建桥梁：一个是东说念主类创作家的宇宙，一个是智能体的宇宙。在东说念主类创作家的宇宙里，Agent 是 co-creator，是匡助东说念主类更好地抒发创意的伙伴；在智能体的宇宙里，Agent 是才气提供者，是让机器东说念主理会和生成视觉内容的基础要领。

动作智象改日的 CTO，姚霆最近念念考最多的事情等于智能体，如何通过智能体放大智象改日的才气？如何为智能体筹办交互？

2026 年头，OpenClaw 出现，这个被称为 " 龙虾 " 的智能体，界说了一个新倡导—— co-worker（共同责任伙伴）。 "但咱们要在此基础上升级成 co-creator（共同创作家）。"姚霆说。

姚霆对 Agent 的理会，来自一个更底层的架构念念考。他用一个公式神情了改日智能化行使的范式，改日悉数的智能化 APP 等于 Harness（在 AI 智能体的宇宙里，它等于阿谁让智能体既大略阐扬才气，又不会失控的 " 安全脚手架 "）乘以一些 skills，底层等于 OS。

比如在影视创作场景中，一个"分镜生成"的 skill，不仅要能凭据脚本生成画面，还要理会镜头谈话、叙事节拍、厚谊抒发，致使要知说念不同类型的作品（短剧、告白、记载片）对分镜的要求有什么相反。这种深度的行业理会，不是调用几个 API 就能驱散的。

这亦然为什么智象改日要我方邻接影视作品、我方作念短剧、我方处事营销客户，是为了在真的场景中千里淀出不可复制的才气。姚霆说，改日的 skill 会像互联网时间的网页一样多，会有大批的责任需要作念——评估、筛选、推选、组合。姚霆把这些才气分红四层。

第一层是基础模子才气，以 API 的时事提供给开导者，这是智象改日的底座，亦然和大厂竞争的基础。但这一层的竞争会越来越热烈，价钱会越来越低，利润会越来越薄。

第二层是圭臬化的 skill，比如 " 文生视频 "、" 图生视频 "、" 视频延迟 "，这些是通用的功能模块，不错被集成到各样行使中。这一层的价值在于踏实性和易用性，但相反化空间有限。

第三层是行业定制的 skill，比如 " 短剧分镜生成 "、" 居品告白视频制作 "、" 记载片素材生成 "。

第四层是完竣的责任流，比如 " 从脚本到成片的短剧出产线 "、" 从居品图到投放视频的营销自动化 "，这些责任流串联了多个 skill，造成了端到端的贬责决策。这些 skill 深度交融了行业 know-how，是智象改日真确的护城河。

"咱们和大厂作念通用基础要领的门道造成显豁的相反化竞争上风。"姚霆说，这个相反化，就体咫尺第三层和第四层——那些深度绑定行业、不可浅显复制的高价值才气。

另一个让姚霆更随和的事情等于交互，这大略决假寓品是否大略蛊惑饱和多的用户。" 是用号令行、图形界面，如故聊天加画布的时事，致使是多模态的联动交互。" 姚霆说，唯一在交互这一个点上驱散冲突，就能蛊惑好多用户。

姚霆和梅涛对视频模子领域的" Aha moment "有一个共同的判断：用户提供一个脚本，系统就能径直生成相宜需求的长视频故事。至于咫尺，这个" Aha moment "还莫得到。

以下为虎嗅整理的部分访谈选录：

虎嗅：你们作念跨境营销、影视、具身智能……一直在作念加法，有莫得作念过减法？

梅涛：也作念了减法。咱们一动手想作念游戏，自后发现游戏这个生意比较难作念。大游戏公司想我方建体系；小游戏公司成本要求严格，而且很难把数据放到体外，只可稀零化部署，很难规模化，是以松弛放一放。

还有一个惨痛的阅历教养——咱们作念了线下打印店的素材治理，自后发现打印店自己等于夕阳产业，这些东说念主我方也概略情将来是否还会在这个行业作念下去，学习速率也慢。是以咱们照实踩了一些坑。

经过第四年的探索，基本造成了不错规模化的三个 ToB 阵势：第一是线上线下营业体的短视频营销和处事，软硬件一体；第二是短剧多东说念主互助平台；第三是给全球用户作念的媒体创作用具和平台。在一段时候内，咱们会在这三个方进取束缚深耕。

虎嗅：咫尺视频模子领域如故以 Scaling Law 为主，关于资源有限的创业公司，要若何堆资源和大厂竞争，是靠束缚融资吗？

姚霆：融资信服是需要的，但创业公司的融资体量和大厂比较依然有很大差距，要和大厂竞争主要要作念好三点：第一是知道要快，对模子架构、下一代模子的本事走向和选型判断要精确，知道比大厂超前半个身位致使 3 个月就有很大契机；第二是落地速率快，详情标的后能快速迭代出模子，同步鼓励居品化和营业化，造成居品或者用户壁垒；第三是组织架构转变快，创业公司比较大厂的上风等于纯真性高，组织架构扁平、回身快才能应酬各样居品变化，阐扬自身上风。

虎嗅：淌若有一天智象失败了，你合计可能是什么原因？

梅涛：可能是知道住手迭代了。天然这件事我合计也不太可能发生，因为每天都在大批构兵新的东西。

虎嗅：若何界说"知道"？

梅涛：知道包括对本事的知道、对营业化的知道、对竞争态势的知道，这包含了各个方面。今天的创业对创始东说念主要求很高，你要懂本事，有本事门道的判断力和前瞻性，还要有营业化的知道、团队健康度的知道、老本化的知道，基本上要求你是一个六边形的战士，不成有短板。

虎嗅：那你咫尺每天最心焦的是什么？是融钱的问题吗？

梅涛：不是钱的问题，也不是东说念主的问题，而是知道的问题。我最回来的极少，是我我方的知道迭代不够快，赶不上行业的迭代速率；以及团队中枢的那些东说念主，知道迭代不够快，致使不如我快——那就有问题了。创业，你只可挣到我方知道范围之内的钱，知道范围以外是一个宏大的罗网，把咱们这帮青蛙陷在井里。我但愿寰球在知道层面上一定要卷起来。

虎嗅：在昔日这几年里，你我方知道最大的一次迭代是什么？或者径直推翻昔日的知道。

梅涛：我合计我每天都在迭代。Sora 这件事对我在本事知道上是一次反省。很陋劣，淌若信赖某一条本事门道，就应该对峙，而不是东试西试。我那时其实合计 DiT 这个标的很好，但莫得下定决心，因为创业资金和资源有限，没法多条线试错。Sora 出来后，咱们就将强走 DiT 的门道。

虎嗅：但你们不是又转向新的 UiT 架构吗？

梅涛：因为淌若光拼数据、光拼算力，这不是创业公司该干的事，要想用更少的成本、更高效的框架达到下一个阶段的效果，创业公司就必须从架构层面再行念念考。

这亦然咱们动手作念 UiT 的原因。UiT 不是陋劣换一套模子，而是但愿从底层把文本、图像和限度条目融合到统一个模子空间里，让模子更早、更径直地完成理会、对都和生成。咱们认为，这种原生融合的架构，才是图像生成络续走向视频生成、乃至宇宙模子的垂危基础。

虎嗅：那你关于公司改日的发展最回来什么？

梅涛：我最回来的地点等于：第一，我的标的不合，莫得前瞻性；第二，我的知道成为公司天花板。我偶而候会回来船员发现标的不合但不告诉我。我但愿每个东说念主都有我方知道迭代的角度，哪怕跟我不一样也要告诉我，让我有更多触角去感知标的是否正确。

虎嗅：咫尺 AI 领域东说念主才薪酬很高，你们回来团队中枢成员被"挖角"流失的问题吗？

姚霆：若干会有压力，我和团队也说过，寰球聚在一齐作念这件事不是为了钱，淌若只看薪资寰球都应该去大厂。咱们的团队成员尤其是模子团队的东说念主，对模子研发都很千里醉，寰球的共鸣是想在这个领域作念出能被记取的后果，比如以后墓志铭能留住我方参与研发的著名模子的名字。

虎嗅：你我方但愿以后宇宙以什么记取你？

姚霆：我信服但愿能留住因为我而存在的模子的名字，比如后续咱们推出的出色的、被行业粗糙招供的模子，寰球提到的时候知说念是我参与作念的，对我来说就饱和了。

尊龙中国官方网站