對(duì)話(huà)智象未來(lái)CTO姚霆：當(dāng)Sora退場(chǎng)后，世界模型的終局是"輪回"

以Sora的發(fā)布和關(guān)停為時(shí)間節(jié)點(diǎn)，AI視頻生成產(chǎn)業(yè)分為兩個(gè)世界。

2024年春節(jié)，OpenAI發(fā)布Sora，一石激起千層浪，當(dāng)年5月17日，智象未來(lái)旗下vivago平臺(tái)上線(xiàn)，這個(gè)時(shí)間點(diǎn)比快手可靈還早了兩周，這家核心班底來(lái)自微軟亞研院的多模態(tài)大模型創(chuàng)企，并不缺少對(duì)技術(shù)的敏銳嗅覺(jué)。

一年后，OpenAI驟然宣布關(guān)停了Sora的獨(dú)立服務(wù)，將視頻生成功能并入ChatGPT的付費(fèi)體系，留給行業(yè)是一些未有明確答案的思考，多模態(tài)大模型的技術(shù)和商業(yè)化會(huì)走向何處，創(chuàng)業(yè)企業(yè)又該如何在窗口關(guān)閉前找到自己的空間。

在智象未來(lái)聯(lián)合創(chuàng)始人兼CTO姚霆看來(lái)，Sora的退場(chǎng)并非偶然，而是通用視頻生成這門(mén)好技術(shù)在商業(yè)化面前的必然結(jié)局，對(duì)于當(dāng)前火爆的世界模型賽道，他給出了一個(gè)頗具哲學(xué)意味的答案：輪回。

據(jù)了解，智象未來(lái)的 ARR（年度經(jīng)常性收入）達(dá)到數(shù)千萬(wàn)美元量級(jí)，B輪融資正在最后 Close階段，持續(xù)獲得產(chǎn)業(yè)資本加持。這家公司的路線(xiàn)選擇，或許代表了中國(guó) AIGC 創(chuàng)業(yè)公司在多模態(tài)賽道上的一種生存策略。

通用視頻生成是一門(mén)好技術(shù)，不是Sora的好生意

對(duì)話(huà)伊始，姚霆便開(kāi)門(mén)見(jiàn)山地給出了自己的判斷。在他看來(lái)，Sora的“失敗”可以從三個(gè)維度來(lái)理解。

"第一，Sora想做的是非常通用的視頻生成，但這與垂直領(lǐng)域的應(yīng)用需求相對(duì)脫離。"姚霆分析道，"OpenAI天然沒(méi)有視頻相關(guān)的業(yè)務(wù)，也沒(méi)有那樣的生態(tài)。"

第二，成本是不可忽視的現(xiàn)實(shí)問(wèn)題。"今天跟互聯(lián)網(wǎng)時(shí)代不一樣，所有的服務(wù)上線(xiàn)背后都在跑GPU，成本還是很昂貴的。"姚霆坦言，智象每一次模型迭代，推理成本都是首要考量因素，做模型架構(gòu)本身就要考慮成本，否則后面就沒(méi)法做大量服務(wù)。

第三，Sora缺乏商業(yè)化的土壤。對(duì)比字節(jié)跳動(dòng)的Seedance和快手的可靈，這兩家公司的視頻生成產(chǎn)品都能與主營(yíng)業(yè)務(wù)形成協(xié)同，而OpenAI并沒(méi)有這樣的業(yè)務(wù)場(chǎng)景來(lái)承接技術(shù)能力。

Sora的退場(chǎng)，也折射出國(guó)內(nèi)外視頻生成路線(xiàn)的差異。

"國(guó)外更看重模型架構(gòu)的創(chuàng)新，國(guó)內(nèi)則傾向于做大而全的平臺(tái)鏈路。"姚霆觀察道。對(duì)于智象來(lái)說(shuō)，這兩條路都不是唯一選擇。

"我們是從技術(shù)出身的，以前在微軟的時(shí)候，大家想做全世界最好的模型，對(duì)標(biāo)谷歌、Facebook、CMU、伯克利。"姚霆回憶，"做視頻理解的模型，這種基因天然就是希望模型上有架構(gòu)創(chuàng)新。"

智象也的確在踐行這一點(diǎn)。從2023年的Unet架構(gòu)，到DiT，再到自回歸+DiT的融合，直到今天全新的全模態(tài)架構(gòu)，智象每一次迭代都試圖在技術(shù)層面做更多的創(chuàng)新，而且每次還是精準(zhǔn)的踩住了整個(gè)技術(shù)迭代的突破口。

"但同時(shí)，在中國(guó)做這件事，肯定還是要以垂直領(lǐng)域的商業(yè)化作為導(dǎo)向。"姚霆強(qiáng)調(diào)，"不是為了做模型炫技，而是要有商業(yè)化落地的指標(biāo)。"

世界模型的五個(gè)等級(jí)——從靜態(tài)復(fù)刻到"輪回"

世界模型的概念在過(guò)去一年里經(jīng)歷了劇烈的收斂過(guò)程，也是當(dāng)前多數(shù)大模型相關(guān)企業(yè)想要講述的故事。

"世界模型的定義一直很廣，早期可以分成三個(gè)類(lèi)別。"姚霆解釋道，"第一類(lèi)是以語(yǔ)言模型為主，屬于高層知識(shí)的提煉和壓縮；第二類(lèi)是Yann LeCun做的JEPA，偏中層的表達(dá)學(xué)習(xí)；第三類(lèi)是底層的像素生成，也就是視頻生成。"

但如今，世界模型的定義正在收斂。姚霆認(rèn)為，今天的世界模型可以大致分為三類(lèi)：在視頻生成模型中融入因果關(guān)系和物理規(guī)律；根據(jù)用戶(hù)指令實(shí)時(shí)生成場(chǎng)景（如Genie-3）；以及跟具身智能強(qiáng)相關(guān)的World Action Model。

對(duì)于智象而言，姚霆更看重兩個(gè)維度的突破。

"第一個(gè)是模型側(cè)，要用一個(gè)神經(jīng)網(wǎng)絡(luò)同時(shí)理解和生成文本、圖像、視頻、3D以及動(dòng)作。"姚霆強(qiáng)調(diào)，"它一定是端到端的全模態(tài)架構(gòu)，各個(gè)模態(tài)之間不會(huì)單獨(dú)編碼，而是統(tǒng)一的tokenization。"

為什么要追求"全模態(tài)"而非"多模態(tài)"？姚霆的解釋很直接："世界模型好歹要跟物理世界打通，如果不打通憑什么叫世界模型？從這個(gè)角度來(lái)說(shuō)肯定要有具身的數(shù)據(jù)，不然就是割裂的數(shù)字世界模型。"

在他看來(lái)，世界模型的底座是基于視頻訓(xùn)練出來(lái)的，還是基于VLA（視覺(jué)-語(yǔ)言-動(dòng)作）訓(xùn)練出來(lái)的，其實(shí)并不重要，最終的形態(tài)一定是任意輸入，任意輸出，想怎么輸入，想它輸出什么它就可以輸出什么。

但這還不是終局。

"從宏觀角度，我對(duì)世界模型分了幾個(gè)等級(jí)。"姚霆說(shuō)，"第一級(jí)是靜態(tài)復(fù)刻，就是一幅圖；第二級(jí)是視頻，有三維有時(shí)間域；第三級(jí)是交互；第四級(jí)加入物理規(guī)律和因果關(guān)系；第五級(jí)，終局是輪回。"

他進(jìn)一步解釋道，"輪回是什么？是完美的因果關(guān)系。比如蝴蝶效應(yīng)，今天我在這兒扇了一下翅膀，明天那個(gè)地方就應(yīng)該出現(xiàn)海嘯。再往上一級(jí)，才是真正的世界模型，才是真正的推理。"

這個(gè)說(shuō)法聽(tīng)起來(lái)有些哲學(xué)意味，但姚霆很快將其拉回到產(chǎn)品層面。

"第二個(gè)維度是Agent。"他說(shuō)，"所有的Agentic App等于一個(gè)平臺(tái)（可能是PC或手機(jī)）乘以Harness（對(duì)底層skills的管理、適配和組合），再加上底層的skills（可能是OS或OpenAI）。"

姚霆舉例說(shuō)明：用戶(hù)想做一個(gè)VLOG，只需要輸入"我想賺錢(qián)"這一句話(huà)，Agent就能自動(dòng)搜索、調(diào)用、編排各種skills，完成從腳本撰寫(xiě)到視頻制作的全流程。

"這需要全模態(tài)的支持。"姚霆強(qiáng)調(diào)，"底層有文本、視頻、圖像、語(yǔ)音，全打通了，才能知道誰(shuí)跟誰(shuí)該怎么組合。"

大廠環(huán)伺，創(chuàng)業(yè)公司如何出牌？

快手可靈月收入突破兩千萬(wàn)美元，即夢(mèng)背靠字節(jié)過(guò)億的生態(tài)日活。在這樣的雙寡頭格局下，智象這樣的創(chuàng)業(yè)公司如何找到出路？

"大廠在資本、人才、算力上都有優(yōu)勢(shì)，包括入口。"姚霆坦率表示，但在某些條件下，它的束縛也會(huì)比較多，難免對(duì)主營(yíng)業(yè)務(wù)有所妥協(xié)。相比之下，創(chuàng)業(yè)公司的團(tuán)隊(duì)架構(gòu)更加靈活。

"AI時(shí)代，機(jī)會(huì)是相對(duì)平等的。"姚霆說(shuō)，"但作為初創(chuàng)公司，有幾點(diǎn)還是要做好。"

第一，認(rèn)知要新。

"首先要對(duì)整個(gè)趨勢(shì)有充分的預(yù)判，不能等大廠做到什么樣我們?cè)購(gòu)?fù)制，這樣基本就沒(méi)機(jī)會(huì)。"姚霆強(qiáng)調(diào)，"還要有堅(jiān)持，要做正確但很難的事情。智象的產(chǎn)品經(jīng)理現(xiàn)在必須會(huì)用vibe-coding（AI輔助編程）。"

第二，速度要快。

"AI產(chǎn)品的穩(wěn)定版本，產(chǎn)品推上線(xiàn)，用戶(hù)用兩次能成功得到一次想要的結(jié)果，這就是穩(wěn)定版本。"姚霆說(shuō)，"讓用戶(hù)使用、反饋、迭代，這樣才能形成壁壘。"

第三，架構(gòu)要靈活。

"產(chǎn)品和技術(shù)的邊界越來(lái)越模糊，因?yàn)楫a(chǎn)品也可以通過(guò)vibe-coding寫(xiě)前端。"姚霆打了個(gè)比方，"有點(diǎn)像打牌，上手一副牌很難改變，但出牌方式可以調(diào)整，有些‘王炸’是要拆掉的。"

面對(duì)大廠競(jìng)爭(zhēng)，智象的應(yīng)對(duì)策略已經(jīng)明確：2026年的核心戰(zhàn)略是搭建"1+1+3"的架構(gòu)體系。

"第一個(gè)'1'是全模態(tài)底座大模型，這是最重要的。"姚霆解釋道，"第二個(gè)'1'是HiHarness平臺(tái)，可以理解為中間的Harness層，負(fù)責(zé)打通各種skills。'3'是優(yōu)先級(jí)最高的三個(gè)Agent：專(zhuān)業(yè)創(chuàng)作者智能體、商業(yè)營(yíng)銷(xiāo)內(nèi)容生成智能體、AI影視智能體。未來(lái)還會(huì)拓展出更多方向，比如具身智能、游戲引擎等。"

這個(gè)架構(gòu)的核心邏輯，是從"分而治之"轉(zhuǎn)向"并而治之"。

姚霆說(shuō)，"以前不同創(chuàng)作用不同方式，可能是工具可能是內(nèi)容，今天會(huì)變成一個(gè)并而治之。底座是Agent，上面根據(jù)不同場(chǎng)景去實(shí)例化。"

他把這個(gè)邏輯比作搜索引擎："當(dāng)年做搜索引擎，下面有眾多網(wǎng)頁(yè)，今天網(wǎng)頁(yè)變成skills，如何在海量里面尋找、定位、編排，這是核心問(wèn)題。"

全模態(tài)底座的價(jià)值就在于此，如果全模態(tài)模型天然把這些模態(tài)之間打通，那么只要建一套索引就可以解決所有模態(tài)的事情，不管用戶(hù)輸入什么，想要得到什么，都可以給到用戶(hù)最終結(jié)果。（本文作者 | 張帥，編輯 | 楊林）