对话智象未来CTO姚霆：当Sora退场后

来源：市场资讯

（来源：钛媒体AGI）

▎Sora关停，是通用视频生成这门好技术在商业化面前的必然结局。

文｜TechPulse

作者｜张帅

编辑 | 杨林

本文首发于钛媒体APP

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。