對話智象未來CTO姚霆：當Sora退場后，世界模型的終局是"輪回"

以Sora的發布和關停為時間節點，AI視頻生成產業分為兩個世界。

2024年春節，OpenAI發布Sora，一石激起千層浪，當年5月17日，智象未來旗下vivago平臺上線，這個時間點比快手可靈還早了兩周，這家核心班底來自微軟亞研院的多模態大模型創企，并不缺少對技術的敏銳嗅覺。

一年后，OpenAI驟然宣布關停了Sora的獨立服務，將視頻生成功能并入ChatGPT的付費體系，留給行業是一些未有明確答案的思考，多模態大模型的技術和商業化會走向何處，創業企業又該如何在窗口關閉前找到自己的空間。

在智象未來聯合創始人兼CTO姚霆看來，Sora的退場并非偶然，而是通用視頻生成這門好技術在商業化面前的必然結局，對于當前火爆的世界模型賽道，他給出了一個頗具哲學意味的答案：輪回。

據了解，智象未來的 ARR（年度經常性收入）達到數千萬美元量級，B輪融資正在最后 Close階段，持續獲得產業資本加持。這家公司的路線選擇，或許代表了中國 AIGC 創業公司在多模態賽道上的一種生存策略。

通用視頻生成是一門好技術，不是Sora的好生意

對話伊始，姚霆便開門見山地給出了自己的判斷。在他看來，Sora的“失敗”可以從三個維度來理解。

"第一，Sora想做的是非常通用的視頻生成，但這與垂直領域的應用需求相對脫離。"姚霆分析道，"OpenAI天然沒有視頻相關的業務，也沒有那樣的生態。"

第二，成本是不可忽視的現實問題。"今天跟互聯網時代不一樣，所有的服務上線背后都在跑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，做模型架構本身就要考慮成本，否則后面就沒法做大量服務。

第三，Sora缺乏商業化的土壤。對比字節跳動的Seedance和快手的可靈，這兩家公司的視頻生成產品都能與主營業務形成協同，而OpenAI并沒有這樣的業務場景來承接技術能力。

Sora的退場，也折射出國內外視頻生成路線的差異。

"國外更看重模型架構的創新，國內則傾向于做大而全的平臺鏈路。"姚霆觀察道。對于智象來說，這兩條路都不是唯一選擇。

"我們是從技術出身的，以前在微軟的時候，大家想做全世界最好的模型，對標谷歌、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創新。"

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

"但同時，在中國做這件事，肯定還是要以垂直領域的商業化作為導向。"姚霆強調，"不是為了做模型炫技，而是要有商業化落地的指標。"

世界模型的五個等級——從靜態復刻到"輪回"

世界模型的概念在過去一年里經歷了劇烈的收斂過程，也是當前多數大模型相關企業想要講述的故事。

"世界模型的定義一直很廣，早期可以分成三個類別。"姚霆解釋道，"第一類是以語言模型為主，屬于高層知識的提煉和壓縮；第二類是Yann LeCun做的JEPA，偏中層的表達學習；第三類是底層的像素生成，也就是視頻生成。"

但如今，世界模型的定義正在收斂。姚霆認為，今天的世界模型可以大致分為三類：在視頻生成模型中融入因果關系和物理規律；根據用戶指令實時生成場景（如Genie-3）；以及跟具身智能強相關的World Action Model。

對于智象而言，姚霆更看重兩個維度的突破。

"第一個是模型側，要用一個神經網絡同時理解和生成文本、圖像、視頻、3D以及動作。"姚霆強調，"它一定是端到端的全模態架構，各個模態之間不會單獨編碼，而是統一的tokenization。"

為什么要追求"全模態"而非"多模態"？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？從這個角度來說肯定要有具身的數據，不然就是割裂的數字世界模型。"

在他看來，世界模型的底座是基于視頻訓練出來的，還是基于VLA（視覺-語言-動作）訓練出來的，其實并不重要，最終的形態一定是任意輸入，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，我對世界模型分了幾個等級。"姚霆說，"第一級是靜態復刻，就是一幅圖；第二級是視頻，有三維有時間域；第三級是交互；第四級加入物理規律和因果關系；第五級，終局是輪回。"

他進一步解釋道，"輪回是什么？是完美的因果關系。比如蝴蝶效應，今天我在這兒扇了一下翅膀，明天那個地方就應該出現海嘯。再往上一級，才是真正的世界模型，才是真正的推理。"

這個說法聽起來有些哲學意味，但姚霆很快將其拉回到產品層面。

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

姚霆舉例說明：用戶想做一個VLOG，只需要輸入"我想賺錢"這一句話，Agent就能自動搜索、調用、編排各種skills，完成從腳本撰寫到視頻制作的全流程。

"這需要全模態的支持。"姚霆強調，"底層有文本、視頻、圖像、語音，全打通了，才能知道誰跟誰該怎么組合。"

大廠環伺，創業公司如何出牌？

快手可靈月收入突破兩千萬美元，即夢背靠字節過億的生態日活。在這樣的雙寡頭格局下，智象這樣的創業公司如何找到出路？

"大廠在資本、人才、算力上都有優勢，包括入口。"姚霆坦率表示，但在某些條件下，它的束縛也會比較多，難免對主營業務有所妥協。相比之下，創業公司的團隊架構更加靈活。

"AI時代，機會是相對平等的。"姚霆說，"但作為初創公司，有幾點還是要做好。"

第一，認知要新。

"首先要對整個趨勢有充分的預判，不能等大廠做到什么樣我們再復制，這樣基本就沒機會。"姚霆強調，"還要有堅持，要做正確但很難的事情。智象的產品經理現在必須會用vibe-coding（AI輔助編程）。"

第二，速度要快。

"AI產品的穩定版本，產品推上線，用戶用兩次能成功得到一次想要的結果，這就是穩定版本。"姚霆說，"讓用戶使用、反饋、迭代，這樣才能形成壁壘。"

第三，架構要靈活。

"產品和技術的邊界越來越模糊，因為產品也可以通過vibe-coding寫前端。"姚霆打了個比方，"有點像打牌，上手一副牌很難改變，但出牌方式可以調整，有些‘王炸’是要拆掉的。"

面對大廠競爭，智象的應對策略已經明確：2026年的核心戰略是搭建"1+1+3"的架構體系。

"第一個'1'是全模態底座大模型，這是最重要的。"姚霆解釋道，"第二個'1'是HiHarness平臺，可以理解為中間的Harness層，負責打通各種skills。'3'是優先級最高的三個Agent：專業創作者智能體、商業營銷內容生成智能體、AI影視智能體。未來還會拓展出更多方向，比如具身智能、游戲引擎等。"

這個架構的核心邏輯，是從"分而治之"轉向"并而治之"。

姚霆說，"以前不同創作用不同方式，可能是工具可能是內容，今天會變成一個并而治之。底座是Agent，上面根據不同場景去實例化。"

他把這個邏輯比作搜索引擎："當年做搜索引擎，下面有眾多網頁，今天網頁變成skills，如何在海量里面尋找、定位、編排，這是核心問題。"

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