AI视频生成这个赛道，有点像早高峰的地铁——Sora挤上去的时候门还开着，一年后车门突然关了，把一车厢人甩在站台上。
2024年春节，OpenAI扔出Sora，整个行业跟着亢奋。那年5月17日，智象未来的vivago上线，比快手可灵还早两周。创始团队从微软亚研院出来，技术嗅觉不算差。
一年后，Sora的独立服务没了，视频生成被收进ChatGPT的付费墙里。OpenAI没解释太多，但问题摆在那儿：多模态大模型往哪儿走？创业公司怎么在窗口关上前找到自己的位置？
智象CTO姚霆的答案是"轮回"——不是佛系，是他对世界模型终局的判断。这家公司ARR已经做到数千万美元，B轮融资正在收尾，看起来找到了一条能走的路。
姚霆把Sora的"失败"拆成三块。第一，太通用。OpenAI没有视频业务，也没有生态，做出来的东西跟垂直场景是脱节的。第二，成本。GPU在后台烧着，每一代模型迭代都得先算推理账。第三，没地方落地。字节和快手的视频生成能喂给主营业务，OpenAI没这个承接场景。
国内外路线也因此分岔。国外爱折腾架构创新，国内喜欢搭大而全的平台。智象两边都沾一点——技术基因是微软亚研院带的，但在中国做，商业化是硬指标，"不是为了炫技"。
从Unet到DiT，再到自回归+DiT融合，到现在的新架构，智象每次迭代都踩在技术转折点上。但姚霆更在意的是，这些东西能不能变成收入。
世界模型的概念过去一年收敛得厉害。姚霆把它分成三级：静态复刻（一张图）、视频（三维+时间）、交互、物理规律，最后一级他叫"轮回"——完美的因果关系，蝴蝶扇翅膀，远处起海啸。再往上，才是真正的推理。
听起来玄，但他很快拽回地面。Agent是另一个维度：平台×Harness（管理底层skills）+ skills本身。用户说一句"我想赚钱"，Agent自动搜、调、编排，从脚本到成片全包。这需要全模态底座，文本、视频、图像、语音全打通，才知道谁跟谁怎么组合。
快手可灵月收入破两千万美元，即梦背靠字节过亿的日活。双寡头格局下，创业公司怎么活？
姚霆的打法是"1+1+3"：一个全模态底座大模型，一个HiHarness中间层，三个优先Agent（专业创作者、商业营销、AI影视）。逻辑从"分而治之"变成"并而治之"——底座统一，上面按场景实例化。
他拿搜索引擎打比方：以前是抓网页，现在是抓skills，核心问题变成怎么在海量里找、定位、编排。全模态的价值就在这里，建一套索引，不管用户输入什么、想要什么，都能给结果。
姚霆提了个细节：智象的产品经理现在必须会用vibe-coding。AI产品的稳定版本，不是没bug，是用户用两次能成功一次。让用户用、反馈、迭代，壁垒就这么长出来。
"有点像打牌，上手一副牌很难改变，但出牌方式可以调整，有些'王炸'是要拆掉的。"
热门跟贴