AI圈最神秘的一家公司，终于公开了它的“豪赌” 文｜邓咏仪 编辑｜张雨忻 Vivix到底在做什么？这是过去一年多以来，AI圈对这家神秘公司 的最大好奇。 Vivix给外界的印象大致是：明星创业者刘宇，从算法、产品到品 牌，所有业务线一直在激进招人，公司估值在一年里飞涨至13.2亿美 元，背后站满了背景华丽的投资人们。 但很少有人能说清楚这家公司到底在做什么。有人说，这是一个不 做模型的纯AI产品公司，要做“下一个时代的抖音”，所以才频频推出 如7verse、TipTap这样的互动娱乐产品。如果你在这段时间搜索Vivi x——唯一可见的技术方向介绍，只有官网写着的“下一代视觉生成引擎 ”。 Vivix成立的19个月里，多模态领域的竞争烈度已然不逊于大语言 模型（LLM），并且跑出了如Seedance这样的造富故事。 “我们很神秘吗？”7月，第一次见到Vivix创始人刘宇时，他看起来 对外界的种种评价有些钝感。“看起来神秘，是因为在模型还没有很r eady时，也不太有PR的必要。” 刘宇说，此前Vivix的产品都是为了验证模型而做的探索，他想做 的事情从没有变过：下一代的实时交互模型。 行业对于这家公司的关注，很大程度来自一些闪亮的标签：创始人 刘宇1995年生，根正苗红的商汤系人才，经历过大规模AIGC和多模态 交互模型的完整训练闭环；早在2023年，就带队做过一款To C AI应 用“秒画”，上线首月获得数百万用户。 一位知情人士曾对我们说，当时商汤在视觉领域，同时有算法和项 目经验的人不超过5个，带过百人基础模型团队、手握4000多张GPU的 刘宇是其中一个。 而Vivix在资本圈搅动的风云，很大程度就源自刘宇选择的创业方 向。 2024年，当大语言模型叙事降温时，另一侧的OpenAI Sora正在掀 起视频生成模型浪潮。而刘宇所押注的路线，承载了市场对下一代多 模态模型形态的希冀。 当时，大多视频模型厂商都在all in视频画质提升、更长时长和更 强的物理一致性；彼时带领整个商汤研究团队的刘宇，更早就把生成 速度和模型的可交互性作为独立的技术目标，探索用一致性模型减少 视频生成的采样步数。 刘宇认为，互动内容是AI时代才出现的全新内容品类，如果一个模 型只能做音视频生成，那它只能为上一个时代成熟内容格式的生产端 做降本增效。他创业的源头正是——在可见的未来，模型有机会到达让 互动内容“可被消费”的拐点。 Vivix的所有模型训练都围绕这个目标来进行。“如果我们要做一个 互动内容的底层的模型，一是要让生成足够快，二是要足够便宜。” 刘宇说。 这也可以解释为什么刘宇在第一次对外的沟通会上，向外界展示的 Benchmark并不是顶级模型的某个指标，而是视频平台巨头YouTube的 CDN带宽成本——这是这一代内容平台在成本上的基础红线。 7月，Vivix将推出两款实时交互模型W1和A1——W1是理解、交互、生 成一体化的基座模型；A1则是以角色交互为中心的实时交互模型，面 向数字人/角色交互等具体应用场景。 其中，W1模型的实时生成成本，已经接近YouTube每小时约0.2美金 的CDN带宽成本，和目前最头部的视频生成模型相比，实时互动内容 的生成成本可以低1-2个数量级。 在速度上，当一个用户在交互场景中进行操作时，模型能在300-60 0毫秒内就可以生成下一帧画面（即TTFF，Time to First Frame，生 成首帧画面时间）。这使得模型真正可以做到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、客单价上限也更高。 实时交互则进一步打开了这些场景的可能性。在Vivix和一些游戏 工作室共创的demo中，玩家已经可以实时通过Prompt来控制剧情进展 ，真正让一个故事变成开放世界设定——刘宇将有故事感作为衡量模型 的最核心指标之一。能够交互、能有参与感的内容，才是下一代内容 最大的核心。     △Vivix-A1展示动作表现，与物体和环境的交互 而为了匹配新内容格式，现有的所有“基建”都需要重建。一个本质 原因在于，“世界上并不是所有东西都可以通过语言、图像和视频表 达。”刘宇说，“我们需要把人类交互的原生raw data扔给模型，让模 型自己去理解。” 创立至今的19个月里，从前端的数据采集、数据管线搭建到infra 、模型，Vivix团队几乎都重做了一遍。目前Vivix的团队规模已达15 0-160人。 和刘宇踏上的远大征程相比，他并非一个爱讲愿景和价值观的创业 者，也害怕大家把实时交互粗暴地理解为又一个世界模型。“我只是 觉得世界模型太神圣，我们还不配去谈。”他说。 在刘宇的规划中，7月上线的W1是一个中等规模版本，核心是验证 理解、交互、生成一体化这件事可以跑通，并且可以泛化。今年Q4， Vivix还将完成W2的训练——数据量比W1再高两个数量级，覆盖所有能 想象到的天然视频交互场景。 可以说，Vivix想达到的终局目标依然比较远期，并且难度极高。 一方面，实时交互对算力和infra提出了更高要求——人类消费语言Tok en的速度是每秒5-10个字，而视觉类内容的Token量可能是数千到数 万。另一方面，实时交互虽然已经成为下一代模型厂商的探索共识， 但大的技术曲线仍未收敛，需要长期投入。 不过刘宇觉得这反而来到了他的舒适区，“共识意味着平庸”，他说 。从小到大，无论是放弃博士入学去商汤创业，还是在商汤里一路内 部创业到现在，他所取得的绝大多数成绩，都来源于非共识。 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 我们成立至今做了好几个产品原型，7Verse、TipTap，到现在已经 是第五个产品原型。所有这些产品都只想测明白一个问题：什么样的 内容格式和交互方式是真正可消费的。 这是这个领域第一性的问题。所有在做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，是比抖音的内容更让人愿意 消费的？ 我们一开始低估了这个问题，觉得定义了交互式内容就是work的， 只要做出来，大家就都会喜欢。结果真的做出来几个产品原型之后发 现，这事太难了。 该怎么定义交互很难，内容怎样才有消费力也很难，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第一优先要做的事情 。在可见的未来，我们还是以模型为主，核心还是卖模型的API。 做这些产品，也是尝试给市场一些方向。当时我们做了首个可在真 实世界交互的数字人Sofia，发现有非常多乙游公司、做AI陪伴的公 司也希望做这个事情。 他们用我们的API，前端harness两三天就搞完了——用Claude Code 做整个前端和数据系统。客户沉淀的是他们自己的harness——这个产 品该怎么卖、人格该怎么设置、游戏机制和数值系统该怎么调。底层 引擎用的是我们。 多模态的Scaling Law已经出现 创业之前，我当时负责训整个商汤所有的底层基础模型。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。我们就发现，就算都 是做人脸识别任务，每一个细分场景都需要单独训一个模型。如果把 所有数据拿过来训一个模型，它在每一个场景上的精度都会下降。 但这一代大模型完全不一样。Transformer架构里的self attentio n（自注意力机制）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、Cod ing等等，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——我们叫next reaction prediction。它其实是一 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，replay 只靠记录初始状态和所有人的操作方式，就可以把整个游戏从头到尾 回溯一遍。这些数据天然就是展现人是怎么对内容做交互、为什么做 交互、以及做完之后内容会发生什么变化的。 我们现在已经精筛的多模态数据已经有数千万小时，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。 这一点也会影响到我对于多模态交互数据Scaling Law方式的思考 。 曾经，我们做机器学习训练的年代，需要人去打ground truth（标 注真值），比如人脸识别要标这个人是谁，自动驾驶要拉框标车在哪 。 而到了LLM时代，之所以有Scaling Law，是因为自然语言的Next T oken Prediction是天然的自监督“标注”，不需要任何人类标注。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，所以存在可scale的数据范式。 先Scale数据，再Scale参数和框架 如果你从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，如果我们要做一个互动内容 的底层模型，必须有两个特征——足够快，足够便宜。 成本、速度跟效果，这三个是一个不可能三角。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、内容消费力加一起，看谁的模型和系统往右上角走得最远。 AI时代要真正出现to C的内容产品，成本端一定得打破现在工具型 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，才有可能做到可实时、可交互。 我们现在模型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看视频的时候，为全球网 络CDN和互联网带宽付出的费用，大概是0.2美金每小时。 2025年3月份到今年4月份，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infra团队定的最核心指标是TTFR（Time to First Reaction，首次反应时间）——人给一个reaction（比如写 了一段prompt、在屏幕里点了一下）多久之后会生成对应的reaction 内容。 如今模型推理的TTFF（首帧反应时间），我们大概需要300到600毫 秒，算上网络通信等全链路TTFR需要1秒左右。与此形成对比的是， 头部视频模型基于一段prompt生成视频内容需要的推理时间是数百到 数千秒。 考虑这是一个有效激活参数为约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，能做到这个延时，是非常难 的事情。 7月，我们会发布W1。W1是一个中等规模模型，核心是验证理解、 交互、生成一体化这件事可以跑通并且可以泛化——有点像GPT-1跟GPT -2的意思。上个月我们已经启动了W2的scaling，W2跟W1相比数据量 大了两个数量级。我们计划在Q4完成W2的训练并对外发布。 W1到W2要scale的是数据，W2到W3要scale的是模型结构跟MoE（混 合专家模型）。对于我们来说，现在是在scale数据这个阶段——先把 模型喂饱，喂饱了之后再去scale参数跟框架。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：怎样把人类天然能够跟模型发生交互的这 些模态，全部纳入到模型原生的学习里面。 模型的智能上限不应该被人类的自然语言束缚住。人类怎么跟内容 交互的理解，也不应该先转化成文字。我现在的做法是，把人类与模 型交互的原生raw data扔给模型，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。 好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，选这条赛道难免要跟字节 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for短剧、for短视频创作的这些 产品，它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 少人在做实时互动的短剧，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滋生新应用场景。所以我们所有的做法 都是在模型层不断加能力，然后往下推对应的infra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、motivation和耐心跟创业 公司都是完全不一样的。大公司的决策机制导致了他们对概率的追求 是无止境的——这个事儿有足够大的概率，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，在相同概率下跟大厂卷胜率的创业公司，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，因为性能会掉。 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技术的创新跟突破是无法计划的，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idea ，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 infra，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fancy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，pr ompt following的能力做得好，很大提升了产品可用性。 我前两年见了不少字节的人，一直很好奇字节为什么能做到这样—— 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，不需要做过于fancy的创新，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的ARR 跟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，就成了共识？ 但我觉得并不是。共识是你的认知和大家是一致的，但大家现在做这 件事情的出发点显然还是不一致的。 在一个还没有成立的赛道上，如果去卷一个错误的共识指标是不对 的。就像做数字人，大家都卷谁嘴型对得好、谁手自然，但我认为这 不太本质。我喜欢看罗永浩直播，是因为他说话风趣，喜欢看张雪峰 讲高考是因为他能把灰色的成年人世界讲给我听。这些才是消费的重 点。 在我自己的成长中，获得的正反馈都不是由共识带来的。我所有的 工作基本上都是需要靠创业精神——在港中文边读书边创业，在微软做 研究，在Google Brain做研究，在商汤从实习生到研究总监，再到带 一个事业部，都是从0到1的事情。 2015年的时候我申请了一所还不错的学校的PhD，签证都办好了， 但汤晓鸥老师希望我留下来一起创业。那年我20岁，选择了放弃读博 ，留在商汤。今天来看，我一点都不后悔。 共识意味着安全，但也意味着平庸。我从小就是一个不太追求安全 的人，安全会让我有极大的不安全感。 世界模型太神圣，我们还不配谈 有人问我会不会担心大家把我们定义成世界模型公司，我挺介意的 。 我不太想讲世界模型，一方面是这个词被大家讲得太多了，定义很 泛滥。但更深层的原因是，我觉得它太神圣了，我们现在还不配去谈 。 我的一个观点是，以语言为中枢的多模态模型，不会成为真正能表 征这个世界的东西。 首先，训练语言模型的语料都来自互联网——曾经有能力把自己的声 音和记录留在互联网上的那些人写下的东西。这些语料本身天然就是 有bias的。 我自己对脑神经科学和高能物理前沿比较感兴趣。如果ChatGPT真 能帮我理解这些学科最前沿的认知，它就应该是世界模型了。但我发 现它是非常有bias的。 再者，假设语料没有bias，人写下的每一行字，本质上是大脑神经 回路产生的电信号，到了语言中枢变成文字。而这些电信号源于他一 生的所见所闻所想——本质上是他的感官系统。视觉本质上是电磁波， 听觉、嗅觉和触觉，归根结底也是电磁力。这也仅仅是构成这个世界 已知的四大基本作用力中的一种而已，并不能表征整个世界。 人类的一切认知都是感知的某种抽象。人类对“世界模型”的定义， 也超越不了人类本身对“世界”的感知。比如在电磁波谱上，人眼仅能 感知到可见光，于是有了记录可见光波段的语料格式叫“视频”；于是 能够基于action，预测下一刻“视频”内容，就被定义为“视频世界模 型”，这是狭隘的。人类凝聚的文字，源于对世界如此狭窄的观测。 如果人类没有发现X光，只靠可见光录下来的视频说“这就能表征世 界”，你会不会觉得非常荒谬？也许未来有Y光、Z光，或者新的第五 大基本作用力，能带给我们物理意义上对世界更本质的理解，那么现 在基于可见光等定义的“物理世界模型”，是不是会略显狭隘？ “世界”本就是被人类基于有限的观测定义的。而人类是狭隘的，人 类定义的东西，一定比人类还要更狭隘。 想通了这一点，我反而释然了。如果我们以狭义的角度去理解世界 模型，其实就是一种功能主义：它能帮人类预测下帧会发生什么，能 让人类看到内容跟人拍的有点像。这个“世界”是为了满足人类实用性 的世界，而不是真实客观的世界。 AI agent为人类节省大量时间、产生大量生产力之后，人类剩下的 时间，精神消费应该有更高效的方式来填满。我如果能做到这一步， 就满足了。 封面来源｜电影《降临》剧照 扫码加入「智涌AI交流群」 图片：https://img.36krcdn.com/hsossms/20261015/v2_bf18e976 b3cc4ce29acd20f75a5e6ffe@2057308263_oswg66520oswg900oswg500_ img_000?x-oss-process=image/format,jpg/interlace,1 欢迎关注 图片：https://img.36krcdn.com/hsossms/20261015/v2_d12913bf f4324ec5a636907c3a0d4bb3@2057308263_oswg53997oswg900oswg335_ img_000?x-oss-process=image/format,jpg/interlace,1 欢迎交流 本文来自微信公众号“智能涌现”，作者：邓咏仪，36氪经授权发布 。