互联网股票配资独家对话梅涛：世界模型不是口号，没有视频底座，具身智能走不远

出品 | 《态度AGI》

作者 | 袁宁

对话 | 杨霞清袁宁

编辑 | 丁广胜

过去一年，视频生成行业始终在热闹与现实之间摇摆。

一边，新模型轮番刷屏，“世界模型”的叙事被不断推高；另一边，更朴素的问题却始终无法回避：客户为什么付钱，公司靠什么活下去。直到Sora关停，这种摇摆才多少被戳破了一点：原来再大的技术声量，也不天然通向商业闭环。

智象未来创始人梅涛显然不太愿意把自己放进这种热闹里。

和当下AI行业里许多高调、锋利、擅长制造叙事的创始人相比，他显得不太擅长利用“优势”。若只看外部标签，他足够亮眼：加拿大工程院外籍院士，论文引用超过四万次，曾任集团副总裁、京东探索研究院副院长、微软研究院资深研究员，主导研发过多款全球数百万日活的商业产品。

但某种程度上，梅涛讨论的内容却显得有些“不合时宜”。今天大家更愿意听的是“颠覆”，而不是“服务”；是“重构世界”，而不是“先把客户服务好”。可梅涛偏偏反复讲的是后者。他说，视频生成这件事，离商业化其实很近。但前提不是你做出一个多炫的C端玩具，而是你得进入真实行业，进入创意生产、短视频营销、门店引流、影视制作这些具体场景。

某种意义上，这也是智象未来这家公司的样子：在视频生成领域声量不算最大，但技术上一直保持前列，更重要的是，收入和增长已经跑了出来。据梅涛透露，去年公司收入过亿，今年第一季度签约收入已超过去年全年；To OPC端单月新增用户也已突破千万。4月16日，智象未来又宣布完成新一轮超5亿元融资。

梅涛很少接受采访，这也是他今年第一次较为完整地对外谈及这些问题。

对一家既要追模型，又要追产品；既要解释技术信仰，又要证明现实价值；既要回答“你们和大厂有什么不一样”，也要回答“为什么客户现在就愿意买单”的公司来说，如果说过去几年，AI创业者最常见的情绪是兴奋，那么到了今天，落在梅涛这样的创业者身上的，更多像是一种复杂得多的东西。

面对这种复杂，他反而说得直接：Sora关停为什么“意料之外，也是意料之中”；为什么普通泛C用户不是他们当前真正的核心用户；视频生成为什么会通向世界模型；而具身智能，又为什么离不开一个足够强的视频底座。

顺着这些问题，你看到的不只是智象未来的路径，也是一个创业者如何在模型、产品和商业化之间，搭一条不悬空的线。

以下是网易科技《态度AGI》栏目与智象未来创始人兼CEO梅涛的对话内容，经不改变原意的编辑。

视频生成比大模型跑得慢，但离商业化却更近

网易科技：先聊聊Sora关停，3月25日那天早上，你看到这个消息的第一反应是什么？惊讶吗？它更像个意外，还是迟早会发生？你后来怎么理解这件事？

梅涛：我当时听到，并不是觉得特别惊讶，算是意料之中，也是意料之外。

意料之外是，没想到它关得这么彻底。我原来以为它会继续迭代，或者至少保留API服务。

意料之中是，我一直觉得，AI视频生成这个领域，单做C端业务很难跑出一个特别好的商业闭环。OpenAI没有天然的流量入口，不像Google、字节这种公司，本身就有很大的C 端入口。视频生成这个领域，本身又更偏专业用户，或者企业服务的商业模式。

如果只是娱乐型用户，来玩一下，其实不会停留很久，留存率不高，付费意愿也没有那么强。所以某种意义上，Sora 的关停，反而从反面验证了我们自己最初的战略判断：视频生成这条路，创业公司当下阶段更应该做好企业服务。

网易科技：这件事是不是再次说明，视频生成真正难的地方，不只是模型能力，而是商业化路径？

梅涛：对，我觉得这是非常现实的问题。大模型公司最后都要面对怎么挣钱的问题。

对AI 视频生成行业来说，这个问题到今天仍然是核心问题。我们一直觉得，创业公司如果身处这个领域，还是应该把企业服务作为主方向。我们自己从Day One 开始，就不是想成为一个纯 C 端娱乐产品，而是想做一个以全模态世界模型为底座、面向企业服务的公司。

最近如果你关注硅谷的一些情况，会发现大家对一些扎扎实实做企业服务的公司，印象和评价都在提升。因为长期来看，把客户服务好、把商业闭环做扎实的公司，反而更容易走得远。

网易科技：回头看，从你2023年创业到现在，你觉得视频生成行业大概走到哪一阶段了？

梅涛：其实我觉得整个 AI 领域，到今天都还是早期。我觉得上半场都还没有结束，可能算上半场中场。

如果类比大语言模型的话，我们自己的判断是，Sora 出现的时候，大概有点像 GPT-3；后面像可灵这类模型出来，我觉得大概接近 GPT-3.5。

当然，如果你拿它去对标今天的大语言模型，比如 GPT-5这个阶段，它还是有一点滞后的。但它也已经开始进入“智能涌现”阶段了，开始可以做比较大规模的商业化了。其实，视频生成是离商业化更近的。

网易科技：为什么这么说，你提到说视频模型大概还在 GPT-3.5这个阶段，但其实它的商业化速度，比同时期的大语言模型要更早？

梅涛：因为视频模型和语言模型最大的不同是：语言模型不能有太多幻觉。如果它以很高概率输出幻觉，那就是一本正经地胡说八道。

但视频不一样。我们服务的是数字创意行业，很多在语言模型里会被定义为“幻觉”的东西，在视频用户和导演看来，其实叫“创意”。他并不会严格要求这个人必须百分之百长成这个样子，这两个人的比例必须一点不差。你稍微偏一点、给他多一点想象空间，他反而觉得更好。

而且它的商业化速度其实也是很快的，空间也足够大。今天你看到文字 token，100万 token 可能也就几块钱，但图片和视频不是这样。

我们做一张图片，token 消耗量就很惊人；做一段5秒、10秒的视频，token 消耗量就更大。但用户愿意为它买单，因为它要么创造情绪价值，要么创造商业价值。

网易科技：但 token 消耗大这件事情，给你们带来高价值的同时，对于用户来说也是高成本。用户未必愿意为全部成本买单。这个怎么平衡？

梅涛：其实还好。Sora 关停有一个很大的原因，是它消耗算力很多，但90% 都花在预训练上了，训练成本太高了。我自己粗略算了一下，它每年可能花掉50多亿美金，大头都在预训练上。

当然推理也花钱，但我认为它主要是因为没有形成一个真正的商业闭环。

对我们来说，多模态或者视频的付费用户收入，其实已经可以覆盖免费用户的成本了。虽然 AI 行业有一个共同特点：第一，付费率比较低；第二，用户忠诚度比较低，到处游走，我们叫“游民”。

热闹的C端用户，目前不是视频生成的真实用户

网易科技：去年你们收入大概到什么规模？

梅涛：我们去年的收入超过一个亿了。而且我们今年 Q1的签约收入，已经超过了去年全年。

网易科技：这部分客户主要是谁？

梅涛：我们既有 To B 的客户，也有 To OPC 的客户。

To B 的客户分几个行业。第一类是商业营销客户。我们服务了几万家中小型电商。

第二类是线下门店。我们有一套软硬件结合的智能营销终端，Q1已经服务了超过1万家线下实体门店。其实在整个 AI 行业或者多模态行业里，很少有人能把软件和硬件结合起来去赋能实体门店。

第三类是影视制作公司、短漫剧工作室。此外，我们还有运营商、云厂商这样的客户，像华为云、阿里云也都是我们的客户。

To OPC 这边，Q1我们单月新增全球用户就超过了1000万。

网易科技：全球范围内1000万用户，这部分市场是怎么打开的？

梅涛：我们的 SaaS 工具现在已经在全球100多个国家有3000多万用户在用。我们的广告智能终端也已经开始往东南亚走了。

如果是 To C 或者 Professional C 的业务，我们主要通过用户增长、广告投放、社区运营这些平台化方式去做。

如果是 To B 企业服务，那就很简单，找渠道。我们在东南亚找渠道，将来也会去欧美。欧美线下门店其实可能比国内更适合我们的产品，因为国内电商太发达了，但那边实体门店更发达。

再往后，如果我们的硬件足够丰富、服务足够体系化，我们就可以把中国供应链的优势和 AI 结合起来输出。我觉得今天对很多大模型公司来说，一个很大的命题就是：怎么把中国供应链优势和 AI 结合起来，切进更大的流量入口。

网易科技：现在你们的商业化到底是什么结构？你刚刚说有 To B，也有 To OPC。

梅涛：我们还是更关注 To B 业务。

To C 我们也做，但不是为了 To C 而 To C。对我们来说，To C 更像一个放大器：一方面它是我们模型能力最直接的输出，另一方面它也是品牌放大器。我们更看重的是，C 端用户的反馈和数据也会反过来闭环到我们这里来，形成产品和数据的飞轮。

但我们的核心业务，还是 To B。

我们内部有一个1+1+3的战略。

第一个 “1”，是底层技术模型。我们现在叫它全模态世界模型。之前大家会说视频模型，但我现在觉得，视频生成正在经历从多模态模型走向世界模型。从架构、数据规模、应用场景来说，我个人认为，视觉模型其实是最容易走向世界模型的一条通道。

第二个 “1”，是中台能力。我们做了一层中台，把模型能力、API 能力、行业 know-how、安全可控的 Skill 编排能力都汇集起来。我们希望自己成为一个能力中枢，去端到端服务客户。

上面的 “3”，是三个Agent，也是三个重点行业应用。我们摸索了三年多，从创业第一天开始就在尝试商业化，也踩过坑，最后找到三个我们认为天花板足够高、而且 AI 能发挥变革性作用的领域。

网易科技：这三个领域分别是什么？

梅涛：第一个，是给 OPC 的专业创作者的工具。我们在海外有一套产品，在国内也有对应产品，帮助用户快速生成图片、视频，用来做自媒体、广告营销等内容传播。现在全球已经有超过3000万个人用户了。

第二个，是商业短视频营销。因为我们之前在电商、广告系统里做过很多事情，我自己在时也做过很早一代互联网视频广告，所以我一直觉得，商业短视频营销这个领域天花板很高。

这里面我们现在重点做两件事：一个是线上跨境电商的短视频营销，包括素材生成、投放等；另一个是线下实体门店智能营销，我们希望通过软硬件一体的智能营销终端，帮助我们大量实体门店做引流、做营销。

第三个，是 AI 影视制作协作智能体。大家也看到了 AI 对影视行业的影响，尤其是短漫剧市场在爆发，我们也想抓住这个机会，所以我们做了一套多人协作的影视创作平台，服务创作团队和工作室，叫“帧赞”。

这三个方向，我们认为都是可以长期做的企业服务的领域。

网易科技：你们也有很多个人用户。为什么不先做一个特别泛的大众产品？现在很多视频模型公司更多的还是瞄向了大众范围。

梅涛：我觉得普通用户目前不是我们的真实核心用户。

你看现在我们的 AI 视频创作工具的用户活跃分布很有意思：周一到周五活跃用户很多，到了周末基本上没人用。因为我们本质上是一个生产力工具，用户是拿它来干活、来工作的，不是拿它来单纯娱乐的。

我们当然也有一些 C 端用户，但很多人只是来尝鲜，不是一个每天都会高频使用的用户。对这类用户来说，有几个问题：第一，付费意愿很低；第二，用户忠诚度很低，哪里能薅羊毛就往哪里走，是“游民”。

所以创业公司如果做纯泛 C 工具，我觉得很难构建特别深的壁垒。每家公司基因不一样，但对我们来说，还是坚持做长期的企业服务，做 SMB、中腰部客户。我们的客户其实也可以理解成一种“大 C”或者“小 B”，跟普通泛 C 不太一样。它在金字塔中间那层，但很值钱，客单价高，商业模式也清晰。

而且做这层用户，也更容易避开大厂平台型产品的正面冲击。

网易科技：这种 To B 服务能力，跟你们团队之前的经历有关系吗？

梅涛：有。我们这个团队跟别的团队不太一样。

首先，我们一直都在工业界，没有哪个人是大学教授身兼数职，我们所有人都是 all in的。第二，我们团队成员里既有做 To C 产品的，像来自字节的，也有做 To B 业务的，像来自华为、京东、阿里。基于我们团队做 To B 服务的行业经验、经历和服务意识，可能更适合做企业服务。

这种东西很多时候靠经验、靠时间积累。我们有很强的客户资源，但更重要的是我们对商业化和客户的理解。我们出去见客户，客户是非常相信我们的。

因为我们是站在客户角度思考问题，不是上来就售卖产品，而是先告诉他，在 AI 来的时候你该怎么做、你跟我合作能得到什么、我能得到什么。我会把这个道理讲明白，这样客户才愿意合作。

网易科技：但是企业服务其实是比较重的，要更深入行业，也要做更多“苦活累活”。

梅涛：对。企业服务一定是比较重的。

我觉得企业服务有几个要素一定要做好。第一，底层模型要有自己独特的东西，所谓“人无我有，人有我优”；第二，产品要有创新力，要高速迭代；第三，商业上要有生态意识，你得能在客户所在的生态里，调动资源把客户服务好。

我们现在做商业化，有一个原则叫品效合一。也就是说，产品和效果要能够对应起来，最好能清楚算出价值。

比如我们给电商商家提供服务，会收一个比较低的基础费用，交付素材以后，还会帮他去投放、运营。客户真正挣到钱、产生 GMV 之后，我们再去分价值。

先让客户挣到钱，再谈我们怎么分钱，按结果付费。我觉得这是一个很闭环、但也对创业公司要求非常高的商业模式。

网易科技：如果把同行放进来比较，你们现在会把谁当作对标对象？

梅涛：说实话，我们很难找到一个完全对应的对标。

如果你只是做一个大语言模型公司，那对标会很清晰。但我们现在做的是多模态世界模型，很难找到一个一模一样的对象。我们内心其实想做的是，多模态世界模型领域里的“企业服务型平台公司”，有点像Anthropic。

所以我并不是特别关心对手。我一直觉得，还是要坚持做自己。投资人看不懂可以不投，这没关系。今天不投，也不代表明天不投。

我们自己是比较低调的公司，不怎么吹。但如果你看我们的模型能力、产品力、收入规模、商业化布局和生态，你会发现我们其实是一家非常稳健的创业公司。

没有强视频底座，具身智能很难走远

网易科技：我们再来具体聊一下 “1+1+3” 中的每一个部分。首先，技术层面您刚刚提到，未来会从视频模型走向世界模型。但“世界模型”现在行业里说法很多，李飞飞、杨立昆都有不同表达。你理解的世界模型到底是什么？

梅涛：这是一个很好的问题，也是一个开放式问题。因为现在很多人都在说自己做世界模型，但据我观察，很多所谓的世界模型，并不是真正的世界模型。

在我看来，一个真正的世界模型至少需要三个要素。

第一个，它要能够表达全世界所有模态的信息，包括视觉信息、动作信息、传感器信息、天气信息等等。它必须能够全方位表达各种信息，而不是只表达某一个领域的信息。所以世界模型必须是原生的全模态。

第二个，它必须有推理能力。之前的视频模型，更像是世界的视觉模拟器。但真正的世界模型，必须能够结合物理规律、因果关系，去做严密推理，而且这种推理要经得起验证。

第三个，它必须能够构造这个世界。我们经常说 model the world，但我觉得真正的世界模型更应该是 mold the world，它不仅要理解世界，还要能构造、重塑世界。你如果不能创造这个世界，你也不能真正理解这个世界。

所以我理解的世界模型，必须同时具备：表达世界、推演世界、构造世界的能力。

不过，现在的世界模型在行业里面也有各种声音。就像刚刚提到的，一种是像 Yann LeCun ，更多是通过预测世界状态、构建状态空间去预测下一个状态，这个路线更偏具身智能。一种是像李飞飞、包括 Google 一些工作里体现出来的，更偏3D 交互形态。

还有一种就是我们这一派，更多是从视频生成出发，认为很多东西可以从大规模数据里学出来，不一定要先构建一个显式状态空间，也不一定完全依赖强先验知识。

所以现在行业里其实是三种不同流派。

网易科技：我看到很多视频生成大模型公司最近也在往世界模型转向。视频生成模型和世界模型，又有什么差别呢？

梅涛：每个人对世界模型的理解都不一样，每个公司的禀赋也不一样。

对我们来说，世界模型最重要的，第一是底层架构要创新。不是说今天我有一个视频模型，就能自然做成世界模型；也不是说我有一个具身智能的 VLA 模型，就能自然做成世界模型。

首先，我们认为，世界模型必须是一个统一架构的问题。底层一定是一个统一的架构。要有一个能统一编码各种模态、并且让不同模态能够自由交互的底座模型。

我们马上会发布一个新模型，它和过去 DiT 路线不一样。过去做视频模型，图片有图片的编码，视频有视频的编码，动作有动作的编码，文字有文字的编码。我们的下一代模型，不再是每个模态各自编码，而是统一在一起，原生处理。

第二，在应用路径上，我觉得世界模型会走向三个方向：第一条是视频生成。这里面包括消费级视频，也包括高精度、可控、毫米级精度的具身智能视频。你也看到我们最近跟一些具身智能公司在合作，帮他们生成大规模训练数据；第二条是3D 交互视频。未来你会看到，我们也会发布类似3D 交互的视频能力；第三条，才是真正直接面向机器人训练的世界模型。

所以最关键的问题是：你有没有一套真正能支撑世界模型的底座。以我现在的判断，不管是 DiT 还是其他主流架构，都还不能完全支撑将来的世界模型发展。

网易科技：也就是说，从“视频模型”到“世界模型”，你们认为底层架构必须升级。

梅涛：对。我们的判断是，目前所有主流模型架构都不能支撑将来真正的世界模型，所以必须做架构创新。

当然，我们也不是说现在这个新架构就是最终形态，它只是我们在不断探索前沿技术过程中的一个阶段性认知。作为创业公司，如果你想做世界模型，就一定要不断推动底层技术往前走。

网易科技：为什么架构创新这么重要？

梅涛：因为如果大家都还沿着 DiT 路线往前走，那你想证明模型比别人好，最后只能去堆更高质量的数据、堆更多算力。

但这个事情不是创业公司能做的。所以创业公司一定要通过架构创新，去提高模型性能天花板，并且用比大厂低得多的成本完成模型训练和推理服务。我们的新模型 UiT 比 DiT 更好的地方，就是性能天花板更高，而且能支撑更多下游任务。比如图片编辑、视频修改，很多任务都能用一个模型解决。

为什么能做到？因为过去 DiT 的主流做法是把文字、图片、识别信号分别编码，编码过程中会有信息损失，而且是分开编码的。最后在隐空间里做交互，再解码回去，这个过程会带来幻觉和不可控性。

而我们的模型没有这个过程。文字、图片、视频、动作这些 token，都是以更接近原始信号的方式直接进入模型，没有中间大的信息损失。所以它的高精度可控性会更好，颗粒度更细，性能天花板也更高。

网易科技：我发现现在很多初创公司，都开始把自己的定位往“世界模型”上靠。最主要的原因是什么？

梅涛：我觉得是这样的。有一些公司可能确实是为了讲故事，为了提高自己的估值，这个也无可厚非。

但像我们这种公司，不是为了讲故事而讲故事。我们确实是因为有结构性的创新、架构上的创新，所以我们能支撑原生多模态的世界模型。

并且我们已经有实际案例在做了，包括你们刚才看到的和机器人公司的合作，包括我们跟百图生科方向的合作，包括跟科大的机器化学家合作，我们已经在做世界模型的案例了。

所以对于智象来说这是自然的延长线，不是为了讲故事。因为我们有实际案例，也有实际的模型架构去支撑我们做到这一点。

世界模型不是一个悬在天上的概念，它应该真正落到真实场景里。

网易科技：你们现在跟具身智能公司的合作，是模型能力升级的自然延伸，还是更多出于商业化的考虑？

梅涛：对我们来说，这是一个很自然发生的事情。

因为模型升级以后，它就具备了生成高可控、高精度动作视频的能力。现在具身智能又这么火，很多老朋友找到我们，还有更多公司在谈这种业务。所以我觉得这既是一种业务创新，也是一个很好的世界模型数据入口。

比如对方给到我们的是带夹爪、毫米级精度的真机操作视频。我们能做的，是把它变成毫米级精度的真人操作视频，然后通过大量视频生成，去支撑预训练模型需要的千万小时级训练数据。

所以它是我们1+1+3里面某个“3”的延长线。因为有底层模型、有中台，我们其实可以支撑很多“3”，有些自己做，有些跟行业伙伴一起做。

网易科技：这个即将发布的新模型对你们来说，是一个里程碑吗？

梅涛：其实我们的模型创新一直都在做。

从模型创新能力上看，2017年我们团队就写了全球第一篇文生视频论文。那时候我还在微软。很有意思的是，当年那篇论文的作者，现在都在我们公司，而且都是核心基模研发人员。

到了2023年，我们大体还是沿着原有架构往前走；到2024年，我们基本上已经在并跑；到了2024年底、2025年，我们把模型升级成扩散加自回归，这本身也是架构创新。再到2026年，我们又升级到 UiT，这是更彻底的架构创新。

所以你看到，我们在模型创新能力上其实一直走得比较靠前。

而且这个架构，不是所有团队都能做。就我们了解，超过千亿参数规模的多模态模型，现在可能不超过三家，另外两家大概率还是大厂。

网易科技：你们世界模型前面还有个词，叫“全模态”，从视频到全模态，变化是什么？

梅涛：全模态包括文字、图片、视频、动作、传感器信号、声音、音频、3D 等等，不只是视频。

我们之所以强调“全模态”，不是为了换一个名字，而是因为我们新的底层架构是真正支撑全模态交互、全模态原生编码的。

很多人讲世界模型，其实底层并没有模型架构创新，更多还是靠更多数据、更好的数据去做。我们不是这样。

网易科技：说到这里，我有朋友是做视频模型的，后来转去做多模态，薪资一下子高很多。这是为什么？

梅涛：因为多模态某种意义上已经隐隐进入具身智能这个领域了。而目前具身智能这个方向，故事性和资本热度，确实比我们丰富一些。

但反过来说，我觉得很多具身智能公司其实低估了一件事：没有强视频底座，它是很难走远的。

所以我们现在做具身智能的数据合成、视频生成，未来也可能会发布一些相关开源模型。我们其实是想把这张桌子掀开，证明一件事：做多模态模型的公司，不只是能做视频生成，我们本身就有很强的底座能力。

很多具身智能公司如果没有很强的视频生成和理解模型做底层支撑，其实很难往后走。

网易科技：视频模型底座能自然延伸出来这种能力吗？

梅涛：因为我们有很强的几千亿参数的底座模型，方法能力是很强的。

比如未来如果要做一个端到端的具身智能模型，我们可能需要的数据小时数，只是一些公司的十分之一，甚至百分之一。因为我们的模型已经在几百万小时级别的视频数据上学到了很多规律。

这也是为什么我们跟机器人公司的合作会比较顺。因为我们生成的视频精度很高。大部分我们能做到毫米级精度。这个精度基本上已经能够满足具身智能训练大模型时对监控和标注的要求。

所以对我们来说，具身智能或者世界模型，不是突然横着长出来的一块业务，而是我们做视频模型这条线很自然的延伸。

网易科技：如果再往深一层说，视频模型本身和“世界模型”之间的联系在哪里？视频模型能够“理解和模拟这个世界”吗？

梅涛：对，视频模型本身就要求你去理解和模拟这个世界。

但这里面也分两种理解。我们之前训练视频模型，更多用的是互联网视频数据，它关注的是视觉合理性：这个人应该在什么位置、故事应该怎么讲、画面要符合叙事逻辑，它更强调创意表达。

但具身智能不一样。具身智能需要的是第一人称的人手操作视频，它不追求你的背景多漂亮、故事多完整，它要求的是每一个关节动作都要和真实机器人操作保持一致，它追求的是精度。

所以重点不一样。我们过去不是没有能力，而是没有这类高精度数据。今天为什么我们跟机器人公司合作？

因为他们能给我们大量真实工厂数据，包括视频、XYZ 坐标、多自由度角度、旋转方向，甚至传感器数据。我们拿到这些数据以后，就能反向合成和生成大量高精度训练视频，这就是我们的优势。

每家都有自己的生态位，行业起伏影响不大

网易科技：最近阿里的“快乐小马”视频模型效果也很亮眼，中国视频生成会不会从字节、快手“双寡头”，变成更多玩家竞争。你怎么看阿里在这个赛道的位置？

梅涛：我更愿意从行业结构上看。

我认为，不管是在中国还是美国，未来在大模型、多模态、世界模型领域，都会出现一些巨头。对于底座模型来说，只要你有足够资源、算力、数据、人才，大厂肯定是有能力做出通用模型的。

所以像字节、阿里，都是最有可能做成这件事的公司。只是每个公司的商业模式不一样，字节可能更偏 To C，阿里可能更偏 To B，但它们底层能力都很强。

网易科技：但你肯定也会被反复追问：怎么跟大厂打，怎么跟国外模型比，怎么跟其他视频生成公司区分？

梅涛：天天被讨论。但说实话，我并不关心对手。我觉得还是坚持做自己。

首先我觉得市场足够大。视频赛道是万亿美金级的市场，绝对容得下很多大厂，也容得下很多创业公司。大家很多时候是互为生态、互为依赖的关系。

对我们来说，我们的平台里也会调用第三方工具，别人也可能调用我们的工具。每个企业都有自己的生态位。

比如在电商领域，一些平台型公司提供的是流量平台和底层基础设施，我们存在的价值，是给它的商家、给它的平台生态做更垂直的应用服务。我们提供工具，提供素材交付。

大厂一定有自己的生态位。创业公司要做的，不是跟它背靠背硬打，而是在它的生态里找到自己的位置。

网易科技：我们继续聊另一个“1”，你刚提到，1+1+3里的第二个 “1” 是中台。这个中台更像是为了技术发展，还是为了商业化？

梅涛：两层原因都有。

第一，从技术角度，它是必须的。因为我们认为，现在 Agent 也好、应用也好，要做到安全可控、可靠，必须有这样一层能力编排。

底层会包含很多 API、工作流编排、能力调度，这样我们才能支撑更多应用，也支撑未来生态伙伴在我们上面再去构建应用。

第二，从商业化角度，我们也希望自己成为一个能力中枢的平台，通过中枢能力的汇合，为客户提供端到端 API 服务。

而且这里面也不是只能调用我们自己的模型。虽然主模型肯定以我们自己的为主，但现在行业里已经有共识：没有任何一家公司的模型，能够满足所有客户、所有场景的需求。所以适当的时候，我们也会调动第三方模型。

网易科技：再聊3个场景，影视制作这块，现在漫剧、AI 短剧都很火。你们服务的是这类客户，还是更偏电影级制作？

梅涛：现阶段更多还是短剧、动态漫、绘本这些方向。

但我们对这个行业有一个很明确的判断：如果是做精品短剧，比如50集、100集、100分钟以上的内容，“一人成片”并不现实，很可能也是玩一阵子，难以出精品。因为它本质上是一个非常专业的流程，有导演剧本、有分镜、有抽卡、有审核、有剪辑，不是一个人就能做完的。

所以我们做的不是去打破现有工作流，而是让这个工作流更高效。我们的影视平台面向的是一个创作团队、一个工作室。

比如一个3-10人团队，有人做制片、有人做导演、有人做分镜、有人做审核、有人做抽卡，每个人各司其职，我们要服务的是这个完整流程。

网易科技：满足这部分需求的平台市面上也挺多的，我们的核心差异是什么？

梅涛：有几个特点。第一，整个工作流很丝滑。每个人进来后都有自己的角色，只要做好自己的角色就行了。做审核的人就专心审片，不需要再操心剧本。

第二，它能做团队管理。比如导演、制片最关心的是，团队里谁把 token 用到了极致，谁消耗了很多 token 但效果一般，谁贡献了多少镜头、多少产能。我们能把这些效率和成本可视化，这对团队管理很关键。

第三，我们能沉淀大量媒资、素材和中间产物，并做智能检索、智能存储、后续复用。没有这些媒资管理、IP 管理、团队管理和最佳模型搭配，你很难真正给客户最好的体验。

网易科技：也就是说，你们的逻辑不是做一个单点工具，而是把整个工作流、管理链条和模型能力都封装起来。

梅涛：对。我们自己已经承制了将近5000分钟短剧，所以我们知道行业里最好的模型应该怎么组合，哪个环节用哪个模型最优。客户不需要自己跑去到处试模型，我们已经把行业里最优解尽量配置好了。

这也是为什么我们说自己不是简单做一个视频工具，而是在做真正可落地的企业服务。

网易科技：还有一个场景是“商业短视频营销”，为什么这些中小电商、门店会选择你们，阿里不是更天然有优势吗？

梅涛：因为我们能把软件和硬件很自然地结合在一起，帮助他们做线下引流、提升广告制作效率、降低成本。

而且店家可以直接在我们的小程序和应用上自由创作自己的短视频广告。我们内部常说的是“多、快、好、省”的模式：效率高、成本低，而且能带来真实价值，所以他们很喜欢这套产品。

网易科技：这里说的硬件是指什么？视频和硬件结合，这又怎么理解？你们做硬件是为了什么？

梅涛：硬件是个广告屏，它有各种形状各种大小，主要是给实体门店服务。

其实很好理解。我们做视频业务，本质上是在提供内容。无论是做 SaaS 工具，还是做结果交付，我们最终交给客户的，都是创意内容，尤其是视频内容。

但内容生成出来以后，一定要有地方呈现。它可能呈现在手机上，可能呈现在门店里的屏幕上，也可能呈现在车机屏幕上，或者别的终端里。

所以我们说“做硬件”，并不是说我们一定要自己从零开始研发一整套底层硬件。我们的重点其实不是造硬件本身，而是进入那些关键的流量入口。

比如线下门店。我们会希望通过一些联合研发、OEM、解决方案整合的方式，把我们的产品变成线下门店里的一个实体流量入口。

所以如果你这么理解就比较清楚了：我们并不是为了做硬件而做硬件，我们是想做一门“流量入口”的生意。

客户买的不是生成过程，而是一个能被验证的结果

网易科技：你刚才提到你们现在有一部分业务是“以结果付费”。这个我还挺意外的，因为视频生成听起来是一个很难量化结果的东西。这个模式你们是怎么跑通的？

梅涛：这个问题非常关键。其实这是我们以前踩过坑之后，慢慢摸出来的。

最开始我们是把视频能力当成一个 SaaS 工具卖给客户，后来发现客户用得很少。为什么？一个原因是客户自己不会用，门槛还是高；第二个原因是，就算他会用，不同的人用出来效果也完全不一样。你和另外一个人用同样的模型，做出来的视频可能一个完全没人点，一个一天能挣1万美金。

后来我们发现，客户买单的逻辑其实没有想清楚：他到底是愿意为一个成功的视频买单，还是愿意为前面那些失败的抽卡过程买单？

如果你按 token、按成本跟他收费，他一定会不断压你的价。如果你按效果收费，效果又很容易变成主观判断。

最怕的是那种特别主观的客户。你做出来之后，他永远说“90% 了，明天再调一下”；明天又说“95% 了，很接近了，但还得再改”。那这个模式就没法成立。

所以后来我就觉得，必须把“客户满意度”变成一个可以量化、可以及时验证的目标。

网易科技：所以你们最后怎么定义这个“结果”？

梅涛：很简单，我们做的是短视频营销 Agent。

我们帮客户做完视频、投放出去以后，这个东西好不好，不是客户主观说了算，而是看有没有人点击、有没有人下单、能不能证明它的商业价值。只要有点击、有转化、有订单，这个结果就是客观的。

所以我们的模式就变成：客户先付一个非常基础的费用，覆盖视频生成的 token 成本；等这个视频真的帮他挣到钱了，我们再去分他的增量收益。

这个模式一旦建立起来，客户就很开心。因为他知道自己不是在为失败样本买单，而是在为结果买单。基本上没有客户不愿意跟我们合作，很多时候我们反而接不过来。

网易科技：为什么要在短视频营销这条线上做这么多投入？

梅涛：因为它连接的是很大的交易场景。

举个例子，在我们服务的这套体系里，上面可能有一两百万电商商家，下面有9亿全球消费者。我们做的是内容电商、兴趣电商、短视频电商，不是传统货架电商。

内容电商的特点就是对短视频广告的需求量特别大。一个很普通的商家，一个月对短视频的需求就可能是几千条，一年下来接近10万条。

这10万条视频，不可能完全靠实拍。你不可能一直请模特来拍、一直搭场景。很多内容一定是 AI 生成，再结合部分实拍去迭代。

所以这个空间非常大。你光卖 token 就已经是一笔很大的收入了，更何况你还可以参与分佣。

网易科技：但这种能力显然不是一夜长出来的。你们为什么能做成？

梅涛：首先，和那些纯应用公司比，我们是有模型能力的公司。有模型能力的公司和纯做应用的公司，能力结构是完全不一样的。

其次，我们团队本身就对电商很熟。不管是负责电商业务的同事，还是我们自己的团队成员，有的人以前负责过海外业务，有的人在电商待过很多年，对线上电商、线下门店都有很深的理解。

而且我们是从2023年就开始做电商相关业务了。其实一路上也是跌跌撞撞：最开始做 SaaS，后来做其他模式，再到现在做结果型模式，是一路摸爬滚打过来的。我们积累了很多行业 know-how，也积累了很多数据和客户。

所以这块真正的壁垒，我觉得就是时间壁垒。

网易科技：但听下来在产品这么丰富的前提下，你们同时还要持续推进模型能力。怎么兼顾？这两拨之间会不会抢资源？

梅涛：你这个问题很关键。我们在智象内部，其实是一个很强技术中台的结构。某种程度上说，我们的组织形态有点像字节：下面有很多产品线，但产品线本身相对比较薄，上面是一个很强的技术中台，大家复用同一套研发资源。

而且今天的研发跟以前也不太一样。现在我们的研发同学，很多工作50% 到100% 都已经在借助 AI 工具完成，所以整体效率其实比过去高很多。也正因为这样，同样一批研发资源，能够支撑的业务比以前更多。

但资源争夺肯定是存在的，尤其是在产品和模型之间。因为产品等不了模型研发。模型研发再快，也要按月来算，可能是一个月、三个月、半年；但产品迭代很多时候是按天、按周推进的，两边节奏天然不一样。

那怎么办？这也是为什么我们一定要做一个类似“技术中台”或者“模型中台”的原因。

我们的中台里，一方面有我们自己的模型在持续迭代；另一方面也会集成第三方模型、第三方 API，甚至一些开源的语言模型。通过这种模型组合，我们就能保证产品线的同事不需要完全依赖我们自研模型的迭代速度，才能往前推进产品。

换句话说，产品团队可以根据具体场景，去调用市面上当前最合适的能力，再结合我们自己的模型能力做组合，先把产品快速跑起来。

如果完全按以前那种思路——先等自己的模型做好，再去做产品——那基本是行不通的。因为模型能力的突破本身就是有周期的，而产品不可能停在那里等你。

所以我们的思路一直是：模型持续突破，产品快速迭代，中间靠中台做解耦。

放下自我，做1到100的事情

网易科技：你是典型的科学家出身创业者。过去三年，你觉得最大的挑战是什么？

梅涛：最大的挑战，是身份清零，放下自我。

你要忘记自己以前是什么教授、博士、科学家，重新把自己当成一个创业者，从0开始，去见投资人、见客户、见员工，说服别人相信你。

第二个变化，是要放弃“永远追求创新”的惯性。做学术，你今天做完一个0到1，明天还想再做一个新的0到1；但做企业不一样，做企业是0到1、1到10、10到100、100到无穷。你要把一件事情做到极致，而不是每天开新题。

做公司是逆水行舟，不进则退，非常残酷。做科学家，今天这个0到1不成，还可以换个题继续做；做企业，如果你这个赛道没跑出来，可能就真的失败了。

所以我现在非常尊重创业者和企业家，因为成功概率真的很低。

网易科技：如果只说当下业务层面，你现在最关心的一件事是什么？

梅涛：模型能力。我最近讨论最多的就是模型。怎么把模型做得更好一点，架构上怎么再创新一点、优化一点，让效果更好看一点；下一步模型往哪个方向走；我们还缺什么样的人才。

其实人才我们认识不少，硅谷那边也有很多校友和学生，但现在最缺的不是认识人，而是把他们招回来的资源。

网易科技：这里的“资源”主要是指什么？

梅涛：核心还是算力资源。有些硅谷头部公司，人均卡数可能超过1000块。国内很多公司其实工资未必给不起，但资源确实比较难匹配。

大模型公司在国内外的资源条件，尤其是卡的资源，可能就是差一个0。

网易科技：但视频模型这波其实中国在全球来看表现还是挺亮眼的，这背后主要是因为什么？

梅涛：对，在视频模型和多模态这个领域，中国公司走得是很快的。

你看春节那段时间，一些国内模型出来以后，基本已经到了全球非常有竞争力、甚至阶段性 top的位置。包括你刚才提到的一些产品，其实竞争力都非常强。

当然，我们也不能只看榜单。榜单更多反映的是刷榜能力，真正更重要的还是用户体验，是用户实际用起来到底好不好。

从海外来看，Google 的视频模型也很强。它本身的研发实力、流量入口、资源投入都非常大，而且它未来的产品形态也很可能会嵌进自己更大的生态体系里，这个竞争力是毋庸置疑的。

但即便如此，我还是认为，中国公司在这个领域并不输美国公司。无论是模型效果、底层创新，还是商业应用生态，我们都有很强的竞争力。

一方面，中国的年轻工程师很多，工程师红利非常明显；第二，我们有数据红利；第三，中国的应用入口也很多，商业化场景特别丰富。

所以我对这个领域其实是有信心的。中国公司未必只是跟随者，完全有机会在视频和多模态这个方向上成为引领者。

而且中国还有一个特别强的优势，就是供应链。为什么我们会去看硬件、看终端、看线下入口？就是因为在中国创业，你一定要尽量结合中国最有优势的部分。

网易科技：如果要总结智象未来的护城河，你会怎么说？

梅涛：我们内部常说，护城河有三层。

第一层，是模型创新力。如果你没有模型创新力和前瞻性，你不可能把自己的模型排到全球第一页。我们不一定保证自己永远第一，但在自己垂直领域里一定要排在前面。

第二层，是产品力。现在产品迭代太快了，快就是竞争力。产品要和用户反馈、数据回流形成飞轮。

第三层，是商业生态力。做生意不是靠你一家单打独斗，而是在生态里一起做，跟客户共赢、跟渠道共赢。

如果这三层做不起来，你很难成为一家真正长期的企业服务公司。

网易科技：所以今天做 AI 创业公司，其实要求非常高。

梅涛：非常高。今天对创业者的要求很高。对创始人来说，你得是六边形战士；对公司来说，你得学会既做模型、又做应用、还要做商业化。这是活下来的必备法则和技能。

所以现在有些投资人会说，草根创业越来越难。互联网时代很多是模式创新，但今天更多是高科技、硬科技的创新，对资源、人才、组织要求都更高。

网易科技：那在团队管理上，怎么让一群本来都很强、也都很有主见的人长期一起往前走，有了解你们团队其实还是很稳定的。这个靠什么？

梅涛：我觉得有几个关键词。

第一，要有梦想。你如果没有一个足够大的梦想，没有人愿意跟你干。你说我要

做世界模型、做人工智能顶端的事情，才会有人愿意跟你一起做。

第二，要有领导力。领导力不是权力，而是别人觉得你靠谱，觉得跟着你有机会成功。

第三，要充分授权、相信团队。我们团队里很多人我都合作很多年了，我们之间有很强的信任。我经常跟他们说，每个人都要成为自己那个领域里最好的人。公司不是谁一个人的，但你得把自己做成那个领域最强的人，才能真正帮助公司，公司也才能回报你。

我们公司内耗很少，基本没有。创业公司能做到今天这个产出比，我觉得靠的就是信任和高密度协作。

网易科技：你们最近好像又要close一轮融资，现在投资人在做决策的时候，最看重你们什么？

梅涛：投资人很有意思，很多人也不止投了我们一家做视频的。

他们投我们的原因，首先是觉得视频这个赛道足够大，全模态世界模型这个赛道更大。第一层逻辑一定是投赛道。

第二，他们投我们，是因为他们觉得我们是一支非常严肃、非常正规、非常专业地服务企业客户的团队。他们会觉得，To B 这条路虽然慢一点，但长期是对的，后劲很足。

再往下，他们看中的几个点，一个是模型能力强，一个是产品迭代快，一个是我们确确实实在做 To B 生态，而且生态很广。我们现在服务了几万家 SMB、几百家大客户。对一个初创公司来说，这很难。

你会看到我们陆续有很多好消息出来。我们还是比较走自己的节奏。不管今天是谁出来了，还是谁关了，对我来说影响不大。

因为赛道里真正认真做企业服务、把商业化闭环和生态做这么深的公司，可能就我们一家。很多投资人找了很多公司聊，最后还是回到我们这里来，因为他们觉得我们是严肃地知道怎么做 To B 生意的公司。

网易科技：今年你们最重要的目标是什么？

梅涛：第一，模型要持续创新。我们今年会发布几个世界模型方向的成果：一个是视频生成模型，希望它能在最好的视频榜单里保持领先；第二个是交互模型，我们会做一种新的范式、新的体验；第三个，我们也会在具身智能模型和数据生成方向继续推进。

第二，产品要持续迭代。你会看到我们发布新的 Agent、新的视频能力，包括更长时长的视频生成、混剪能力、营销 Agent 等等。

第三，商业化要继续跃升。去年大家看到的只是一个阶段性的数字，我们今年希望有一个很大的增长。

网易科技：最后一个问题，如果只用一句话介绍智象未来，你会怎么说？

梅涛：从愿景上说，我们希望用人工智能技术服务人类，创造更美好的生活。

如果是对客户、对公众介绍，我会说：智象未来是一家以全模态世界模型底座为核心，坚持做好企业服务的全球化公司。

*往期回顾

《态度AGI》第一期：对话李开复：大模型创业狂奔一年中美差距缩小我十年不套现《态度AGI》第二期：对话王小川：我们不跟进大模型价格战《态度AGI》第三期：对话戴文渊：大模型价格战不解决核心问题《态度AGI》第四期：对话智源研究院院长王仲远：GPT4不是国内大模型的尽头《态度AGI》第五期：对话朱啸虎：5年后将没有独立的大模型公司存在，因为没有商业模式《态度AGI》第六期：对话梅花创投吴世春：“中国大模型五虎”想要跑出来非常难《态度AGI》第七期：对话跃然创新CEO李勇：做大模型应用如何和巨头错位竞争《态度AGI》第八期：对话智谱AI CEO张鹏：视频生成是AGI必经之路，超级App将在“不知不觉”中到来《态度AGI》第九期：对话科大讯飞副总裁、研究院院长刘聪：中国大模型已从追赶对标走向自主原创《态度AGI》第十期：对话360周鸿祎：魔法对付魔法，大模型安全问题得靠大模型《态度AGI》第十一期：对话彩云科技CEO袁行远：超越ChatGPT，需要打开“黑盒”《态度AGI》第十二期：对话傅盛：不看好双足机器人商业化，三五年都没戏《态度AGI》第十三期：对话宇树创始人兼CEO王兴兴：通用机器人的iPhone时刻还需要3-4年《态度AGI》第十四期：对话MiniMax创始人闫俊杰：打不赢，就应该被淘汰

《态度AGI》第十五期对话荣耀赵明：AI时代开放肯定会击败封闭

《态度AGI》第十六期对话昆仑万维首席科学家颜水成：大模型的三个共识与三个分歧

《态度AGI》第十七期对话聂再清：生物医药即将迎来“ChatGPT时刻”，2-3年内实现重大技术飞跃

《态度AGI》第十八期：对话刘作虎：手机是AI应用体验最好的载体《态度AGI》第十九期：对话realme徐起：AI已成为消费者购机的主要考量因素《态度AGI》第二十期：对话喻友平：大模型已从“暴风骤雨”到“润物细无声”《态度AGI》第二十一期：对话月之暗面杨植麟：竞争是做正确的事当下最关心“留存”《态度AGI》第二十二期：对话许四清：眼下投AI，就是在不确定里找到必然

《态度AGI》第二十三期：对话讯飞创投合伙人朱永：AI创企已经迈入了价值兑现的关键时刻

《态度AGI》第二十四期：对话王啸：我看好应用层，一直没投基础大模型

《态度AGI》第二十五期：对话投资人姚海波：人形机器人尚未解决“手”和“脑”问题

《态度AGI》第二十六期：没有这双“神仙”手，特斯拉机器人也难成！魔法原子总裁吴长征：90%零件自己造，2025机器人场景落地生死年！《态度AGI》第二十七期：对话智元合伙人姚卯青：不做大模型的机器人公司没有未来《态度AGI》第二十八期：对话方小雷：单日面试1.4万人，朱啸虎连投三轮的AI应用什么样？《态度AGI》第二十九期：半马获亚军，订单暴增800%，对话松延动力创始人姜哲源《态度AGI》第三十期：对话昆仑万维CEO方汉：大厂争王座，中厂抢地盘《态度AGI》第三十一期：对话姜大昕：AGI实现路径清晰了，世界模型不远了《态度AGI》第三十二期：对话高成投资洪婧：SaaS已死？在中国不赚钱？错了！《态度AGI》第三十三期：傅利叶十年鏖战，要撕掉人形机器人“大玩具”标签《态度AGI》第三十四期：对话深势科技柯国霖：AI for Science是实现AGI的必经之路《态度AGI》第三十五期：对话盛景网联彭志强：跳出SaaS亏损黑洞！从“卖工具”到“卖结果”的AI RaaS转型法则《态度AGI》第三十六期：对话顾嘉唯：售出千万台，卖爆618，他却说“只想做下一代AI终端”

《态度AGI》第三十七期：对话首程控股叶芊：具身智能走过“婴儿期” 2025是交付

《态度AGI》第三十八期：对话XREAL徐驰：AI眼镜只有5岁智商

《态度AGI》第三十九期：对话谷歌全球广告副总裁：搜索广告正在被AI改造，关键词逻辑变了！

《态度AGI》第四十期：对话宇树科技CEO王兴兴：回应关于宇树上市，机器人降价，AI投入以及出货量

《态度AGI》第四十一期：对话VAST创始人宋亚宸：“3D时代的抖音”当属创业者

《态度AGI》第四十二期：专访 | Soul怎么做AI伴侣？CTO陶明：我们不定义关系

《态度AGI》第四十三期：对话Plaud莫子皓：还没投广告国内产品销量已经第一

《态度AGI》第四十四期：对话灵足时代联创邵元欣：做机器人领域的“英伟达”

《态度AGI》第四十五期：VLA模型仍存在明显缺陷大晓机器人携ACE范式入

《态度AGI》第四十六期：对话传音阿里夫：方向大于速度｜300亿美金市场的“非洲之王”用AI找第二曲线

《态度AGI》第四十七期：破解具身智能“数据荒”，对话鹿明创始人：数据采集效率提升5倍，成本降至1/5

《态度AGI》第四十八期：给机器人做仿真训练这家创企年营收破亿预计26年翻4倍