美国红杉预言的模应一体，Loopit是值得重点关注的样本

我之前写过红杉美国合伙人Sonya Huang的那篇演讲，也写过Roblox用"游戏卡带"破解AI世界模型困境的那篇研究。这两篇文章之间有一条我没有显式点出来的逻辑线——如果你把它们放在一起看，会发现它们其实在回答同一个问题：在AI时代，一个真正有竞争壁垒的产品，到底长什么样子？

红杉的答案是：Not your weights, not your product。你调用的API，是你的产品最核心的那部分，但你对它没有任何控制权。Roblox的答案是：画面连续不等于世界存在，AI负责渲染，代码负责逻辑，两者必须共同在场才能撑起一个真正可交互的世界。这两个判断看起来方向不同，但其实指向同一件事：光有应用不行，光有模型也不行，真正有价值的东西，是两者之间那个别人学不走的数据飞轮。

这条逻辑在美国开始有越来越多的公司在实践，但在国内，我很少看到同时做这两件事的公司。上周Loopit发布了他们自研的互动世界模型Zing-0.5，我觉得这件事值得认真拆解一遍。

红杉说的那个判断，到底是什么意思

Sonya Huang在演讲里说了一句话，我反复想了很久：the product is the intelligence，产品就是智能，智能就是产品。这句话在几年前根本不成立，那时候AI只是产品的一个功能模块。但现在对很多公司来说，AI已经是用户留下来的最主要原因，谁拥有更好的智能，谁就拥有更好的产品。

她说的Sovereign AI（主权AI），不是让所有公司都去从头训练一个大模型，而是说公司在产品最核心的那部分，必须拥有自己的AI能力，一直拥有到weights（模型权重）这个层面。不依赖任何外部方的许可和定价决策。

为什么是现在？她给了一个非常关键的判断：2026年是一个真正的拐点。开源模型的起点已经非常接近frontier，比如Kimi K3、GLM这些模型的能力已经相当强。在这个起点上，通过扎实的post-training（后训练）和基于自有数据的持续优化，应用公司完全有可能在自己的垂直领域里，做出超越顶级闭源模型的性能。这意味着选择自建模型，已经不再是"便宜但性能差"的代名词，而完全可以成为你的性能优势所在。

这里有一个更深层的逻辑值得停下来想清楚。开源基础模型提供了一个共同的起点，但这个起点本身并不形成差异化。真正的差异化来自于你在这个起点之上喂进去的那些东西：你的行业数据、你的用户行为、你对"什么样的结果才是好结果"的判断。这些东西是别人拿不走的。如果你只是在调用API，你和你的竞争对手拿的是同一把锁，区别只在于谁的prompt写得更好，这种差异化非常脆弱，随时可以被学走。

所以她说：应用公司不应该只是模型的搬运工，而应该成为新一代的AI实验室。她点名了Harvey、Factory、Glean这些公司，说the application companies are the newest neo labs。这个判断颠覆了我们过去对"谁在做AI研究"的刻板印象。

这个判断在中国有没有样本

我在国内观察了很久，发现绝大多数公司都走在两条平行线上，而且互不相交。做模型的公司，在努力把能力做强，但基本不碰C端产品，因为分发和运营不是他们的核心能力，而且做C端产品需要对具体用户场景有极深的理解，这和做模型研究是完全不同的肌肉。做应用的公司，在努力做出好用的产品体验，但驱动体验的那个核心智能是从外面租来的，是调用别人的API，能用多久、怎么定价、哪天断供，都不在自己手里。

这两条路各自都能走，但都走不到红杉说的那个位置：真正形成数据飞轮，让模型和应用互相喂养，共同生长。

Loopit是一个例外，而且是我目前看到的在这件事上走得最扎实的中国公司。他们先以AI互动内容平台出圈，2026年2月上线就获得了马斯克点赞，两个月后登顶欧美娱乐榜，累计融资达到1亿美元。这是真实的用户规模和全球分发能力，不是实验室数字。现在他们发布了自研的互动世界模型Zing-0.5。这个顺序很重要：不是先做模型再找应用场景，而是先把应用做起来，再用真实用户数据反哺模型。

这个顺序，正是红杉那篇演讲里反复强调的关键所在。

互动内容模型为什么必须走这条路

这不只是一个战略选择的问题，而是这个行业的特殊性决定了它别无他路。

做文本模型，互联网上有海量文本可以用来训练。做图片模型，有数十亿张标注图片。做视频模型，YouTube上积累了几十年的内容。但互动内容模型需要的数据长什么样子？它需要的不是结果，而是一条完整的轨迹：用户希望世界怎样改变、系统怎么回应、用户是不是满意、然后他接下来做了什么。这种轨迹数据，互联网上几乎不存在。

你没办法靠爬数据来解决这个问题。靠人工标注？速度慢，成本高，而且标注者很难替真实用户回答"这个交互有没有意思、值不值得继续"这种主观判断。这种判断只有真实用户在真实使用产品的时候才会产生。

Loopit自己用了一个类比，我觉得说得非常准确：这和自动驾驶的数据逻辑是一样的。要训好自动驾驶模型，你必须先让真实的车上路，在真实的道路环境里产生真实的驾驶数据，包括驾驶决策、环境变量、以及事后证明这个决策对不对。没有真实上路，你在实验室里算再多也是纸上谈兵。互动内容模型的情况完全对称：要训好它，你必须先让大量用户进入产品，在真实的互动中产生数据，用真实的行为告诉模型什么样的世界值得被创造，什么样的反馈会让人继续参与。

这就是为什么Loopit管这件事叫"模应一体"。应用不是模型完成之后套上去的外壳，而是模型持续学习的数据生产环境。模型也不是应用背后的一次性能力采购，而是让应用的体验持续变好的引擎。用户用应用，产生数据；数据推动模型迭代；更好的模型创造更好的体验；更好的体验带来更多用户和更深入的使用。这个飞轮，必须两端同时在转，才能转起来。

我一直觉得，很多公司觉得这件事可以分开做，先把应用做起来，等规模够大了再想模型的事。但问题在于，你在应用阶段用的是别人的模型，产生的数据在帮别人的模型变好，而不是在帮你自己的模型变好。等你想回头自建模型的时候，你前面积累的那些用户行为数据，很多已经没有办法再被有效利用了。这件事必须从一开始就同步推进。

Zing-0.5和主流路线的真正差异在哪里

我先把Roblox那篇研究里的一个判断拿出来做对比，因为我觉得这能让Zing-0.5的技术路线选择变得更清晰。

Roblox的研究团队训练了一个140亿参数的视频世界模型，可以根据WASD键盘操作实时改变画面，效果很惊人。但当他们把这个模型交给内部游戏开发者试用之后，问题立刻出现了：玩家不知道自己该干什么。画面有了，操控有了，世界也有了，但没有血量，没有任务，没有收集了三个道具才能升级的逻辑。AI生成的世界是一片美丽的荒野，不是一款游戏。

他们的解决方案是引入"游戏卡带"：代码管状态和规则，AI管画面，用VLM（视觉语言模型）作为中间层把两者连起来。这个架构能跑，但本质上是一个缝合式的解决方案——它依然是从视频出发，然后往上叠加控制层。

Loopit的起点完全不同。他们不是从视频生成出发再往上加控制，而是从互动内容出发，探索怎么把可运行的逻辑和多模态实时生成结合起来。他们的判断是：一个真正的可交互世界，不只需要画面连续，它需要状态持续、规则持续、因果关系持续、以及多人共享同一个世界事实。

这几个条件说起来不难理解，但实现起来非常不一样。一把钥匙被拿走之后，不应该无缘无故再次出现在桌上。一座桥被摧毁之后，之后的道路、任务和角色行为都应该受到影响。用户今天做的选择，应该能在一小时后、一天后继续产生影响。而且如果是多人同时在这个世界里，他们面对的应该是同一座被摧毁的桥、同一件被拿走的物品。

这些都不是靠更好的视频预测模型就能解决的问题。连续的像素只能让世界"看起来存在"，持续的状态、规则和因果关系才能让世界真正"存在"。

所以Loopit的路线是：先用AI Coding把世界的规则、状态和交互逻辑建立起来，让自然语言能够被转化为可执行的规则；再用多模态实时生成让用户通过prompt、动作、声音和视觉持续进入这个世界。两者最终融合成一种新的生成式世界引擎：既能计算世界发生了什么，也能实时生成用户看到和听到的一切。他们把这两步概括为"先计算世界，再生成世界"。

和主流的端到端视频世界模型相比，这条路线更难，但它能解决那些单纯靠视频预测永远解决不了的问题。主流模型可以生成视觉上连贯的画面，但视觉上的连贯不等于世界内部的状态真的发生了对应的变化。Loopit选择从更难的地方入手，因为他们做的这件事本身就要求更难的那个答案。

Zing-0.5现在解决了什么问题

Zing-0.5是从实时生成走向实时参与的第一步，而这两件事的区别非常关键。

之前的视频世界模型，主要回答的是"去哪里"这个问题。用户用WASD控制，可以在持续生成的世界里移动和探索，这已经很厉害了。但一个真正可以参与的世界，还需要理解用户希望"发生什么"。

Zing-0.5把这两类输入同时打通：空间行动，用户通过WASD决定去哪里；语义意图，用户通过自然语言表达希望发生什么。技术上，WASD作为空间控制直接注入DiT（扩散变换器）；用户的自然语言意图进入Agent，由Agent生成关键prompt，再作为语义条件一并注入DiT；DiT综合两类条件，持续生成对应的视频反馈。

这听起来像是增加了一种输入方式，但我觉得它的意义不止于此。它把"探索世界"和"改变世界"这两种完全不同的交互意图，整合进了同一条实时生成链路里。以前这两件事是分开的，现在它们可以同时发生，而且互相影响。这是可控渲染的第一步，也是"用户不只是在观看AI生成的内容，而是在真正参与其中"这件事能够成立的起点。

我自己的一些思考

听完红杉的判断，再看Loopit的路线，我有几个地方反复在想。

第一个是关于数据飞轮的时间窗口。很多公司觉得这件事可以等一等，等基础模型再强一些，等自己的用户规模再大一些，再来想自建模型的事。但Sonya说的那个窗口判断值得认真对待：开源模型的起点已经足够接近frontier，这扇窗口是现在打开的，不是一直都在的。先进去布局的公司，会积累真正属于自己的训练数据和模型能力；等这件事变成行业共识的时候，差距可能已经很难追了。Loopit现在有真实的用户规模在产生数据，这个先发优势不是轻易可以复制的。

第二个是关于"模应一体"这件事为什么在互动内容领域特别成立。我一直觉得，不同的行业对"必须自建模型"这个判断的迫切程度是不一样的。对一些企业软件公司来说，调用API可能真的够用很长时间，因为他们的差异化来自工作流设计和客户关系，不完全来自模型能力本身。但互动内容这个行业不一样——用户留下来的唯一原因，就是这个世界有没有意思、有没有惊喜、有没有让他想继续待下去的理由。这个判断是高度主观的，而且每个用户的答案都不一样。只有让真实用户产生真实行为数据，模型才能学会什么样的世界值得被创造。这个逻辑在互动内容领域是绕不过去的，不是一个可以暂时绕开的战略选择。

第三个是关于这条技术路线的难度和它选择这条路的原因。Roblox用缝合式的方案解决了"AI世界模型无法支撑真正游戏体验"的问题，他们的答案是代码管逻辑、AI管画面、VLM在中间做翻译。这个方案能工作，但本质上是在两套系统之间做协调，协调本身就是一种开销，而且两套系统之间的接口越多，潜在的失控点就越多。Loopit选择了更难的一条路：从底层就把逻辑和生成融合起来，而不是在两者之间搭桥。这条路更难，但它能做到的事情，可能是搭桥方案永远做不到的。

我没有办法现在就判断Zing-0.5具体能做到什么程度，因为我还没有亲手玩过。但我觉得值得认真观察的，不只是这个模型当前的能力，而是这家公司选择的那条路：有真实的用户规模在产生数据，有清晰的技术路线在把这些数据转化为自己的模型能力，有和主流视频生成路线完全不同的底层判断。这三件事同时成立的公司，在国内并不多见。

红杉说所有应用公司最终都会拥有自己的主权AI。这个判断在美国开始有越来越多的案例在验证。在中国，Loopit是目前走在这条路上、且同时具备应用规模和自研模型的少数公司之一。这条路能走到哪里，值得持续观察。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

两个“特别坑”的AI产品创业方向，你知道吗

速度将成为AI时代唯一的护城河

a16z重磅预测：Vibe coding赢者通吃？错了，垂直专业化才是未来