（来源：佩妮 Penny 的世界）

大家好，我是 Penny。

" 世界模型 " 可能是今年一级市场最热的词之一，聚集了非常多的资金。

每家公司都有自己的主线，对通往 AGI 的路线有不同的理解。语言文字是一种，视觉也是一种，如果我们要让智能走向现实世界，多模态能力是其中不可或缺的。

刚好，最近这个领域的新晋独角兽公司，智象未来（HiDream.ai），也刚刚宣布了完成 15 亿人民币的新一轮 C 轮融资。三个月内完成了三轮密集融资，累计融资超过了 21 亿人民币，跻身独角兽行列。

这轮融资由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，厦门国贸资本、上影新视野基金、湖北长江产业投资集团、华策影视、航源资本、创云海资本、华福投资、余杭金控股份、交银资本、若松基金多家机构跟投。

这个股东阵容，汇聚了社保基金、银行系、地方国资、头部产业资本，还有市场化的创投机构。

老股东也持续加注，像老股东合肥产投、东方富海、敦鸿资产这种，都连投了 2-3 轮。某种程度上也是一种资金共识和品牌背书的体现。

比较值得说的是像上影集团、华策影视这类头部影视行业的产业资本入局，有很大的未来合作想象空间。他们拥有庞大的 IP 库，制作团队和发行渠道，可以为 AI 视频生成模型提供真实的训练数据和应用场景。

不仅是个人的生产力工具，更是真正的深入走向产业。

而且，根据企查查信息，智象未来的合肥主体公司，近日已经变更为智象未来（合肥）科技股份有限公司，这说明随着 C 轮融资完成，公司已经悄然完成了主体公司的股改。

据我了解，这轮之后还有其他的融资，以及后续更进一步的资本市场运作也是在过程之中。头部这几家视频生成类公司应该都是处于竞速阶段，也许我们在今年年底或明年上半年就能看到更多好消息。

也就是说，不管大家对于这个行业的商业模式，技术路线和未来有着什么样的讨论，资本市场已经用资金投票，今后必然会诞生百亿甚至千亿级别上市公司。

智象未来创始人梅涛，之前是微软亚洲研究院视觉生成领域的资深研究员，是一位 AI 圈的重量级人物：加拿大工程院外籍院士，国内少数同时成为 ACM, IEEE, IAPR 和 CAAI 四大著名学会 Fellow 的国际知名人工智能学者。

2017 年，MIT 的教授发表了全球第一篇文生图论文，而与此同时，梅涛在微软微软亚研院带领团队，也完成了第一篇世界上当时最早探索文生视频方向的论文 TGANs-C，彼时距离 Sora 问世，还有整整七年。

直到今天，这篇论文的绝大部分作者目前仍然跟他一起在智象未来工作，一起从由视觉模型通向真实世界的未来而努力。

在过去几年，视频生成模型的进展非常迅猛，字节的 seedance ，快手的可灵，和多种多样的产品工具，一起已经成为了很多视频内容创作者最重要的生产资料。

一个视频创作者，用它把自己的脑洞变成了 AI 短剧和短视频。

一个电商运营，用它把自己的 SKU 生成了大量不同风格、人群、渠道的广告素材。

我上次去一个做 TikTok 代运营的朋友公司，他告诉我，他们团队已经能够稳定为品牌服务，一个月产出几千上万条的短视频，不管是投放效率还是转化都大大提升。

但是痛点依然是很明显的，token 很贵，抽卡靠运气，连续性和稳定性还不够。

过去两三年，绝大多数多模态模型，都是图片、语音、视频、文本分开处理，如同一个外接的视觉编码器，再加上大语言模型，

智象未来的大模型架构有所不同，他们自研了一套原生全模态架构 UiT（unified transformer）。从神经网络的最底层把图片、语音、视频、文本、3D 交互、动作等所有信号打碎成统一的 token，放在模型里一起训练。最终可以实现真正的 any to any，任意模态输入，任意模态输出。

模型不但能够理解这张图有什么，还能够预测它的时空、因果和物理上的反馈，这就从单纯的内容生成，走向了世界模型。

海外的头部玩家也在朝这个方向演进，包括 OpenAI、Google、Meta，还有 World Labs 等。

今年 5 月份，智象未来 HiDream-O1-Image 开源版本，登顶了全球独立模型评测平台 Artificial Analysis 文生图榜单开源模型的全球第一。6 月，商用版 HiDream-O1-Image-1.5 冲到全球第三、国产第一，仅次于 OpenAI 的两款图像生成模型。

前两天的上海 WAIC 大会上，智象未来发布了全球首款无限时长内容创作多模态智能体 vivago R1。

它和过去的视频生成模型最大的不同，不是把一段视频做得更炫，而是把视频生成从 " 单次出片 " 推进到了 " 长链路创作 "。

过去很多模型只能生成几十秒短片，画面可以很惊艳，但一旦内容变长，就容易出现人物变形、场景漂移、风格跳变、叙事断层等问题。vivago R1 要解决的，正是长视频创作里最难的三件事：无限时长、长任务思考和稳定生成。

所谓无限时长，并不是简单一次生成一部两小时电影，而是通过分段生成、统一编排和资产复用，让角色、道具、场景和风格在长周期创作中保持一致，故事可以持续往下延展。

它更像一个 AI 导演系统：先理解需求，再构思故事、拆分场景、锁定角色和美术风格，最后逐镜头生成并拼接成片。

这也是 vivago R1 真正值得关注的地方。它卖的不是某一个底层模型，而是模型之上的那层 Agent 编排能力——把创作者脑子里的一个想法，组织成一条可以交付的视频成片。对用户来说，最终重要的不是调用了哪个模型，而是任务有没有被稳定完成。

为了测试它的实际效果，我让它挑战在一个场景里完成几十年的跨度，人物要老去，但是手里的怀表得保持一致。

（这是 AI 根据我的描述自动生成的设计图 / 分镜脚本 & 视频）

最终的视频结果也令人惊艳，画质高清，故事流畅，主体保证了很优秀的一致性：

另外 vivago 还内置了很多场景类 skills，从文生图、图片融合到电商行业的一些广告素材、商品详情和 TVC，生成的素材可一键分享到 YouTube、TikTok 或者 X。

比如我随手给了他一张淘宝商品图片，Agent 就根据 Amazon 平台的标准，给我生成了一套从白底主图到商品详情页的动态展示图。

所有生成的图片视频还会沉淀在你的数字资产里面，可以重复使用。

大家也可以去玩一下！传送门：https://vivago.ai/

今年 Agent 行业的关键词都是 " 长 "，让 Agent 能够自主规划目标，完成长程任务，高成功率，低成本，这些才是金标准。

模型很重要，但是现在模型之上的那一层变得越来越重要。最终用户需要的是任务完成的结果。

这也是为什么，我觉得世界模型并不是一条和终极智能无关的岔路。

它可能不是所有公司通往 AGI 的必经之路，却可能是智能真正进入现实世界、创造商业价值的一条重要路径。

当模型能够稳定地理解和生成连续的世界，它未来可以进入影视、广告、电商、游戏，也可以进入自动驾驶、机器人、工业仿真和具身智能。

今天我们看到的是一条几十秒的视频，未来它生成的可能是一个可以被交互、被探索、甚至能够用于训练其他智能体的虚拟世界。

当然，这条路还有很多问题需要解决。算力成本能不能继续下降，长视频的一致性和可控性能不能真正达到产业标准，模型能力如何沉淀为可持续的收入，这些都决定了今天的百亿估值，未来究竟能不能变成一家百亿收入的公司。

世界模型是一个好生意，一家公司可以选择不做一个好生意，但市场不会放过一个好生意。

可以确定的是，这场由视觉模型通向真实世界的竞赛，已经从论文和 Demo，进入了资本、产品与产业同时加速的阶段。

而一个行业最值得关注的时刻，往往就是共识尚未完全形成，但变化已经开始发生的时候。