智象未来王科：原生全模态重塑AIGC

来源：市场资讯

　　服贸会专题活动“2026中国AIGC创新应用交流会”于9月10日在北京举办，主题为“智启未来 应用无界——从模型创新到场景落地”，智象未来（HiDream.ai）联合创始人兼COO王科出席并演讲。

　　以下为演讲实录：

　　尊敬的各位领导、各位来宾，非常感谢主办方的邀请，我是来自智象未来的王科。

　　我今天分享的主题是《原生全模态重塑AIGC：视频生成进入“单反级交付”时代》。

　　我们先来看一下AI的演进趋势。很多大模型包括Fable 5、GPT5.6，它已经超过了平均的人类的智力，顶级的模型进入到人类的天才区。大模型沿着两条路线发展：一条是基础语言的大语言模型，依据上下文深度思考。国外以 OpenAI、Anthropic、Google 为代表，国内的企业有包括智谱、DeepSeek 等；另一条是多模态大模型，以智象未来为代表。而从多模态路线，从技术趋势来看，正经历一场从多模态到全模态的进化。最终会走向哪里？我们判断，它将走向世界模型，再从世界模型走向 AGI。

　　通往AGI，业界存在三条路径：第一条，以李飞飞为首的 3D 原生模型，例如 Marble、HY-World 等；第二条，以具身模型，从 VLA 到 WAM 的架构；我们走的是中间这条路径，即多模态到原生全模态模型，再到 World Model。

　　智象是全球领先的多模态大模型创新企业。是国内唯一有院士领衔，具备完整的路径和产业经验的多模态的AI团队。

　　我们取得了很多成绩：是开源图片生成模型 TOP1，月消耗 4 万亿 Token，开源模型累计下载数2百万次，拥有全球 7000 万个人用户，且主要为专业个人用户；SMB 客户超过 4 万家。

　　智象打造了原生全模态（UiT）底层架构，实现世界表征的统一。我们身处的世界，本质上是一个多模态的世界。如果想要去imagine world的话，一定是以图像为起点。我们常说叫一图胜千言，因为图像定格了世界某一时刻的完整状态痕迹。以静态图像为基点，加上时序便成为视频，加上立体几何便成为空间，再加上操作交互便成为具身智能。因此，我们认为图像是未来世界模型的入口。

　　UiT能实现所有模态从原始信号端到端的对齐，实现any to any，也就是任意输入和任意输出。

　　基于 UiT，我们构建了 HiDream‑O1 原生全模态世界模型矩阵。其中包括图像模型HiDream‑O1‑Image 、视频模型HiDream‑O1‑Video、交互式世界模型HiDream‑O1‑World、具身世界模型HiDream‑O1‑Embodied。

　　这不是简单的功能叠加，而是从底层打通图像、视频、3D、动作等全部模态，实现从 理解 → 推演 → 执行 的完整闭环。

　　我们的模型有三份不同赛道的硬核成绩单。

　　HiDream‑O1‑Image‑1.5 图像生成模型，在国际独立评测平台 Artificial Analysis 文生图榜单中，取得中国第一、全球第二的成绩；开源版本也取得了世界第二的成绩。

　　交互式世界模型 HiDream‑O1‑World，在行业首个交互式世界模型基准 WBench，综合总榜第一。尤其在物理规律还原、长时序内容一致性两大核心难点指标表现突出。

　　具身世界模型 HiDream‑O1‑Embodied，在 RoboColiseum子榜单中登顶。在非理想环境中的稳定性与泛化能力上， HiDream‑O1‑Embodied表现出色。这几款模型分别在各自赛道拿到权威榜单的顶尖位置，这不是单点模型的偶然突破，而是整套 UiT 原生全模态底座体系化能力的集中体现。

　　为什么我们要在这条路上持续创新？背后是我们对AI发展趋势的一个判断。

　　大语言模型和多模态模型，让AI能理解文字、图像、视频，回答“世界是什么”。

　　但世界模型要再往前走一步——它要回答：

　　世界会怎么变化？如果我采取一个行动，会产生什么结果？

　　所以世界模型不是简单的生成模型，它是AI的认知内核。它要做三件事：

　　感知世界状态，推演物理规律和因果关系，然后重构并预测世界。

　　而智能体是行动载体，负责决策、执行、调用工具、观察反馈，并在反馈中不断修正。

　　用一句话概括就是：基础模型负责认知，智能体负责行动，闭环反馈负责进化。

　　有了基础模型和智能体的结合，AI才能从“理解世界”走向“改变世界”。

　　我们不仅在模型上持续迭代，也在形成清晰的商业化增长曲线。

　　我们打造了“1+1+3”全景式商业体系。它的底层是 HiDream-O1 原生全模态世界模型，包括图像模型、视频模型、交互式世界模型和具身世界模型能力。

　　中间是企业级模型服务平台，把模型能力封装成可调用、可管理、可评估、可交付的平台能力。

　　上层是三个场景化产品：

　　面向内容电商和品牌商家的 AI 营销生产平台；

　　面向影视创作的内容创作协作平台--帧赞；

　　面向全球创作者的视频创作工具 vivago。

　　我们不是只做一个模型，也不是只做一个工具，而是以模型能力为底座，以平台能力为中台，以场景化产品实现商业落地。

　　我们先来看第一个产品，全球首个专业级的AI影视创作智能体——帧赞。最近芒果台播出了一个《西游记》的AI电视剧，广受好评。未来我们判断所有的AI剧都要朝着精品化去做。近期基于帧赞，有创作团队打造了《青铜诡事录》的电视剧，用30天的时间制作了60集，这是首部AI短剧12小时登顶腾讯热播的榜首，此外还有像《雨夜突袭》、《决战巨兽》、《热血追击》等精品短剧，已经在各大平台播放。

　　帧赞是为专业团队而生，覆盖从创意到成片的全链路，包含角色库、场景库、服化道等。凭借画布、专业分镜等功能，能代替现场拍摄。影视制作中，剪辑是一个重要环节。帧赞支持快速搭片，以快速节奏高效输出，同时还可以输出无限创意。另外，在整个制片管理上。帧赞提供全流程项目管理，可以根据预算跟踪每个人的消耗、每个人的效率。而且还能实现资产沉淀，也可以做 IP 运营。整套系统就是为商业落地、为专业团队服务。目前帧赞服务的专业团队超过几千家。

　　再看商业营销方向。

　　我们的商业营销智能体HiBurst，已经覆盖了跨境电商内容营销、媒体运营和应用出海等场景，现在是TikTok官方Top 5服务商，年生产电商营销视频超过百万条。它可以从脚本生成到剪辑成片一体化生成，可以兼顾个人创作与多人协作，同时能够精细化分镜，以及嵌入平台一键发布。

　　第三个场景应用，也就是今天要重点介绍的是，行业内首个无限时长内容创作智能体vivago R1。依托我们“基础模型+智能体”双轮驱动的技术战略，R1支持用自然语言对话的方式生成视频，一次性就能稳定生成五分钟的高质量内容。

　　这意味着每一位普通创作者，都能独立完成专业团队级的品质作品，我们称之为“单反级交付”。

　　在2024年5月就上线了vivago.ai，是全球最早一批公开可用的AI视频生成产品之一。

　　今年5月，它登顶了Product Hunt日榜第一。7月20号，我们在WAIC上正式发布了R1。

　　而今天，我想向大家宣布——R1正式全球上线，同时国内版本‘够搭’也迎来全新升级发布。

　　当前AI视频工具大致有两条路线。一条是画布式工作流，把模型、工具和参数交给用户自己连接调试，自由度很高，但门槛也不低。另一条是R1选择的对话式路线——用户只需要用自然语言描述需求，就能自动生成视频，并且在对话中持续调整和迭代。

　　我们相信，对话是人类最自然的表达方式，也是AI最友好的创作入口。所以R1坚定地选择Chat-First，对话优先。

　　这条路线背后体现了智象的两个产品设计理念——“做后”与“做厚”。

　　“做后”，是把专业创作者的判断、审美和经验，编码进Agent的编排能力里，形成强大的中后台。

　　“做厚”，是构建一个厚度十足的SkillHub，把抽象的AI能力翻译成产品广告、角色视频、故事短片、品牌内容这些真实创作场景，让用户一看就知道能做什么、怎么开始。

　　整个流程里，用户只需要表达目标，Agent负责拆解和执行，SkillHub作为翻译层，自动匹配并编排所需的技能组合，把意图转化为可执行的任务序列。

　　用户只需要用自然语言描述，就可以自动生成视频，门槛低、成本非常低，而且稳定可控。

　　最后，我想说，技术能力要持续迭代，离不开产业生态的共建。

　　智象未来在四个方向进行生态布局。

　　底层基础设施上，智象对接了火山引擎、阿里云、华为云、腾讯云等云厂商。

　　互联网营销方面，与TikTok、SHEIN等海内外平台深度协同。

　　影视文旅领域，联动上影股份、湖北长江电影集团等广电影视机构。

　　具身智能方向，联合机器人企业，打造毫米级物理精度的大规模全模态数据集。

　　我们不仅有很多国际知名大企业合作，很多中小商家也是非常重要的生态伙伴。我们期待与各界伙伴携手，共同推动原生全模态 AIGC 技术赋能千行百业，共创内容产业的全新未来。