技术竞赛升级，视频模型公司更新底层架构

5月19日，智象未来发布了其图像大模型HiDream-O1-Image-Pro。这次发布的一个关键看点，在于其底层模型架构完成了从“多模态”到“全模态”的升级。简单来说，就是用一个统一的Transformer架构，实现了从原始信号端到端的全模态对齐。

这背后有什么不同？过去，处理视频生成任务时，图像、视频、人体动作、文本等信息，往往被视为独立的“模态”，需要各自独立的编码分支来处理。这种分立式的范式，难免带来信息割裂和编码误差。而新的全模态架构，则是将所有这些信息都纳入同一个Transformer框架内进行处理。这样做的好处显而易见：它能有效缓解信息割裂，消除因编码方式不同带来的误差，并显著提升训练与推理一体化的效率。当然，行业此前未能大规模采用这种方案，原因也很现实——技术成熟度不够，更重要的是，能够支撑全模态训练的同源高质量数据，实在太稀缺了。

对于这种行业趋势的回归，智象未来CTO姚霆给出了他的观察。他认为，AI行业从追求垂类模型，到如今重新聚焦全模态模型，背后是商业约束与技术迭代的双重驱动。企业很难长期承受只有投入没有商业化回报的压力，因此必须在模型能力与应用落地之间，找到一个快速闭环的路径。与此同时，模型与具体应用场景之间，会形成一个“模型突破、应用落地、反向定义迭代”的循环。在这个循环中，持续回归并优化底层架构，是一条必然的路径。

市场的风向也在变化。智象未来CEO梅涛指出，一级市场投资人的关注点正在发生转移。如果说2024年大家更看重模型效果本身，那么到了2024年底、2025年初，商业化成绩单就成了新的焦点。而进入今年，无论是二级市场还是一级市场的投资人，注意力又重新回到了模型的核心能力上。

技术侧的突破，无疑是推动这种关注转移的重要力量。梅涛分析道，从OpenAI Sora的诞生，到今年字节跳动Seedance 2.0展现出的良好效果，行业清晰地感受到了技术的飞跃。Sora让业界看到，专业用户通过大量工程化工作，已经能产出接近商业化的成果；而Seedance 2.0则迅速将受众从早期的专业用户和尝鲜者，扩展到了半专业甚至普通用户群体。谈及Sora的关停，梅涛认为，一个很重要的原因在于其巨大的算力消耗——据估算，其约90%的成本都花在了预训练阶段。

那么，资本市场的反应如何？东方富海合伙人王兵用“特别疯”来形容今年的人工智能一级市场。在他看来，市场整体变热主要源于两方面：一是AI技术真正开始进入工作流程，技术发展实实在在地推动了商业化加速；二是与美国市场相比，中国科技资产的估值显得“便宜很多”。这两个因素叠加，使得行业内不少项目的估值水涨船高。

具体到视频模型这个细分赛道，投资机构的筛选逻辑是什么？王兵给出了明确的答案：他们看重的并非公司前一两年的收入或利润，而是技术的稀缺性。他的建议是，在不盲目烧大钱的前提下，创业公司应该坚定地把基础模型做好。只要你的基模能力能稳居行业前三，公司就永远握有入场券和机会。

当然，挑战也同样明确。王兵特别提醒，在算力成本没有出现大幅下降的情况下，创业公司应尽量避免在To C领域直接与巨头“硬碰硬”。这是一个基本的商业判断，因为创业公司很难承受大厂那种动辄数十亿、数百亿的投入规模。

尽管前路挑战重重，但王兵对视频模型行业的未来依然持乐观态度，判断其“未来一定会赚钱”。支撑这个判断的理由有两个：首先，算力成本未来呈指数级下降是可以预期的趋势；其次，当前头部AI生成的短剧质量，已经达到了可以商业化的水平。AI在影视、广告等内容生产领域逐步取代部分人力，似乎已成为一个不可逆转的趋势。