智象未来CEO梅涛：多模态模型Token的毛利率，远高于语言模型

文｜王欣逸 李嘉星 编辑｜周鑫雨 一家Day 1就在做多模态大模型的公司，无法拒绝参与到具身智能和世界模型热潮之中。 2026年，随着Seedance 2.0、GPT Image 2.0等模型的爆火，多模态能力越来越成为行业内绕不开的关键词。5月19日，智象未来首届开放日上，智象未来给出了他们的判断和回答：“原生多模态是实现AGI的必经之路。” 本场开放日活动主题为“Imaging the World”，不过，对于智象未来而言，「World」的重要性，几乎要放在「Video」和「Image」之前了。 “我们的终极目标是打造世界模型。”智象未来CEO梅涛在活动中反复提及这一观点，在他的定义中，智象未来要做一家原生多模态大模型公司。 在梅涛看来，一个真正的世界模型需要同时满足多个条件：掌握物理规律、解决长时间跨度的因果推理、实现全模态交互以及绝对的安全性。 当下业界主流的世界模型训练路线可以分为李飞飞的“生成3D世界”一派，以及Yann LeCun的“自监督预测世界”一派。 智象未来则做出了不同的选择——做算法和架构层的创新，从世界模型训练中最稀缺、成本最高的多模态数据入手，率先聚焦在视频、图像、3D交互等数据的生成上，用低成本的合成数据对抗行业数据稀缺瓶颈，并从中积累一些在世界模型上可复用的视觉模型能力。 具体而言，他们要让多模态模型从构建之初就拥有理解真实世界规则的能力。原生全模态Unified Transformer（UiT）架构能做到“Any to Any”（任何形式输入支持任何形式输出），这也正是世界模型所需要的能力：在统一架构中理解、生成并预测现实世界的不同状态。 过去一段时间，他们做出了从“模型即产品”到“做Agent平台”的转变。 作为一家主要面向To B的公司，他们概括自己的打法是做一个“1+1+3”MaaS（软件即服务）平台，分别为底层的HiDream系列大模型、中间层的HiHarness企业服务平台，以及上层三大场景的应用：商业营销、影视创作、社媒创作。 概念火热的同时，资本也在不断押注。继上个月拿到安徽省产投、东方富海等机构参投的5亿人民币B轮融资之后，智象未来又火速官宣了下一轮融资，两周内再次完成亿元级新一轮融资。 一系列竞争也随之而来，当下的模型能力越来越强，在和海内外基模厂商争夺模型市场的同时，智象未来还要攥紧他们手中的新牌——MaaS平台，并瞄准视频生成领域的垂类赛道，开展和大公司的争夺战。 在智象未来开放日结束后，《智能涌现》等媒体和智象未来CEO梅涛，以及其投资人东方富海合伙人王兵聊了聊，以下为对话实录（略经摘编）。 很多具身智能公司低估了视频模型的重要性 问：在大家的认知当中，智象未来之前做图像和视频比较多，从二维的图像、视频，到三维的物理世界，你们的战略转型是怎么发生的？ 梅涛： 目前大家将市面上一些模型称之为世界模型还太早了。世界模型有不同的路径，未来可能也会有多种可能性。 到今天为止， 我们不会去对外声明我们目前是一家世界模型公司 ，我们更倾向于将智象未来定义为 原生多模态大模型公司 。 智向未来更关注原生的全模态大模型及其应用领域，不过，原生多模态大模型公司在将来肯定会通往世界模型。 问：现在很多公司都自称在做“世界模型”，但外界对这个概念的定义很模糊。您如何界定智象未来所追求的“世界模型”？ 梅涛： 我们会非常严谨地认为智象未来做的是原生多模态的模型，在迈向世界模型的过程中，会比较聚焦在视频、图像、3D交互这些数据的生成上。 问：智象未来从拼接式多模态升级为原生多模态，这在技术上出现了什么拐点？目前技术是否成熟？ 梅涛： 多模态生成领域的技术尚未收敛，这正是创业公司的机会。如果技术完全收敛、统一采用DIT框架，我们也就没有空间了。 正因为技术没有快速收敛，我们才能通过算法创新，以少量资源实现与大厂同等的效果，而非单纯去拼数据与算力。 问：从全模态大模型到世界模型，需要还需要达成哪些成熟的技术条件？ 梅涛： 第一是掌握物理规律，包括流体力学、固体力学、分子动力学和牛顿定律等，目前行业还难以全面枚举和掌控； 第二是解决长上下文的因果关系问题； 第三是实现与物理世界的全模态交互，比如机器人怎么拿起杯子、拧开盖子、倒水并判断用户需求，这离我们还有相当长的距离； 第四是安全性，机器人如果进入家庭，必须保障百分之百的安全，避免对人身或贵重物品造成损害。 我们现阶段更务实的选择是关注原生多模态问题，既能实现商业化落地，也能为未来迈向世界模型做好技术积淀。 问：很多视频生成模型公司都在卷长视频、真实性，在迈向世界模型的过程中，这些指标会发生改变吗？ 梅涛： 世界模型强调的是生成世界的能力，包括逻辑关系、视觉效果等。 我们对自己的视频模型有三个维度的要求： 第一是 模型能力 ，即视觉内容的合理性、质量，与物理规律的符合度，在模型能力上我们必须瞄准天花板来做； 第二是 视频时长 ，我们目前能做到分钟级的生成，甚至在技术上可以做到3分钟、5分钟甚至无限长； 第三是 实时性与交互能力， 当模型花1分钟就能生成出1分钟时长的视频，那基本就可以实现交互了。我希望我们的产品可以朝这个方向努力，比如通过算法提供低质量的预览，用户确认后再输出高精度的2K或4K视频。 问：在训世界模型的过程中，数据是比较稀缺的资源。您认为世界模型的数据获取、清洗和标注策略，和之前训图像、视频模型相比有什么不同？ 梅涛： 模型训练过程包含三个要素：算法、数据和算力。 倘若算法框架固定下来，剩下的就是在比拼数据和算力了。举个例子，如果大家都在用DiT（Diffusion Transformer）架构做视频模型的话，数据的质量、分布以及数据标注的质量，对模型能力相当重要。 不过，一旦算法和架构发生了变化，或者出现了新的架构和新的算法，数据的重要性就会弱一点。这也是创业公司的机会所在——我们不完全拼算力和数据，而是关注算法本身的创新。 回到数据层面来看，为了获取高质量真实的数据和反馈，我们做了一套工具链条，用以收集、清洗和标注这些数据。 我们拥有20万小时有影视版权的视频数据，和不少厂商保持着合作关系，同时也正寻求和头部拥有版权数据的影视公司的合作。 世界模型的数据情况与视频模型有所不同，世界模型数采需要全方位多模态的数据，成本更高，且更为稀缺。因此，智象未来在做的是，将其他厂商采集到的毫米级真人实操数据，用视频模型生成万份级不同场景、肤色的真人数据，并用这些真实数据及机器合成数据训练VLA（Vision-Language-Action，视觉-语言-动作模型）和WAM（World Action Model，世界动作模型）。 问：用纯真实数据训模型，和用机器合成数据训模型，效果会有所不同吗？ 梅涛： 我们会进行小规模的验证，形成从数据到模型训练的闭环。具体来说，就是看用机器生成的数据对市面上普通的乃至最好的VLA和WAM模型有没有好处，反推去验证数据的有效性。 问：您曾提到，很多具身智能公司低估了视频模型的重要性。您为什么认为没有视频模型，具身智能很难走远？ 梅涛： 现在具身智能公司的模型规模普遍很小（不到100B）。如果真要承担类似世界模型的复杂任务，靠小模型和有限的数据采集，不太可能实现广泛的泛化。