字节“投毒”实习生，靠一篇论文撑起13亿估值

作者 | 小葵

来源 | 具身之家Robots（ID：jushenhome）

最近，一笔融资让一个还没有名字的公司先有了估值。

据彭博社报道，田柯宇创办的世界模型研究机构完成近3000万美元早期轮融资，投后估值达2亿美元（约合13.4亿元）。五源资本和IDG资本均已确认投资。团队目前约10人，尚无公开产品、收入或商业模式。

（图源：网络）

放在多数行业，这组数字并不常见。但在当前AI投资圈，这正成为一种被反复验证的定价习惯：顶级研究者的名字，可能先于产品本身被定价。

据公开报道，Ilya Sutskever的SSI成立不到3个月即融资10亿美元，估值50亿美元；Yann LeCun的AMI Labs种子轮融资10.3亿美元，估值35亿美元；AMD以约82亿美元收购李飞飞创办的World Labs，李飞飞本人加入AMD担任执行副总裁兼首席科学家。

Ilya、LeCun、李飞飞都是在功成名就后创业；田柯宇则不同。他更像是“不鸣则已，一鸣惊人”——学术声望几乎全部来自一篇论文。这篇论文，恰是在字节实习期间完成的。

一篇论文，撑起2亿估值？

2024年4月，VAR论文挂上arXiv，全称是“视觉自回归建模：通过下一尺度预测实现可扩展的图像生成”。一作田柯宇，署名机构为北京大学与字节跳动，通讯作者为北大王立威与字节袁泽寰。

据官方信息，该年NeurIPS共收到15671篇投稿，录用率25.8%。VAR论文以评审分数（7,8,8,8）获NeurIPS 2024最佳论文。

（图源：网络）

这篇论文做的事，是推翻了图像生成领域一条被默认已久的路径。此前自回归模型生成图像，只能逐个token推进，扩展又慢又难。VAR换了一条路，让生成从低分辨率到高分辨率逐层展开，同一层内部可以并行。

结果是推理速度提升约20倍，图像质量指标大幅刷新，首次让自回归模型在图像生成上超越扩散模型，并展现出与语言模型类似的缩放定律。田柯宇做的，不是优化，而是改写规则。

据公开论文与履历信息，田柯宇本科毕业于北京航空航天大学软件学院，2022年进入北京大学攻读研究生，师从王立威教授，研究方向为深度学习优化与算法。攻读学位期间，他在多个顶级会议发表论文，并担任NeurIPS/ICML/ICLR等顶会审稿人。

自2021年9月起，田柯宇便开始在字节跳动商业化技术部门实习，一待就是三年。VAR论文正是他在字节实习期间与团队合作完成的，他的名字后来出现在两个地方：最佳论文作者栏和一纸起诉状上。

字节方面称，2024年6月至7月，田柯宇因对团队资源分配不满，利用HuggingFace平台漏洞，在公司共享模型中植入破坏代码，导致模型训练效果异常，AML团队难以核查原因。字节在内部通报中称其“通过编写、篡改代码等形式恶意攻击团队研究项目的模型训练任务，造成资源损耗”。2024年8月，字节解除其实习协议，并将相关行为同步至其就读学校。

上述均为字节单方主张，田柯宇对此有不同说法。他在接受采访时称关闭了另一名实习生的程序，以便为其他研究人员腾出计算资源；他承认此行为不当，但将其描述为“以暴制暴”。他还称，如果能带着今天知道的一切回到过去，“肯定会采取更明智的做法”。据彭博社报道，事件曝光初期，他曾否认相关指控，称系其他实习生所为，并报警称遭到造谣。

2024年11月，字节提起诉讼，请求判令田柯宇赔偿侵权损失800万元及合理支出2万元，并公开赔礼道歉。彭博社查阅的判决书显示，法院判令田柯宇因违反合同赔偿50万元，并没收其全部工资。字节同时表示，网传“涉及8000多卡、损失上千万美元”严重夸大。

（图源：网络）

论文获奖在2024年12月，诉讼受理在2024年11月，融资则在2026年10月。三件事时间交错，性质不同，不能简单互为因果。资本不是不知道这段历史，五源和IDG在尽调中几乎不可能遗漏。被投的不是一个没有争议的创始人，而是一个论文分量足够重，以至于资本认为争议不影响估值的创始人。

世界模型，才是真正的赌注

论文信用只是第一层支撑。要撑起2亿美元估值，还需要看资本真正押注的部分：公司究竟要做什么。

（图源：网络）

公司的研究方向是世界模型：不只是生成静态图像，而是尝试理解风吹花瓣、日移影偏、雨落泥变等时空动态。李飞飞曾概括，语言模型学习文本的统计结构，世界模型学习空间与时间的统计结构。

据田柯宇介绍，团队已构建约20万个符号的“视觉词典”，试图用离散编码承载视频中的运动、遮挡、光照变化等信息；他称该技术可将生成1秒视频的成本至少压缩一个数量级。

团队计划向模型输入1亿小时视频，并在2027年完整模型发布前通过线下活动展示。据彭博社报道，钟鼎资本合伙人Vita Gu表示，田柯宇能把复杂技术想法讲得足够清楚，令其印象深刻。

但问题的关键在于：VAR论文证明的是图像生成效率提升，不等于模型已具备对物理规律和时空动态的推演能力。从生成一帧到理解运动如何演化，中间的技术跨度尚无公开证据表明已被跨越。

1亿小时视频从哪来？版权怎么解决？算力谁出？3000万美元够不够烧到2027年？这些问题都没有确定答案。有观点认为，如果视觉符号系统真能把生成成本降低一个数量级，2亿美元估值才算有想象空间；如果做不到，投资者买下的主要还是创始人的研究能力。

田柯宇的故事里，有论文荣誉、诉讼记录、资本信任和尚待验证的技术，这些事实并列存在，彼此之间并非简单的因果关系。公司尚无公开名称和产品，但2亿美元估值已经写在纸上。

至于这个估值最终会被证明是远见还是泡沫，时间还没有给出答案。