AI圈最神秘的一家公司，终于公开了它的“豪赌” - 竞彩过关

文｜邓咏仪

编辑｜张雨忻

Vivix究竟在研发什么？过去一年多来，这始终是人工智能领域对这家低调企业最大的疑问。

外界对Vivix的印象大致如下：知名创业人刘宇，从算法、产品到品牌，各个业务线始终在积极招募人才，公司估值在一年内迅速攀升至13.2亿美元，背后汇聚了背景显赫的投资者群体。

然而，很少有人能确切描述这家公司的具体业务。有人猜测，这是一家不涉及模型开发的纯AI产品企业，旨在打造“下一个时代的抖音”，因此才会频繁推出诸如7verse、TipTap这类互动娱乐产品。如果你在此期间搜索Vivix——唯一可见的技术方向说明，只有官网上写着的“下一代视觉生成引擎”。

在Vivix成立后的19个月里，多模态领域的竞争激烈程度已不亚于大语言模型（LLM），并且涌现出像Seedance这样的创富案例。

“我们真的那么神秘吗？”7月，当首次见到Vivix创始人刘宇时，他对外界的种种评价显得有些不以为然。“看似神秘，是因为在模型尚未准备就绪时，没有太多进行公关的必要。”

刘宇表示，此前Vivix的产品都是为了测试模型而进行的尝试，他想要实现的目标始终如一：打造下一代的实时交互模型。

行业对这家公司的关注，很大程度上源于一些耀眼的标签：创始人刘宇生于1995年，是商汤科技出身的正统人才，经历过大规模AIGC和多模态交互模型的完整训练流程；早在2023年，他就带领团队开发了一款面向消费者的AI应用“秒画”，上线首月便吸引了数百万用户。

一位知情人士曾向我们透露，当时在商汤的视觉领域，同时具备算法和项目经验的人不超过五个，而带领过百人基础模型团队、掌握4000多张GPU的刘宇便是其中之一。

而Vivix在资本领域掀起的波澜，很大程度上源于刘宇选择的创业方向。

2024年，当大语言模型的故事逐渐降温时，另一侧的OpenAI Sora正掀起视频生成模型的浪潮。而刘宇所押注的路线，承载了市场对下一代多模态模型形态的期待。

当时，大多数视频模型厂商都在全力提升视频画质、延长时长和增强物理一致性；彼时带领整个商汤研究团队的刘宇，更早地就将生成速度和模型的可交互性作为独立的技术目标，探索利用一致性模型来减少视频生成的采样步数。

刘宇认为，互动内容是人工智能时代才出现的新内容品类，如果一个模型只能进行音视频生成，那它只能为上一个时代成熟内容格式的生产端实现降本增效。他创业的起点正是——在可预见的未来，模型有机会达到让互动内容“可被消费”的临界点。

Vivix的所有模型训练都围绕这一目标展开。“如果要打造一个互动内容的底层模型，一是要确保生成速度足够快，二是要确保成本足够低廉。”刘宇说。

这也能解释为什么刘宇在首次对外沟通会上，向外界展示的基准指标并非顶级模型的某项参数，而是视频平台巨头YouTube的CDN带宽成本——这是当前内容平台在成本上的基本底线。

7月，Vivix将推出两款实时交互模型W1和A1——W1是集理解、交互、生成于一体的基座模型；A1则是以角色交互为核心的实时交互模型，面向数字人或角色交互等具体应用场景。

其中，W1模型的实时生成成本，已接近YouTube每小时约0.2美元的CDN带宽成本，与目前最顶尖的视频生成模型相比，实时互动内容的生成成本可降低一到两个数量级。

在速度方面，当用户在交互场景中进行操作时，模型能在300到600毫秒内生成下一帧画面（即TTFF，首次生成帧时间）。这使得模型能够真正实现个性化分发的下一步——个性化生成。

△Vivix-W1展示实时导演能力，支持通过文本、语音以及触控输入实时改变故事走向

Vivix初步选择的场景是游戏和直播。这源于这两个场景的特性：游戏是多对多的交互，直播则是一对多的分发，单位token的消耗密度最大，产生的GMV和客单价上限也更高。

实时交互则进一步拓展了这些场景的可能性。在Vivix与一些游戏工作室共同创建的演示中，玩家已经可以通过即时提示（Prompt）来控制剧情进展，真正让一个故事变成开放世界设定——刘宇将具有故事感作为衡量模型的核心指标之一。能够交互、能有参与感的内容，才是下一代内容的核心所在。

△Vivix-A1展示动作表现，与物体和环境的交互

而为了匹配新的内容格式，现有的所有“基础设施”都需要重建。一个根本原因在于，“世界上并不是所有东西都可以通过语言、图像和视频来表达。”刘宇说，“我们需要将人类交互的原始数据（raw data）直接输入给模型，让模型自己去理解。”

从成立至今的19个月里，从前端的数据采集、数据管线搭建到基础设施（infra）和模型，Vivix团队几乎都进行了重构。目前Vivix的团队规模已达150至160人。

与刘宇所踏上的宏大征程相比，他并非一个喜欢讲述愿景和价值观的创业者，也担心大家将实时交互简单地理解为又一个世界模型。“我只是觉得世界模型这个词太神圣了，我们还不配去谈论。”他说。

在刘宇的规划中，7月上线的W1是一个中等规模版本，核心目标是验证理解、交互、生成一体化这一概念能否实现并具备泛化能力。今年第四季度，Vivix还将完成W2的训练——数据量比W1再高出两个数量级，覆盖所有能想象到的天然视频交互场景。

可以说，Vivix想要达到的最终目标依然较为遥远，并且难度极高。一方面，实时交互对算力和基础设施提出了更高要求——人类消费语言Token的速度是每秒5到10个字，而视觉类内容的Token量可能达到数千到数万。另一方面，尽管实时交互已成为下一代模型厂商的探索共识，但主要技术曲线仍未收敛，需要长期投入。

不过，刘宇认为这反而进入了他的舒适区，“共识意味着平庸，”他说。从小到大，无论是放弃博士入学机会去商汤创业，还是在商汤内部一路创业至今，他所取得的大多数成就，都源于非共识。

以下为Vivix创始人刘宇的自述，经智能涌现整理：

不打算做产品公司 

我们成立至今开发了好几个产品原型，7Verse、TipTap，到现在已经是第五个产品原型。所有这些产品都只想弄清楚一个问题：什么样的内容格式和交互方式才是真正可消费的。

这是这个领域最根本的问题。所有从事AI娱乐、AI内容、交互内容的公司，都必须回答：什么样的AI内容，比抖音的内容更让人愿意消费？

我们一开始低估了这个问题，以为定义了交互式内容就可行，只要做出来，大家就会喜欢。结果真正做出几个产品原型后发现，这件事太难了。

如何定义交互很难，内容怎样才具有消费力也很难，而这两个难点最终都要回归到模型能力。所以产品并不是我们优先考虑的事情。在可预见的未来，我们仍以模型为主，核心还是销售模型的API。

开发这些产品，也是尝试给市场提供一些方向。当时我们做了首个可在真实世界交互的数字人Sofia，发现有很多乙女游戏公司、做AI陪伴的公司也希望做类似的事情。

他们使用我们的API，前端框架（harness）两三天就完成了——用Claude Code开发整个前端和数据系统。客户沉淀的是他们自己的框架——这个产品该如何销售、人格该如何设置、游戏机制和数值系统该如何调整。底层引擎使用的是我们的。

多模态的Scaling Law已经出现 

创业之前，我当时负责训练商汤所有底层基础模型。商汤最有名的业务线是人脸识别，我们大概有三四十条人脸识别业务线——地铁刷脸、人证比对、手机人脸解锁、被动式安防。我们发现，即使都做的是人脸识别任务，每个细分场景都需要单独训练一个模型。如果把所有数据拿来训练一个模型，它在每个场景上的精度都会下降。

但这一代大模型完全不同。Transformer架构中的自注意力机制（self attention）使得模型天然具备跨领域的泛化能力——数据越多、场景越杂，它反而越强。GPT一个模型能做翻译、陪伴、问答、编码等任务，这些场景间的边际成本几乎为零。

2025年上半年，我们找到了十几个类似于next token prediction之于LLM的数据源——我们称之为next reaction prediction。它实际上是一个三元组合，包括几个维度的数据：过去发生了什么（理解）；人类是怎么交互的（交互）；下一秒会发生什么（生成）。

游戏天然就是交互式内容，所有游戏的录屏和仿真环境里，回放（replay）只需记录初始状态和所有人的操作方式，就可以将整个游戏从头到尾回溯一遍。这些数据天然展示了人如何对内容进行交互、为什么进行交互、以及交互后内容会发生什么变化。

我们现在已精筛的多模态数据有数千万小时，其中部分带有交互属性。头部通用视频生成的语料差不多也是这个量级。

这一点也会影响我对多模态交互数据Scaling Law方式的思考。

曾经，在机器学习训练的时代，我们需要人工标注真值（ground truth），比如人脸识别要标注这个人是谁，自动驾驶要拉框标注车的位置。

而到了LLM时代，之所以有Scaling Law，是因为自然语言的Next Token Prediction是天然的自监督“标注”，不需要任何人工标注。我们在交互智能领域，也找到了“理解-交互-生成”这种天然可自监督的三元组结构，因此存在可扩展（scale）的数据范式。

先扩展数据，再扩展参数和框架 

如果从C端用户看需求，第一，他们很难为token付费；第二，他们对内容生成速度的耐心也有限。所以，如果要做一个互动内容的底层模型，必须有两个特征——足够快，足够便宜。

成本、速度和效果，这三者是一个不可能三角。我们要比的不是谁成本低、谁速度快、谁画质好，而是在一个四维空间里——成本、速度、质量、内容消费力加在一起，看谁的模型和系统朝右上角走得最远。

AI时代要真正出现面向消费者的内容产品，成本端必须打破现有工具型模型的成本壁垒。只有当成本能做到我们去刷抖音、看YouTube的内容成本水平时，才有可能实现实时、可交互。

我们现在模型的推理成本已经非常接近这个状态。

我们会对标的是YouTube。用户在YouTube看视频时，为全球网络CDN和互联网带宽付出的费用，大约是0.2美元每小时。

2025年3月到今年4月，Vivix的模型推理成本降低了两个数量级，而且这不只包含生成，还包含对视频、对多模态交互的理解。

再说速度。我创立之初给基础设施团队定的核心指标是TTFR（首次反应时间）——人给出一个反应（比如写了一段提示、在屏幕里点了一下）之后，多久会生成对应的反应内容。

目前模型推理的TTFF（首帧反应时间），我们大约需要300到600毫秒，算上网络通信等全链路TTFR需要1秒左右。与此相比，头部视频模型基于一段提示生成视频内容需要的推理时间是数百到数千秒。

考虑到这是一个有效激活参数约30B、VAE压缩率仅为8-8-4的模型，在理解、交互、生成一体化的情况下，能达到这个延迟，是非常困难的事情。

7月，我们将发布W1。W1是一个中等规模模型，核心是验证理解、交互、生成一体化这一概念能否实现并具备泛化能力——有点像GPT-1和GPT-2的关系。上个月我们已经启动了W2的扩展，W2与W1相比数据量大了两个数量级。我们计划在第四季度完成W2的训练并对外发布。

W1到W2需要扩展的是数据，W2到W3需要扩展的是模型结构和MoE（混合专家模型）。对我们来说，现在处于扩展数据这个阶段——先把模型喂饱，喂饱之后再去扩展参数和框架。每一类大模型——语言模型、视频生成模型、音频模型、VLM、VLA，包括我们的理解生成交互一体化的模型——都需要经历这种阶段。

现在比较缺失的部分是：如何将人类天然能够与模型发生交互的这些模态，全部纳入到模型原生的学习过程中。

模型的智能上限不应该被人类的自然语言束缚住。人类如何与内容交互的理解，也不应该先转化为文字。我现在的做法是，将人类与模型交互的原始数据直接输入给模型，让它自己去理解。

我们没有在和Seedance竞争 

我2022年在商汤内部就想做这件事，直到现在也没变过。

很多投资人每次第一次见我们，都问你怎么跟Seedance竞争？我说，为什么要跟Seedance竞争？

国内很多做视频工具、视频模型的公司，选择这条赛道难免要跟字节跳动竞争。但一是模型能力很难做得过他们，二是获客模式、生态也做不过大厂，很难赢。

所有做视频生成模型的公司，比如针对短剧、短视频创作的产品，它们是在为移动互联网时代的内容格式做生产端的降本增效。一切以降本增效为出发点的，且中国有优势的产业，最终利润率都会非常低。

而跨赛道的能力，是降维打击，不是直接竞争。就像用专家系统做RAG和用大语言模型做知识库检索，都是做知识库，但技术范式变了，不存在竞争，大家直接就会迁移过去。

本质上，我们是在创造新的增量。现在大家做短剧都是离线的，很少有人在制作实时互动的短剧，因为也没有对应的模型，成本很高。AI时代，只有靠新模型的出现才能催生新应用场景。所以我们所有的做法都是在模型层不断添加能力，然后往下推动对应的基础设施应该怎么做，应用场景能怎么做。

创业公司追求赔率，大厂追求胜率 

大厂一定也会做交互内容，但做的方式、动机和耐心与创业公司完全不同。大公司的决策机制导致它们对概率的追求是无止境的——这件事有足够大的概率，就投入足够大的资源。

创业公司的核心是对赔率的追求。我自己对创业的理解是：追求赔率的人，找到了赔率高、且因认知差带来了概率优势的方向。

而在这个概率优势提升到大厂愿意投入足够多资源之前，需要形成自己的数据飞轮——也就是足够大的推动力和足够大的壁垒。否则，没有独特认知，在相同概率下与大厂比拼胜率的创业公司，没有任何机会。

上一个时代，Adobe能一家独大，是因为产品功能足够复杂——我是个摄影发烧友，但Photoshop 70%的按钮我都没点过，但正因如此，所有工作流都在它这里完成，不需要去别的产品。

但AI时代的门槛不再是产品复杂度，而是模型泛化能力。所有交互都变成自然语言，用户不需要学习高斯模糊、蒙版是什么意思，一句话就出结果。

为什么AI 1.0时代商业化那么差？原因就是技术泛化性差，你不得不做高单价高毛利的事情来补贴研发。我给这个公司做一个模型，只能给他用，没法给另一个用，因为性能会下降。

这一代实时交互技术的底层变量是，模型泛化性足够强，意味着商业模式的变化——复制能力的边际研发成本是零。不再需要靠某一个客户的高毛利，来补贴给另一个客户定制化模型的研发成本。我们应该赚的钱，就是这个靠基于模型的规模化带来的附加值。

而往更远的未来看，具备模型训练能力的公司绝不止一家，模型能力最终也一定会收敛，同质化模型的商业模式最终还是会走向水电煤模式，市场进入存量竞争且渠道透明，毛利率会变低。所以我们要在这个过程中创造场景和渠道的附加值。

要做到AI模型第一梯队，必须军团作战 

AI技术的创新与突破是无法计划的，要有宽松的环境来激发创造力。

但在这个时代，如果要做到模型第一梯队，不能仅靠一个天才想法，必须得有非常强的体系化作战能力——要有非常强的数据基建、训练基础设施，以及数据算法能力。超大规模训练任务的魔鬼，都藏在细节里，相同的1万张GPU、1B原始数据给到不同团队，效果可能天差地别。

比如，Seedance之所以会那么厉害，我自己感受有两个点。第一是它的军团作战能力足够强——数据、模型，算法可能没有太多花哨的创新，但每个细节都做得好，模型团队足够努力；二是自动分镜，提示遵循能力做得好，很大提升了产品可用性。

我前两年见了不少字节跳动的人，一直很好奇字节跳动为什么能做到这样——无论换了谁，整个团队继续以最高战斗力去做业务。

为什么如今这种大军团作战的形式能奏效？是因为当时的视频生成赛道，DIT、MoE已经是共识，不需要做过多的花哨创新，这时候反而需要军团作战，把细节一步步做到位，这就是可以发挥组织优势的地方。

今天用AI来生产内容还处于早期阶段，整个视频生成赛道的ARR与去年相比翻了数十倍，未来几年可预期的是这个赛道还会有数量级的增长。我们今天押注用模型直接改变内容格式，这个赛道更早，更未知，也更有趣。

我是一个特别怕共识的人 

很多人问我怎么看世界模型，好像大家都开始做了，