“每一代模型，我們都在押注一個非共識。”

文｜鄧詠儀

編輯｜張雨忻

Sand.ai 創(chuàng)始人曹越，不太關(guān)心自己站在共識的哪一邊。

Sand.ai 是一家視頻生成模型和產(chǎn)品公司，成立于2024年1月。曹越創(chuàng)立Sand.ai 的故事也已經(jīng)被講過很多遍：在上一段創(chuàng)業(yè)“光年之外”戛然而止后，曹越很快就投入到 Sand.ai 的創(chuàng)業(yè)中，做視頻生成模型。

彼時，市場的主流敘事是 Diffusion 路線，幾乎沒有人認(rèn)為曹越選擇的自回歸（Autoregressive）路線是一種正解。

而在2025年初，發(fā)布基于自回歸架構(gòu)訓(xùn)練的模型 Magi-1 后，曹越很快意識到“只有畫面是不夠的”，于是團(tuán)隊(duì)開始探索音畫同出。后來，Sand.ai 成為了除了Google VEO 3之外最早拿出音畫同出模型的團(tuán)隊(duì)，Magi-1也在 Google DeepMind 的 Physics IQ benchmark 上長期保持第一。

2025年11月，曹越又下了一個賭注：決定帶著團(tuán)隊(duì)將模型架構(gòu)從 Dense 轉(zhuǎn)向MoE，“那個時間點(diǎn)，國內(nèi)應(yīng)該幾乎沒有什么視頻公司在全力推進(jìn)這件事?！?/p>

“發(fā)布音畫同出模型 Gaga-1 之后我們發(fā)現(xiàn)，在Dense架構(gòu)下繼續(xù) Scale Up，成本會直線上升。視頻模型存在一個不可能三角：成本、速度、效果。突破它只能靠研究手段，MoE 就是答案?！辈茉秸f。

2026 年 Q3，Sand.ai 將發(fā)布新一代視頻生成模型，采用 MoE 架構(gòu)，兼顧高效推理與目前開源領(lǐng)域最大的參數(shù)規(guī)模。曹越表示：有信心做到頭部水準(zhǔn)，并且要把它開源給所有人。

△圖注：攝影機(jī)里捕捉的影像，與出鏡女孩的動作一致

△圖注：Sand.ai 新模型所生成的視頻

這家公司也剛剛完成兩輪合計超億美元融資，投資方包括 Look Capital、Lollapalooza Capital（王慧文家辦）、九坤創(chuàng)投、經(jīng)緯創(chuàng)投、和玉資本（MSA Capital）、創(chuàng)新工場、襄禾資本、源碼資本、中科創(chuàng)星、洪泰基金、今日資本、華業(yè)天成、云暉資本、IDG、百度風(fēng)投等一線機(jī)構(gòu)聯(lián)合投資。星涵資本擔(dān)任本輪融資財務(wù)顧問。

創(chuàng)業(yè)近三年，無論是押注自回歸路線、做音畫同出，還是 MoE 架構(gòu)，曹越的底層思考都是同源的：“在終局的情況下，是每個人都可以去消費(fèi)非常個性化的內(nèi)容。那在這個前提下，你的內(nèi)容生產(chǎn)成本一定要下降到很低。”曹越說。

不變的另一點(diǎn)是，曹越并不關(guān)心自己是否站在市場共識這一邊?！耙坏┠氵^于關(guān)心他人的認(rèn)知，大概率是你沒有從第一性原理去思考問題。”

同樣的答案出現(xiàn)在我們問他“世界模型是什么”的時候。

“現(xiàn)在很noisy，”曹越說，“每個人在說世界模型的時候，大概率都不知道在說什么，它變成了一個 Buzzword ?！?/p>

世界模型是 2026 年最說不清道不明的 AI 概念之一。楊立昆、李飛飛等學(xué)術(shù)巨擘押注了完全不同的方向；與此同時，曾以“世界模擬器”之名震動行業(yè)的 Sora，已經(jīng)在 3 月暫時停運(yùn)。在國內(nèi)，這個領(lǐng)域也涌現(xiàn)了多家明星初創(chuàng)，而不少以前做 3D 生成、視頻生成的公司，也都在高調(diào)轉(zhuǎn)向世界模型。

一方面，世界模型寄托了人們對未來模型路線的想象——一個融合語言、圖像、視頻、音頻的統(tǒng)一模型；另一方面，在模型競爭通道越發(fā)逼仄的形勢下，這個詞也成了 fomo 情緒的出口。

曹越的判斷是：世界模型還在“前 GPT 時代”——GPT-1 出現(xiàn)之前的時代，數(shù)據(jù)不夠、定義不清、技術(shù)路線也遠(yuǎn)未收斂。

但他可以確定的是，視頻模型是通往那個終局最重要的路徑。“你要看什么數(shù)據(jù)距離世界的 Observation（觀測）最接近，并且體量足夠大，其實(shí)只有視頻?！?/p>

在持續(xù)推進(jìn)基礎(chǔ)模型訓(xùn)練的同時，Sand.ai 已經(jīng)在應(yīng)用側(cè)落子，探索過數(shù)字人、視頻 Agent 等產(chǎn)品。今年 1 月上線的音樂 Agent 產(chǎn)品 VidMuse ，三個月已經(jīng)做到千萬美元 ARR 的體量。

“創(chuàng)業(yè)公司如果沒有訓(xùn)練出 SOTA 模型的能力，很容易被模型廠商整合?！辈茉讲]有被“模型公司要不要做應(yīng)用”這種時興討論所困擾，他表示，Sand.ai 還會繼續(xù)邊做模型邊做應(yīng)用。

在這輪融資完成之際，《智能涌現(xiàn)》與曹越聊了聊近三年來他的技術(shù)判斷和應(yīng)用探索。

以下為《智能涌現(xiàn)》對曹越觀點(diǎn)的整理：

每一代模型，我們都在押注一個非共識

• 我們從第一天就認(rèn)為，自回歸是對視頻數(shù)據(jù)最本質(zhì)的建模方式。

  市場上大家都在做純 Diffusion 模型的時候，我們認(rèn)為視頻在時序上一定是因果關(guān)系，很多物理規(guī)律，本質(zhì)是一個隨著時間變化的函數(shù) —— Predict Next Frame（預(yù)測下一幀）、Predict Next Second（預(yù)測下一秒），這是對視頻這種數(shù)據(jù)最本質(zhì)的訓(xùn)練范式。

  我們是最早探索自回歸視頻生成的團(tuán)隊(duì)，去年發(fā)布的 Magi-1 在 Google-DeepMind 提出的物理真實(shí)性測試榜單 Physics-IQ 中取得第一，并長期保持領(lǐng)先，超越了 Nvidia 最新推出的旗艦級世界模型 Cosmos3-Super ，更遠(yuǎn)超 Sora-2 等其他純 Diffusion 模型。

• 音畫同出不只是功能升級，它是對世界狀態(tài)更完整的壓縮。

  我們發(fā)布 Magi-1 之后發(fā)現(xiàn)，只有畫面是不夠的。聲音和畫面天然對齊，同時生成會讓兩者互相幫助——音畫同出之后，哪怕只看畫面，真實(shí)感也顯著提升。本質(zhì)上，同時擁有畫面和聲音，更接近對這個世界狀態(tài)的表達(dá)，維度更高。所以我們在去年 5 月就開始探索音畫同出，是除了 Google Veo-3 之外最早拿出音畫同出模型的團(tuán)隊(duì)。

• 視頻模型存在的不可能三角是：成本、速度、效果。去年我們就認(rèn)為，只能靠研究突破， MoE 就是答案。

  2025年我們決定轉(zhuǎn)向 MoE，當(dāng)時市場上沒有幾乎沒有什么視頻模型廠商公司全力在做這件事。

  這是因?yàn)?，發(fā)布音畫同出模型 Gaga-1 之后，我們發(fā)現(xiàn) Dense 模型繼續(xù) Scale Up 成本會直線上升——如果用 Dense 架構(gòu)做到同樣效果，推理成本至少貴 3 到 5 倍，訓(xùn)練成本也是。我們在那個時間點(diǎn)沒有看到任何一家公司在做視頻 MoE ，但我們認(rèn)為它非常重要：第一，你要繼續(xù)Scale Up 就必須搞定MoE；第二，如果你希望更多普通人用得起視頻模型，就必須在同等效果下降低成本。

• 我們探索出了一套新的視頻MoE架構(gòu)和訓(xùn)練方案，跑通了視頻模型做MoE的核心難題。

  視頻 MoE 和語言模型 MoE 面臨的挑戰(zhàn)不一樣——視頻的 Token 序列遠(yuǎn)比文本長，Token的冗余度也更高，因此通信開銷、負(fù)載均衡和訓(xùn)練穩(wěn)定性等問題都被放大了。我們?yōu)榇嗽谀Ｐ图軜?gòu)上做了多項(xiàng)創(chuàng)新，從而首次實(shí)現(xiàn)了超大規(guī)模視頻 MoE 模型的穩(wěn)定訓(xùn)練。

• 每一代模型我們都有一個Bet。Magi-1押注自回歸，Gaga押注音畫同出，新一代模型則是押注MoE。

  7月我們要發(fā)布的新模型，就是這三代模型所積累的能力的匯合點(diǎn)——用MoE架構(gòu)，把通用場景生成、音畫同出、多鏡頭敘事、多參考生成全部融進(jìn)同一個模型，目標(biāo)是每個維度都做到SOTA。

  為什么要融合？比如，Seedance 2.0 證明了多鏡頭敘事是一個剛需，這是一個我們之前沒有認(rèn)為那么重要的點(diǎn)。所以，類似這種功能在市場中被驗(yàn)證重要能力，最終都應(yīng)該被 Merge（融合）到同一個模型里——它們不是互相獨(dú)立的 Feature（能力），也會共同幫助模型取得更好的效果。

• “世界模型”這個詞已經(jīng)被完全濫用了。每個人在說世界模型的時候，腦海里冒出的可能都是不一樣的概念。

  每一個概念背后都代表一種結(jié)構(gòu)，你要理解它背后到底是什么，才能跟別人討論。但現(xiàn)在很多人只是通過各種渠道大概知道這是個什么東西，它純粹變成了一個buzzword。

  目前，大家對世界模型的理解差異還非常大；第二，對這個事情什么時候產(chǎn)生真實(shí)價值，大家的時間預(yù)期也不對齊。

• 如果一定要給世界模型做一個定義，我認(rèn)為它還在前GPT時代（GPT-1出現(xiàn)之前的時代）。

  首先，我們沒有數(shù)據(jù)。我們生活在一個3D空間加時間軸的世界，但畫面、聲音、溫度、壓力等數(shù)據(jù)，維度非常高，而我們沒有對世界完整的、大批量的觀測數(shù)據(jù)（Observation）。

  對于世界模型的訓(xùn)練路徑，也完全沒有收斂。有一些人認(rèn)為要通過“預(yù)測下一個狀態(tài)”來實(shí)現(xiàn)，但我們認(rèn)為，真正該預(yù)測的不是任何人為定義（Human-defined）的隱藏狀態(tài)，而是世界本身給你的原始觀測。

• 我們認(rèn)為，視頻數(shù)據(jù)是走向世界模型最重要的數(shù)據(jù)類型。

  首先，視頻數(shù)據(jù)是對世界觀測數(shù)據(jù)里，規(guī)模最大的數(shù)據(jù)類型。它同時編碼了時間、空間、視覺、聽覺——是4D物理世界經(jīng)由攝像頭投影后的結(jié)構(gòu)化切片，在所有可獲取的世界觀測數(shù)據(jù)中，信息密度最高、維度最豐富、體量最大。

  視頻遠(yuǎn)不止畫面，視頻中保留的信息遠(yuǎn)比直覺上更多，觸覺、溫度、材料屬性、甚至意圖和情感，大量在人類感知中屬于其他模態(tài)的信息，也被編碼在視覺和聽覺的時序變化中。

• 有人說要“預(yù)測下一狀態(tài)”，但沒有人能幫助模型定義“狀態(tài)”究竟是什么。

  很多人認(rèn)為直接預(yù)測（Observation）可能會有很多冗余，效率不夠高，從而希望人為定義狀態(tài)（State）來提高其訓(xùn)練效率。

  這個教訓(xùn)LLM已經(jīng)演示過一遍了——多少人試圖顯式建模詞的表征、句子的表征、段落的結(jié)構(gòu)，階段性也確實(shí)被證明“高效”，但最終在規(guī)?；穆肪€上，全被 predict next token 殺死了。我們不應(yīng)該在多模態(tài)建模上重蹈覆轍。

  歷史已經(jīng)反復(fù)證明，每次試圖用人類先驗(yàn)去拆解世界，本質(zhì)上都是在低估它的復(fù)雜度，建議全文背誦The Bitter Lesson（苦澀的教訓(xùn)）。

  我們認(rèn)為，真正該預(yù)測的不是任何human-defined的隱藏狀態(tài)，而是世界本身給你的原始觀測——建模raw data（在視頻里即pixels、frames、video）未必是階段性最高效的方案，但大概率是最Scalable、上限最高的方案。

  如果要給世界模型定義幾個要素，第一，它的核心是預(yù)測——但要警惕用人類先驗(yàn)去定義“該預(yù)測什么”；第二，它需要足夠完整、多維度的數(shù)據(jù)來壓縮真實(shí)世界的信息；也就是要能從當(dāng)前的觀測直接推演下一刻的觀測，而不是從一個人為定義的隱藏狀態(tài)推演下一個狀態(tài)。

  從這個角度看，今天大家講的很多“世界模型”，其實(shí)還只是很早期的東西。真正的世界模型，不是生成一段看起來合理的視頻，而是要理解一個 3D 空間加時間軸上的世界，并且能夠持續(xù)預(yù)測下一刻的真實(shí)觀測。

• 視頻生成模型的演進(jìn)，也是在一步步逼近世界模型的過程。

  你可以把視頻模型的演進(jìn)想象成一個孩子認(rèn)識世界的過程。最開始他只能看照片，世界是靜止的——這就是圖像生成。

  然后畫面動起來了，他能看動畫了——這就是早期的視頻生成。再然后畫面有了聲音，風(fēng)聲、腳步聲、碰撞聲都出來了——這就是音畫同出。

  接著他發(fā)現(xiàn)換個角度看同一個房間，桌子椅子還在原來的位置——這是3D空間一致性。

  慢慢地，他知道杯子推到桌邊會掉下去——這是因果關(guān)系。最后他能伸手推門，門真的會開——這就是實(shí)時交互。

  重點(diǎn)是：沒有人給這個孩子塞一本物理課本，告訴他“重力是9.8、聲速是340”。他就是從看到的、聽到的越來越完整的觀測里，自己搞明白了世界怎么運(yùn)轉(zhuǎn)的。

  視頻模型的演進(jìn)，走的是一模一樣的路——不是人為給模型定義“狀態(tài)變量”，而是讓它從越來越完整的觀測中，自己長出對世界的理解。

• 作為一家創(chuàng)業(yè)公司，階段性還是要想明白你的“加油站”在哪。

  對于創(chuàng)業(yè)公司而言，訓(xùn)練出 SOTA 的視頻生成模型后，可以做內(nèi)容生產(chǎn)，可以賣 Token，可以做 Agent。內(nèi)容生產(chǎn)天然是一個巨大的方向，它的閉環(huán)周期比類似具身這樣的領(lǐng)域要快得多，你可以一步一步走到終局（AGI）。

• 做模型的公司做垂直整合之后，成本和體驗(yàn)都會更好。

  為什么要模型和產(chǎn)品都做？

  Claude Code 就是這樣——Cursor 占了 Claude 很大比例的 API 調(diào)用，所以 Anthropic 看到以后，就自己做了。所以如果要抓住大的機(jī)會，你必須有訓(xùn)練 SOTA 模型的能力，純產(chǎn)品公司在這個階段會很難。

• 但在視頻模型方向上，你很難只做一個賣 API 的公司，你還是得自己做產(chǎn)品，模型和產(chǎn)品必須雙輪驅(qū)動。

  在 AI 視頻這個大方向上，模型和產(chǎn)品是距離很近的，非常明確地能吃到算力紅利和數(shù)據(jù)紅利，它擁有 Scaling Law。我們認(rèn)為看一個產(chǎn)品方向的時候，終局可能相對容易想清楚，但切入點(diǎn)和路徑不容易想清楚。所以，你需要有多產(chǎn)品矩陣的能力。

  我們是以模型為核心的多產(chǎn)品矩陣打法——VidMuse 是其中一個探索，之前的Gaga模型發(fā)布后探索數(shù)字人也是如此，未來我們還會有新的產(chǎn)品。

• 模型和產(chǎn)品的目標(biāo)可能有夾角，在創(chuàng)業(yè)公司里可能更好解決。

  模型和產(chǎn)品有沖突怎么辦？關(guān)鍵是你怎么處理這個夾角。對比大廠，創(chuàng)業(yè)公司的優(yōu)勢是：你可以讓模型負(fù)責(zé)人和產(chǎn)品負(fù)責(zé)人都是公司最核心的人，他們和公司目標(biāo)對齊，擁有 Founder Mode，讓他們內(nèi)心深處認(rèn)為公司成功是最終目標(biāo)，而不只是“我要把我這塊業(yè)務(wù)做成”。

  如果產(chǎn)品負(fù)責(zé)人覺得模型好壞跟產(chǎn)品無關(guān)，那當(dāng)然沒法平衡。但如果他有創(chuàng)業(yè)精神，他會想“模型側(cè)有沒有我能幫忙的”。

• 我們現(xiàn)階段的產(chǎn)品策略是，找泛 AI 視頻賽道當(dāng)下時間點(diǎn)有大杠桿的事情。

  AI 視頻這個方向能做的產(chǎn)品就那么幾大類：模型產(chǎn)品、泛Agent 產(chǎn)品、內(nèi)容消費(fèi)類產(chǎn)品。我們選了 Agent 方向，VidMuse 今年年初上線，兩個月我們就做到 1000 萬美金 ARR，說明這個方向的商業(yè)化是成立的。

  用戶每天生成各種內(nèi)容，我們可以端到端收到用戶的偏好——他認(rèn)為什么好、什么不好。這些反饋有機(jī)會幫助模型的的后訓(xùn)練。我們的產(chǎn)品也不局限于只調(diào)用自己的模型，過程中收集的數(shù)據(jù)反饋，能讓自己的模型效果更好。

• 視頻領(lǐng)域過去兩年一直是模型牽引產(chǎn)品。模型每解鎖一個能力，產(chǎn)品側(cè)就少搭一層腳手架。

  以前沒有多鏡頭，產(chǎn)品側(cè)就得想辦法解決怎么做多鏡頭；沒有音畫同出，就得配音配剪輯。現(xiàn)在這些都有了，幫模型兜底的事越來越少。但上面那層產(chǎn)品工作一直都在，只是內(nèi)容發(fā)生了變化——模型能實(shí)時生成了，C 端就有新玩法。

• 我們的開源模型在持續(xù)貢獻(xiàn)價值。

  大公司最大的問題就是人多，大家在同一個代碼庫寫代碼，混亂程度增加。我們會通過組織設(shè)計讓算法和 Infra 更有效地解耦合作，用更少人產(chǎn)生更大價值。我們開源的 MagiAttention 算子庫現(xiàn)在被國內(nèi)幾乎所有多模態(tài)模型團(tuán)隊(duì)使用，英偉達(dá)官方也推薦用它訓(xùn)多模態(tài)模型。

• 我很少思考什么是共識、什么是非共識。我只思考什么是本質(zhì)的、什么是對的。

  共識的本質(zhì)是你在思考大多數(shù)人怎么想，而不是從事情本身出發(fā)做第一性原理的思考。一旦你過于關(guān)心他人的認(rèn)知，大概率就不是在從第一性原理思考問題了。

• Seedance 2.0的爆發(fā)，向市場證明了多鏡頭敘事是重要的。

  音畫同出是Veo3先實(shí)現(xiàn)，多鏡頭敘事是Sora2先實(shí)現(xiàn)，但Sora在多主體參考、多鏡頭敘事的細(xì)節(jié)效果上做得不夠。

  而Seedance 2.0 的爆發(fā)，是因?yàn)榘堰@些維度補(bǔ)齊了，比如多鏡頭敘事上打磨得更扎實(shí)，細(xì)節(jié)也更精細(xì)，加上模型Scale Up和數(shù)據(jù)處理做得好，在這個階段就吃到了一波紅利。

• 視頻模型的壟斷程度，不會比語言模型更高。

  現(xiàn)在視頻模型的競爭烈度還沒有語言模型這么高?，F(xiàn)階段視頻和語言模型差不多，領(lǐng)先窗口大概在兩三個月。

  一個模型在某個時間切片上如果可以 SOTA，那個階段呈現(xiàn)壟斷狀態(tài)是正常的。不過我覺得行業(yè)很快都會追上這個水平，那么每一家份額就會被稀釋，最終不會有一家吃掉 95%，大概率是牌桌上留下三五家，一起分這個巨大的市場。

  重點(diǎn)是只要你一直在牌桌上，就有機(jī)會吃到可觀的一部分。

• OpenAI 關(guān)停 Sora，是一次合理的戰(zhàn)略收縮。

  Sora 2 本身還是挺驚艷的，我覺得關(guān)停這個業(yè)務(wù)有它合理的邏輯。一是OpenAI 要上市，得階段性優(yōu)化短期目標(biāo)，快速交出漂亮的結(jié)果；二是 OpenAI 在 Coding 上已經(jīng)落后了，而 Claude 領(lǐng)先的Coding模型能把算力直接轉(zhuǎn)化成現(xiàn)金流。

  所以，在 Sora App 投入了巨大的算力卻沒換來一個足夠可觀的產(chǎn)品的情況下，把這部分算力平移到 Codex模型中，更可能撐起上市的業(yè)績，所以這是在有短期上市預(yù)期加之主營業(yè)務(wù)落后下的戰(zhàn)略收縮，他們做這個決策是合理的。

• 為什么中國能夠快速在視頻模型上做到世界 Tier 1？

  我覺得這跟起步早晚有關(guān)。我們語言模型起步是偏晚的，國外從 GPT-1 、GPT-2 那時候就開始積累，這里面會有很多訓(xùn)練的 know-how，但國內(nèi)是 2023 年才啟動。視頻模型做得好，是因?yàn)閲鴥?nèi)外起步時間差距不大，真正開始也就是從 Sora 算起，大家時間差不多。并且，國內(nèi)的短視頻生態(tài)也更活躍，這加速了模型的應(yīng)用落地。

封面來源｜企業(yè)

歡迎交流

本文來自微信公眾號“智能涌現(xiàn)”，作者：鄧詠儀，36氪經(jīng)授權(quán)發(fā)布。