最早做文生視頻的人，開始構建世界

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AI原生創新欄目，這是本系列的第「54」篇文章。

“創業只能掙到自己認知范圍內的錢，認知范圍外是一個巨大的陷阱，把我們這幫青蛙陷在井里。”

梅濤用這句話來描述創業公司面臨的挑戰和作為視頻模型生成公司智象未來創始人兼CEO的焦慮，不是技術不夠強，也不是錢不夠多，是認知邊界。如何跳出這口井？梅濤的辦法是：自身迭代、團隊的碰撞，朋友圈的刺激。

近日，全球知名獨立第三方AI模型評測平臺Artificial Analysis的文生圖榜單（Text to Image Leaderboard）更新，HiDream-O1-Image 開源版本躋身文生圖（Text to Image）模型榜單前列，并位列開源模型第一。Artificial Analysis是目前全球公認最具權威性和參考價值的獨立 AI 基準測評機構之一，在業界常被譽為“AI 領域的 Gartner”。

Artificial Analysis的文生圖榜單

走進智象未來合肥的辦公室，首先映入眼簾的是一面員工照片墻。所有頭像，都是AIGC生成的動漫風格。這家公司的核心業務是圖像和視頻生成——AI時代的自己，是他們在智象未來的第一課。

智象未來合肥辦公室門口的照片墻 圖片由智象未來提供

梅濤的會客廳，滿墻合影。這是梅濤的朋友圈，也是全球人工智能行業的半壁江山。隨便指向哪一張，梅濤都能說出來龍去脈——哪年在哪里，當時聊了什么，那個人后來去了哪里。微軟的同事，京東的伙伴，投資人，行業里來來往往的導師、朋友和合作伙伴……照片背后的故事，他細數家珍。

梅濤在世界人工智能大會上發言 圖片由智象未來提供

智象未來成立四年，從圖像、視頻生成到原生全模態世界模型，從工具到co-creator，從DIT架構迭代到UiT架構，每一次轉向都是對原有認知的突破。（虎嗅注：以 Sora 為代表的 DiT架構，它將圖像或視頻拆解為大量細小單元，并統一推演它們之間的關系，因此能夠生成細節豐富、視覺沖擊力強的結果。UiT思路則是將文本 Token、視覺信息和控制條件納入同一個模型空間，由統一 Transformer 直接完成對齊、理解與生成。簡言之，UiT能讓理解與生成更統一。）

智象未來這次的就是用UiT架構，將8B參數的模型打出了超出56B模型的效果。

對于普通用戶來說，直接感受到的結果就是：模型更能理解用戶想要什么，生成效果更穩定，復雜修改也更容易一次完成。

我們聊天的時點，恰逢視頻生成模型賽道加速升溫的時間節點和拐點。年初，Seedance2.0把AI視頻生成從“能用”推向“可控且可規模化”。近日，快手計劃分拆旗下視頻生成大模型業務可靈 AI，并以約 200 億美元估值尋求融資。商業化、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 的核心戰場。

與此同時，初創公司也出現了分化，除了智象未來，還有愛詩科技、生數科技這樣的頭部公司，資本和用戶都在涌入，格局也在固化。

在這場競爭中，智象未來不是融資最多的，也不是體量最大的。東方富海合伙人王兵選擇智象未來，看中的是這家公司強大且穩定的底層技術班底。梅濤本身，就是視頻生成的開創者，2017年，梅濤是全球第一篇文生視頻論文的作者。智象未來這么多年，該論文的核心研究者都沒有離職，極其穩定。“最終能融到持續多資金的公司，一定是人才密度最高的公司，這是所有行業通律。”王兵說。

與此同時，另一個重要的賽道正在向視頻模型公司打開——具身智能世界模型，新的錢也開始涌入。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，已經有超過13億美元流向世界模型賽道。

當越來越多公司開始說世界模型時，我問梅濤，智象未來提出這個概念，是為了講故事嗎？梅濤說不是，早在 2022 年，他已經帶著團隊在京東亞洲一號物流倉里研究如何讓機器人如何穩態運營識別海量的包裹分揀，創業之初也在具身智能和視覺生成兩個方向之間深度思考過，最終選擇了視覺生成賽道，而2024年，智象未來內部已經在討論世界模型，“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CTO姚霆說，智象的核心邏輯是做視覺創作，核心是解決創作本身的問題。這也是智象決定開展不同業務的底層邏輯。不管是面向影視、營銷行業做創作，還是給機器人做相關內容創作，都屬于創作。在服務不同行業的過程中，會沉淀對應的行業know-how，將其轉化為相關功能，未來隨著智能體發展，還可以沉淀為具備行業屬性的skill。

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

世界模型：視覺生成模型公司的新故事和底牌

在一場智象未來的內部討論會上，梅濤他們在白板上用不同顏色的筆寫了團隊對于世界模型的理解，其中特別用紅色的筆寫下“mold the world”——建模這個世界的同時，構建世界。

在梅濤的思考中，世界模型需要三個要素：第一，能夠學會各種模態的表達，能夠對整個世界進行建模；第二，能夠結合物理規律和因果關系進行推理，“Reason the world”；第三，能夠把物理世界按照想象重建出來，也就是“mold the world”。

如今，對于世界模型的定義有三類，第一類路線是以李飛飛的World Labs為代表，核心理念是指一種空間智能，他們認為世界模型應該構建一個持久的、三維的、可交互的實體空間；第二類路線是Yann LeCun為代表，認為世界模型是智能體內部的一個模塊，用于在抽象層面預測后果；第三類路線就是以DeepMind為代表的"視頻即世界"，將視頻生成作為世界模型的表現形式。

在王兵看來，到 2026 年行業對世界模型的理解逐步形成共識：無論是做 VLA 還是世界模型，核心都是底層基模能力。世界模型本質上要訓練出一個能夠理解并預測物理世界的大模型，不具備大模型訓練能力的公司，很難真正做好這件事。擁有視頻模型訓練能力的公司，已經具備世界模型訓練基礎。從文藝創作類視頻模型拓展具身智能相關的世界模型，本質上是把訓練數據換成符合物理規律、面向具體場景的具身數據，訓練方法和工程能力是一脈相承的。真正的關鍵，是場景數據的選擇、規模和標注質量。

也因此，具身智能成了智象未來進入世界模型的切口。

作為機器人數據公司諾亦騰的創始人，戴若犁思考世界模型相關的合作和布局已經半年多。他很清楚，諾亦騰內部雖然有擅長世界模型訓練等團隊，但訓練多模態基礎模型耗時至少兩個月到三個月，成本千萬級，重復研發屬于資源浪費，因此和視頻模型公司合作，是效率更高的做法。戴若犁說，視頻生成模型和具身智能的核心能力是同一個，那就是預測。

戴若犁舉個了例子， 假設你要訓練一個機器人抓取桌上的杯子。傳統的做法是，給機器人大量的抓取數據讓它學會"看到杯子——伸手——抓住"這個動作序列。但這種方法的問題是，如果杯子的形狀、位置、材質發生變化,機器人就不知道怎么辦了。

但如果用視頻生成模型的思路，機器人會先預測：如果這樣伸手,杯子會怎么動?如果我用這個力度抓,杯子會不會碎?它會在腦子里模擬一遍整個過程,然后選擇最優的行動方案。這種能力,就是視頻生成的世界模型帶來的。

諾亦騰的需求很清晰：把動捕數據里的視覺缺陷修掉。操作者戴著動捕手套，手套遮住了手部，給后續訓練留下一個視覺盲點；測試場景太單一，缺乏多樣性。

戴若犁考察了國內合適的合作方，最終敲定和智象未來的合作，除了發現智象未來也有向具身智能布局的規劃，“手快”也是這場合作達成的關鍵原因。提出需求之后，智象未來就開展 POC 驗證，很快得到積極結論。

智象未來CTO姚霆負責了這場合作，他說之所以“手快”，其實是兩個原因，一是模型能力已經到了成熟階段，接到數據后很快完成生成，初始精度就達標。二是智象之前做過大量視覺理解任務，這類數據生產工作流要生成能力和理解類算法同時到位。

這個合作在2025年初開始落地。智象未來用諾亦騰提供的動作捕捉數據,訓練了一個具身智能的原型模型。這個模型能夠完成抓取、放置、推動、旋轉等基礎動作,并且在執行任務時,會自動考慮物理約束。更重要的是,這個模型的泛化能力很強。用杯子訓練的模型,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值。

做視頻領域的Anthropic

智象未來想成為一家什么樣的公司？梅濤的類比是視頻領域的Anthropic。這個類比的標準是基于ToB的企業服務，這也是智象未來的商業模式。這家后起于OpenAI的公司，突破了1.2萬億的估值。

梅濤把大模型賽道分為三層。第一層是大型互聯網公司,有流量入口、C端用戶,像Google、字節。第二層是做基礎模型的公司，例如OpenAI的Sora。第三層是做各種agent和垂類應用的公司,像Cursor這樣的。

智象未來的定位在第二層和第三層之間——既做模型又做應用,模型和應用雙輪驅動。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爭,而是基于自己的場景來優化，做有特色的模型。

“大模型的能力有點像海平面，一直在往上漲，很多公司就被淹沒了。”

梅濤用這個比喻來描述AI行業的變化，那么沒被淹沒的是什么？要么是足夠高的山，要么是隨水而漲的船。智象未來的定位是兩者都做：圖片和視頻模型是一座高山峰，三個場景的Agent 是三艘船：一個是跨境電商的短視頻營銷，另一個是影視制作，還有一個面向專業級C端用戶的場景，社媒內容創作。三種場景，ToB是核心。

“在AI的商業模式里，最長久、最健康的應該一定是企業服務。”梅濤說，原因很簡單：企業客戶的復購率極高，隨著產品深度的增加，客單價可以不斷提升，其商業天花板遠超C端。

至于C端，純工具性的C端產品，用戶新鮮感一過，留存率極低，且Token消耗巨大，價格昂貴。如果無法讓C端用戶大量付費，這種模式無法形成完整的商業閉環。

什么時候數據飛輪開始轉起來？梅濤說，第一個是跨境電商短視頻營銷。智象未來有一個 agent 專門分析電商平臺上的爆款視頻，把它拆解、重構成想要的視頻生成模板，然后復刻這個模板提供給跨境電商平臺商家使用，每天更新。生成視頻之后，根據用戶的觀看量反饋去決定是復刻還是放棄。這個完整鏈路今天已經跑起來——一天能支持商家產出做將近50條短視頻廣告。

智象未來生成的廣告圖 圖片由智象未來提供

第二個是專業級C 端的創作工具。在不同國家流行不同的模版——在巴西做球星相關短視頻，在印度做舞蹈動作控制模板。如果不通過用戶反饋，根本不知道這個國家的喜好。現在智象未來面向專業級C 端的APP 每個月有超過千萬的新增下載量。

第二種模式叫做RaaS（Results as a Service，按結果付費服務），則展現了AI顛覆傳統商業模式的巨大潛力。梅濤說，所謂RaaS，就是他們在給客戶提供AI生成服務的同時，直接為客戶的商業結果負責，客戶愿意按最終的轉化結果來付費、甚至是返傭。

這件事聽起來簡單，但智象未來跑了有一年半的時間。“直到2024年的七八月份，我們才真正感覺自己活下來。”梅濤回憶，在最初的一年多里，公司內部也在搖擺，最初他們試圖將AI能力打包成標準的SaaS軟件賣給企業客戶，但很快發現，當時的視頻生成工具使用門檻依然很高，不同悟性的使用者，用同樣的軟件生成出來的效果天差地別，“既然效果無法標準化，你就很難給這個軟件制定一個公允的價格，客戶也不愿意買單。”

轉折點在2024年夏天悄然降臨。借著Sora發布后的市場東風，他們在當年5月底推出了一款類似架構的商業化產品。這款產品上線當月便斬獲了兩三百萬的月活躍用戶。如今，其付費用戶的留存率已穩定在50%以上。

2025年年底，隨著應用的爆發，多模態的token消耗量極大，加之Seedance的發布，視頻模型領域迎來了類似GPT3.5的智能涌現時刻，梅濤發現公司的估值也出現了明顯的增長。

進入智能體的世界

智象未來的Agent戰略，本質上是在為兩個世界搭建橋梁：一個是人類創作者的世界，一個是智能體的世界。在人類創作者的世界里，Agent是co-creator，是幫助人類更好地表達創意的伙伴；在智能體的世界里，Agent是能力提供者，是讓機器人理解和生成視覺內容的基礎設施。

作為智象未來的CTO，姚霆最近思考最多的事情就是智能體，如何通過智能體放大智象未來的能力？如何為智能體設計交互？

2026年初，OpenClaw出現，這個被稱為"龍蝦"的智能體，定義了一個新概念——co-worker（共同工作伙伴）。 “但我們要在此基礎上升級成co-creator（共同創作者）。”姚霆說。

姚霆對Agent的理解，來自一個更底層的架構思考。他用一個公式描述了未來智能化應用的范式，未來所有的智能化APP等于Harness（在AI 智能體的世界里，它就是那個讓智能體既能夠發揮能力，又不會失控的"安全腳手架"）乘以一些skills，底層就是OS。

比如在影視創作場景中，一個“分鏡生成”的skill，不僅要能根據劇本生成畫面，還要理解鏡頭語言、敘事節奏、情緒表達，甚至要知道不同類型的作品（短劇、廣告、紀錄片）對分鏡的要求有什么差異。這種深度的行業理解，不是調用幾個API就能實現的。

這也是為什么智象未來要自己承接影視作品、自己做短劇、自己服務營銷客戶，是為了在真實場景中沉淀出不可復制的能力。姚霆說，未來的skill會像互聯網時代的網頁一樣多，會有大量的工作需要做——評估、篩選、推薦、組合。姚霆把這些能力分成四層。

第一層是基礎模型能力，以API的形式提供給開發者，這是智象未來的底座，也是和大廠競爭的基礎。但這一層的競爭會越來越激烈，價格會越來越低，利潤會越來越薄。

第二層是標準化的skill，比如"文生視頻"、"圖生視頻"、"視頻延長"，這些是通用的功能模塊，可以被集成到各種應用中。這一層的價值在于穩定性和易用性，但差異化空間有限。

第三層是行業定制的skill，比如"短劇分鏡生成"、"產品廣告視頻制作"、"紀錄片素材生成"。

第四層是完整的工作流，比如"從劇本到成片的短劇生產線"、"從產品圖到投放視頻的營銷自動化"，這些工作流串聯了多個skill，形成了端到端的解決方案。這些skill深度融合了行業know-how，是智象未來真正的護城河。

“我們和大廠做通用基礎設施的路線形成明顯的差異化競爭優勢。”姚霆說，這個差異化，就體現在第三層和第四層——那些深度綁定行業、不可輕易復制的高價值能力。

另一個讓姚霆更關注的事情就是交互，這能夠決定產品是否能夠吸引足夠多的用戶。"是用命令行、圖形界面，還是聊天加畫布的形式，甚至是多模態的聯動交互。"姚霆說，只要在交互這一個點上實現突破，就能吸引很多用戶。

姚霆和梅濤對視頻模型領域的“Aha moment”有一個共同的判斷：用戶提供一個劇本，系統就能直接生成符合需求的長視頻故事。至于現在，這個“Aha moment”還沒有到。

以下為虎嗅整理的部分訪談摘要：

虎嗅：你們做跨境營銷、影視、具身智能……一直在做加法，有沒有做過減法？

梅濤：也做了減法。我們一開始想做游戲，后來發現游戲這個生意比較難做。大游戲公司想自己建體系；小游戲公司成本要求嚴格，而且很難把數據放到體外，只能私有化部署，很難規模化，所以果斷放一放。

還有一個慘痛的經驗教訓——我們做了線下打印店的素材管理，后來發現打印店本身就是夕陽產業，這些人自己也不確定將來是否還會在這個行業做下去，學習速度也慢。所以我們確實踩了一些坑。

經過第四年的探索，基本形成了可以規模化的三個 ToB 模式：第一是線上線下商業體的短視頻營銷和服務，軟硬件一體；第二是短劇多人協作平臺；第三是給全球用戶做的媒體創作工具和平臺。在一段時間內，我們會在這三個方向上不斷深耕。

虎嗅：現在視頻模型領域還是以Scaling Law為主，對于資源有限的創業公司，要怎么堆資源和大廠競爭，是靠不斷融資嗎？

姚霆：融資肯定是需要的，但創業公司的融資體量和大廠相比依然有很大差距，要和大廠競爭主要要做好三點：第一是認知要快，對模型架構、下一代模型的技術走向和選型判斷要精準，認知比大廠超前半個身位甚至3個月就有很大機會；第二是落地速度快，確定方向后能快速迭代出模型，同步推進產品化和商業化，形成產品或者用戶壁壘；第三是組織架構調整快，創業公司相比大廠的優勢就是靈活性高，組織架構扁平、轉身快才能應對各類產品變化，發揮自身優勢。

虎嗅：如果有一天智象失敗了，你覺得可能是什么原因？

梅濤：可能是認知停止迭代了。當然這件事我覺得也不太可能發生，因為每天都在大量接觸新的東西。

虎嗅：怎么定義“認知”？

梅濤：認知包括對技術的認知、對商業化的認知、對競爭態勢的認知，這包含了各個方面。今天的創業對創始人要求很高，你要懂技術，有技術路線的判斷力和前瞻性，還要有商業化的認知、團隊健康度的認知、資本化的認知，基本上要求你是一個六邊形的戰士，不能有短板。

虎嗅：那你現在每天最焦慮的是什么？是融錢的問題嗎？

梅濤：不是錢的問題，也不是人的問題，而是認知的問題。我最擔心的一點，是我自己的認知迭代不夠快，趕不上行業的迭代速度；以及團隊核心的那些人，認知迭代不夠快，甚至不如我快——那就有問題了。創業，你只能掙到自己認知范圍之內的錢，認知范圍之外是一個巨大的陷阱，把我們這幫青蛙陷在井里。我希望大家在認知層面上一定要卷起來。

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

梅濤：我覺得我每天都在迭代。Sora這件事對我在技術認知上是一次反省。很簡單，如果相信某一條技術路線，就應該堅持，而不是東試西試。我當時其實覺得 DiT 這個方向很好，但沒有下定決心，因為創業資金和資源有限，沒法多條線試錯。Sora 出來后，我們就堅定走 DiT 的路線。

虎嗅：但你們不是又轉向新的UiT架構嗎？

梅濤：因為如果光拼數據、光拼算力，這不是創業公司該干的事，要想用更少的成本、更高效的框架達到下一個階段的效果，創業公司就必須從架構層面重新思考。

這也是我們開始做 UiT 的原因。UiT 不是簡單換一套模型，而是希望從底層把文本、圖像和控制條件統一到同一個模型空間里，讓模型更早、更直接地完成理解、對齊和生成。我們認為，這種原生統一的架構，才是圖像生成繼續走向視頻生成、乃至世界模型的重要基礎。

虎嗅：那你對于公司未來的發展最擔心什么？

梅濤：我最擔心的地方就是：第一，我的方向不對，沒有前瞻性；第二，我的認知成為公司天花板。我有時候會擔心船員發現方向不對但不告訴我。我希望每個人都有自己認知迭代的角度，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：現在AI領域人才薪酬很高，你們擔心團隊核心成員被“挖角”流失的問題嗎？

姚霆：多少會有壓力，我和團隊也說過，大家聚在一起做這件事不是為了錢，如果只看薪資大家都應該去大廠。我們的團隊成員尤其是模型團隊的人，對模型研發都很癡迷，大家的共識是想在這個領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為我而存在的模型的名字，比如后續我們推出的出色的、被行業廣泛認可的模型，大家提到的時候知道是我參與做的，對我來說就足夠了。

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