以 Sora 的发布和关停为时间节点，AI 视频生成产业分为两个世界。

2024 年春节，OpenAI 发布 Sora，一石激起千层浪，当年 5 月 17 日，智象未来旗下 vivago 平台上线，这个时间点比快手可灵还早了两周，这家核心班底来自微软亚研院的多模态大模型创企，并不缺少对技术的敏锐嗅觉。

一年后，OpenAI 骤然宣布关停了 Sora 的独立服务，将视频生成功能并入 ChatGPT 的付费体系，留给行业是一些未有明确答案的思考，多模态大模型的技术和商业化会走向何处，创业企业又该如何在窗口关闭前找到自己的空间。

在智象未来联合创始人兼 CTO 姚霆看来，Sora 的退场并非偶然，而是通用视频生成这门好技术在商业化面前的必然结局，对于当前火爆的世界模型赛道，他给出了一个颇具哲学意味的答案：轮回。

据了解，智象未来的 ARR（年度经常性收入）达到数千万美元量级，B 轮融资正在最后 Close 阶段，持续获得产业资本加持。这家公司的路线选择，或许代表了中国 AIGC 创业公司在多模态赛道上的一种生存策略。

通用视频生成是一门好技术，不是 Sora 的好生意

对话伊始，姚霆便开门见山地给出了自己的判断。在他看来，Sora 的 " 失败 " 可以从三个维度来理解。

" 第一，Sora 想做的是非常通用的视频生成，但这与垂直领域的应用需求相对脱离。" 姚霆分析道，"OpenAI 天然没有视频相关的业务，也没有那样的生态。"

第二，成本是不可忽视的现实问题。" 今天跟互联网时代不一样，所有的服务上线背后都在跑 GPU，成本还是很昂贵的。" 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，做模型架构本身就要考虑成本，否则后面就没法做大量服务。

第三，Sora 缺乏商业化的土壤。对比字节跳动的 Seedance 和快手的可灵，这两家公司的视频生成产品都能与主营业务形成协同，而 OpenAI 并没有这样的业务场景来承接技术能力。

Sora 的退场，也折射出国内外视频生成路线的差异。

" 国外更看重模型架构的创新，国内则倾向于做大而全的平台链路。" 姚霆观察道。对于智象来说，这两条路都不是唯一选择。

" 我们是从技术出身的，以前在微软的时候，大家想做全世界最好的模型，对标谷歌、Facebook、CMU、伯克利。" 姚霆回忆，" 做视频理解的模型，这种基因天然就是希望模型上有架构创新。"

智象也的确在践行这一点。从 2023 年的 Unet 架构，到 DiT，再到自回归 +DiT 的融合，直到今天全新的全模态架构，智象每一次迭代都试图在技术层面做更多的创新，而且每次还是精准的踩住了整个技术迭代的突破口。

" 但同时，在中国做这件事，肯定还是要以垂直领域的商业化作为导向。" 姚霆强调，" 不是为了做模型炫技，而是要有商业化落地的指标。"

世界模型的五个等级——从静态复刻到 " 轮回 "

世界模型的概念在过去一年里经历了剧烈的收敛过程，也是当前多数大模型相关企业想要讲述的故事。

" 世界模型的定义一直很广，早期可以分成三个类别。" 姚霆解释道，" 第一类是以语言模型为主，属于高层知识的提炼和压缩；第二类是 Yann LeCun 做的 JEPA，偏中层的表达学习；第三类是底层的像素生成，也就是视频生成。"

但如今，世界模型的定义正在收敛。姚霆认为，今天的世界模型可以大致分为三类：在视频生成模型中融入因果关系和物理规律；根据用户指令实时生成场景（如 Genie-3）；以及跟具身智能强相关的 World Action Model。

对于智象而言，姚霆更看重两个维度的突破。

" 第一个是模型侧，要用一个神经网络同时理解和生成文本、图像、视频、3D 以及动作。" 姚霆强调，" 它一定是端到端的全模态架构，各个模态之间不会单独编码，而是统一的 tokenization。"

为什么要追求 " 全模态 " 而非 " 多模态 "？姚霆的解释很直接：" 世界模型好歹要跟物理世界打通，如果不打通凭什么叫世界模型？从这个角度来说肯定要有具身的数据，不然就是割裂的数字世界模型。"

在他看来，世界模型的底座是基于视频训练出来的，还是基于 VLA（视觉 - 语言 - 动作）训练出来的，其实并不重要，最终的形态一定是任意输入，任意输出，想怎么输入，想它输出什么它就可以输出什么。

但这还不是终局。

" 从宏观角度，我对世界模型分了几个等级。" 姚霆说，" 第一级是静态复刻，就是一幅图；第二级是视频，有三维有时间域；第三级是交互；第四级加入物理规律和因果关系；第五级，终局是轮回。"

他进一步解释道，" 轮回是什么？是完美的因果关系。比如蝴蝶效应，今天我在这儿扇了一下翅膀，明天那个地方就应该出现海啸。再往上一级，才是真正的世界模型，才是真正的推理。"

这个说法听起来有些哲学意味，但姚霆很快将其拉回到产品层面。

" 第二个维度是 Agent。" 他说，" 所有的 Agentic App 等于一个平台（可能是 PC 或手机）乘以 Harness（对底层 skills 的管理、适配和组合），再加上底层的 skills（可能是 OS 或 OpenAI）。"

姚霆举例说明：用户想做一个 VLOG，只需要输入 " 我想赚钱 " 这一句话，Agent 就能自动搜索、调用、编排各种 skills，完成从脚本撰写到视频制作的全流程。

" 这需要全模态的支持。" 姚霆强调，" 底层有文本、视频、图像、语音，全打通了，才能知道谁跟谁该怎么组合。"

大厂环伺，创业公司如何出牌？

快手可灵月收入突破两千万美元，即梦背靠字节过亿的生态日活。在这样的双寡头格局下，智象这样的创业公司如何找到出路？

" 大厂在资本、人才、算力上都有优势，包括入口。" 姚霆坦率表示，但在某些条件下，它的束缚也会比较多，难免对主营业务有所妥协。相比之下，创业公司的团队架构更加灵活。

"AI 时代，机会是相对平等的。" 姚霆说，" 但作为初创公司，有几点还是要做好。"

第一，认知要新。

" 首先要对整个趋势有充分的预判，不能等大厂做到什么样我们再复制，这样基本就没机会。" 姚霆强调，" 还要有坚持，要做正确但很难的事情。智象的产品经理现在必须会用 vibe-coding（AI 辅助编程）。"

第二，速度要快。

"AI 产品的稳定版本，产品推上线，用户用两次能成功得到一次想要的结果，这就是稳定版本。" 姚霆说，" 让用户使用、反馈、迭代，这样才能形成壁垒。"

第三，架构要灵活。

" 产品和技术的边界越来越模糊，因为产品也可以通过 vibe-coding 写前端。" 姚霆打了个比方，" 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。"

面对大厂竞争，智象的应对策略已经明确：2026 年的核心战略是搭建 "1+1+3" 的架构体系。

" 第一个 '1' 是全模态底座大模型，这是最重要的。" 姚霆解释道，" 第二个 '1' 是 HiHarness 平台，可以理解为中间的 Harness 层，负责打通各种 skills。'3' 是优先级最高的三个 Agent：专业创作者智能体、商业营销内容生成智能体、AI 影视智能体。未来还会拓展出更多方向，比如具身智能、游戏引擎等。"

这个架构的核心逻辑，是从 " 分而治之 " 转向 " 并而治之 "。

姚霆说，" 以前不同创作用不同方式，可能是工具可能是内容，今天会变成一个并而治之。底座是 Agent，上面根据不同场景去实例化。"

他把这个逻辑比作搜索引擎：" 当年做搜索引擎，下面有众多网页，今天网页变成 skills，如何在海量里面寻找、定位、编排，这是核心问题。"

全模态底座的价值就在于此，如果全模态模型天然把这些模态之间打通，那么只要建一套索引就可以解决所有模态的事情，不管用户输入什么，想要得到什么，都可以给到用户最终结果。（本文作者 | 张帅，编辑 | 杨林）