" 大厂是一挺机枪，子弹打不完；创业公司只有一个弹夹，每一发都要打向未来。" 说这话的人叫梅涛，京东集团前副总裁，加拿大工程院外籍院士。

2023 年，他离开京东，在合肥创立了智象未来。彼时 ChatGPT 刚刚引爆全球 AI 热潮，大多数创业团队一头扎进大语言模型，梅涛却选了另一条路——多模态生成。

三年后的今天，智象未来在 2026 年夏天交出了一份让市场侧目的成绩单。

这家总部位于合肥的多模态人工智能公司宣布完成 15 亿元 C 轮融资。加上 4 月的超 5 亿元和 5 月的亿级融资，短短三个月内，这家成立仅三年的公司累计融资额已突破 21 亿元，投后估值超过 10 亿美元，正式跻身独角兽行列。

从社保基金四川振兴科创基金、工银资本、弘颐资管、敦鸿资本联合领投，到上影新视野基金、华策影视，投资方阵容横跨国家队与影视产业资本，智象未来背后是对一条特定技术路线的集体押注。

智象未来从一开始就选了条不一样的路。

创始人梅涛在计算机视觉与多模态领域深耕超过二十年，2017 年带领团队在微软亚洲研究院发布了全球首篇文生视频论文。联合创始人兼 CTO 姚霆同样出身微软亚研，曾参与 Bing 视频搜索和小冰视觉对话系统的研发。这样一个学术与产业双重背景深厚的创始团队，在 2023 年创业时做了一个反直觉的判断：不扎堆大语言模型，押注多模态生成。

他们的判断依据是：纯文本只是信息的一种载体，而多模态天然包含图像、视频、音频和物理世界信号，更接近 AGI 的入口。基于这一判断，智象未来自研了 UiT 原生全模态架构——不搞图像和文本分别编码再对齐那一套，而是把所有模态映射到同一个 Token 空间，在统一系统中完成理解、生成和推理。

梅涛将其概括为 " 对人类社会感知方式的还原 "：人看到台风新闻会联想到狂风和雷声，多种感知协同工作，而非单一模态独立处理。

在 Artificial Analysis 榜单中，智象未来的智象未来 HiDream-O1-Image-Dev-2604（8B 开源版本）位列文生图开源榜单全球第一；闭源商用版 HiDream-O1-Image-1.5 位列 Artificial Analysis 文生图总榜全球第三、中国厂商第一，ELO 评分为 1265 分，超越字节跳动 Seedream 4.0、谷歌 Nano Banana 2、英伟达 Cosmos3 等主流模型，仅次于 OpenAI 的两款闭源模型。

2026 年 5 月，公司发布超 2000 亿参数的原生全模态图像大模型；7 月又推出全球首个无限时长视频生成智能体 vivago R1，打破行业 15 至 30 秒的时长限制，内容商用可用成功率达 85%。

技术壁垒之外，商业化落地也在同步推进。

智象未来构建了 "1+1+3" 战略体系：一个模型底座、一个 Token Hub 标准化输出平台，以及商业营销、影视创作、内容创作三大垂直场景。截至 2026 年第一季度，产品已覆盖全球超 100 个国家和地区，服务超 5000 万专业用户和 4 万余家企业客户。

正是这套组合拳，吸引了从国家队到产业资本的多方下注。

今年 4 月，完成超 5 亿元融资；5 月再获亿级融资；7 月的 15 亿元 C 轮则集结了近 20 家机构。合肥产投更是从 A 轮跟到 C 轮，累计投资 1.15 亿元，与公司深度绑定。

不过，市场对 " 世界模型 " ——表达世界、推演世界、构造世界的定义远未达成共识。

梅涛在世界人工智能大会上提到，行业通常将世界模型概括为 "model the world"，他更倾向 "mold the world" ——塑造世界。在他看来，真正意义上的世界模型需要同时具备对物理规律的理解与建模、对长上下文因果关系的处理、与物理世界的多模态感知交互三类核心能力，当前所有模型距离这一目标仍有距离。

从多模态生成出发，沿着 " 以图入视、以视入世 " 的路径探索世界模型能力，是智象未来的技术路线图。21 亿元融资为这条路注入了充足燃料，但将 vivago R1 从展会 demo 转化为规模化商业交付，才是这家新晋独角兽面临的真正考验。

当前多模态生成赛道仍处于快速迭代期，技术落地与商业化交付能力，将是决定公司长期价值的核心变量。正如梅涛所说，创业公司只有一个弹夹，每一发都必须打向未来。现在，子弹已经上膛。

来源：星河商业观察