这几天，Sora 宣布关停，即梦的订阅费涨了三倍，可灵月收入突破两千万美元，视频生成赛道的格局，正在急速重构。

就在这个时间节点，智象未来联合创始人兼 CTO 姚霆，和一群媒体朋友坐在北京的一个会议室里，聊了整整一个下午。他语速极快，逻辑密度极高，说到兴奋处甚至主动声明：「这段纯聊天，胡思乱想，不一定要写进稿子。」

但我觉得恰恰是这些「胡思乱想」，藏着他对整个 AI 创作赛道最真实的判断。

一、从「文生视频」到「端到端创作」，他们其实想清楚了一件事

很多人不知道，全球第一个「文生视频」的研究工作，是 2017 年由姚霆和潘博士在微软时完成的。

那时候画面分辨率只有 256×256，画质用他自己的话说「非常差，只能看出个大概」。但这个工作在当时是大胆的，从来没有人干过这件事。

后来他们离开微软，加入京东，做了以图搜图、商品审核、3D 数字资产，甚至做了物流仓的机械臂拣选系统，这条路子，今天看来是具身智能的前身。

2023 年，他们创立了智象未来。

他们的初衷很朴素：「AI for Science 或 AI for 生命，我们不了解，只能做见证者。但 Midjourney 和 ChatGPT 让我们看到，内容生成这件事跟我们相关，而且我们是做这个出身的。」

但做着做着，姚霆说他曾经「给自己挖了一个大坑」。他一直在纠结「文生视频」还是「图生视频」，纠结能力本身，而不是创作这件事。

「跳出来想，如果把『创作』当成任务，我就不该关心底层是文生还是图生。我要关心的是：能不能端到端地完成用户的创作需求。」他说道。

这个认知转变，直接决定了他们今年最重要的战略方向：做一个全模态的端到端创作 Agent 平台。

02「世界模型」的终局，他觉得或许是「轮回」

关于世界模型，这个圈子里每家都有自己的定义。姚霆给出了一个相当系统的分层：

从技术路线来看，世界模型目前有三个主流方向：一是在现有视频生成模型里融入物理规律和因果关系；二是根据用户指令实时渲染场景；三是同时生成视频和动作的 World Action Model，跟具身智能高度绑定。

但他觉得这些都还不是「终局」。

他把世界模型分了几个等级：静态图像是低等级，是对世界的复刻，视频加入了时间维度，交互型世界模型再加强理解，提高一级，融入物理规律和因果关系更进一步……「终局是轮回，今天我在这里蝴蝶扇一下翅膀，明天那边就要出现海啸，完美的因果关系，那才是真正的世界模型。」

这段话他自己说是「胡思乱想」，但接下来他给出了更接地气的判断：「世界模型好歹要跟物理世界打通。不打通，凭什么叫世界模型？所以它一定要有具身数据，一定要是全模态，才能做到任意输入、任意输出。」

从这个逻辑出发，他对当下的判断是：谁能率先构建出「全模态统一表达」的底座，谁就离世界模型最近。他特别提到了谷歌最近的一篇论文认为它提供了「大一统全模态共用表达」的可能性。

这是大家问得更频繁的一个问题。Sora 关停了，即梦背靠字节日活过亿，可灵有快手平台的正向循环。智象未来作为独立创业公司，护城河到底是什么？

姚霆的回答，可以拆解成三条：

第一，他们的认知要更新，而且坚持做正确的难事。他说，从 2023 年 UNet 架构，到 DiT，到后来做「自回归 + DiT」的融合架构，再到现在的全模态统一架构，每次迭代，他们都试图精准踩住技术突破口，「甚至在某些时间点还会领先三到六个月」。

第二，速度要比寡头更快。 他对「稳定版本」的定义很有意思：「用户用两次，能成功得到一次想要的结果，就算稳定版本。先推上线，让用户迭代，这样才有可能形成壁垒。」

第三，组织架构要灵活。 他打了个牌局的比喻：「上手一副牌很难改变，但出法不是唯一的。有时候王炸也要拆掉，这种方式才有可能面对大厂的竞争。」

他还提到一个反直觉的观点：「AI 时代非常卷，很难预估明天会发生什么，这反而是好事。大厂也面临同样的问题，每个人都有机会，而不是大厂有机会我们没有。」

不自嗨，也不悲观。这大概是他给自己的处世哲学。

聊到最后，他提到了一件很快就会发生的事：他们新推出的创作 Agent 产品，以及即将官宣的与诺亦腾机器人的具身智能数据合作。

目前，智象未来的公司 ARR 已经到了千万美金量级，距离 2023 年那个「只能看个大概」的视频，整整三年。

视频 AI 的战争远没有结束。而这支从微软亚研院出发的团队，依然走一条他们自己选择的路。