Full text · 原文
4,654 字
允中 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
7月23日，智象未来（HiDream.ai）宣布完成15亿元C轮融资。<br>
这是这家多模态大模型公司在近三个月内完成的第三轮融资。<br>
三轮密集融资超21亿元后，智象未来估值超过10亿美金，正式跻身全球AI独角兽行列。<br>
但真正让人感兴趣的从来不是钱本身，而是谁在给钱，以及为什么给。<br>
这一轮的投资人名单，堪称“神仙打架”。<br>
公开信息显示，本轮融资由社保基金四川振兴科创基金、工银资本、弘颐资管、敦鸿资本联合领投，厦门国贸资本、上影新视野基金、湖北长江产业投资集团、华策影视、航源资本、创云海资本、华福投资、余杭金控股份、交银资本、若松基金等多家机构跟投。<br>
老股东合肥产投、东方富海、金浦投资、金华金投、中哲创、财鑫资本持续加注。<br>
风格、布局逻辑截然不同的资本，罕见扎堆押注同一家创业公司。<br>
这不禁让人好奇，这些人在智象身上看到了怎样的未来？<br>
LLM估值红利见顶，视觉模型的想象空间正在被打开<br>
智象C轮融资的这个时间点很微妙，恰好踩中了AI行业范式切换的关键拐点。<br>
此前，大语言模型凭借代码生成、文本交互能力，长期占据资本与市场的核心焦点，参数规模、推理速度成为核心竞争标尺。<br>
近期，随着新一代开源/开放权重模型密集发布，市场对大语言模型估值溢价的分歧明显加剧，部分已上市AI模型公司股价波动加大。<br>
过去，资本愿意为更大的参数规模、更高的Benchmark分数、更强的通用能力支付溢价；<br>
但当模型能力迭代越来越快、领先窗口越来越短，单纯“做大模型”已经不再是足够稳固的估值锚点。<br>
相比继续押注参数规模，资本的目光正在从AI“现在能做什么”，移向“未来能成为什么”。<br>
市场正在形成共识：大语言模型的领先优势极具短暂性，单纯依靠参数堆叠、文本能力领跑的模式，已逼近工程天花板。<br>
同一时间，AI视觉赛道却呈现出截然不同的景象，迎来资本集中爆发。<br>
据不完全统计，2026年国内AI视觉领域的融资总额已逼近300亿元。<br>
大厂背景的字节系Seedance、可灵ARR数据大幅增长，一众独立创业公司接连落地大额融资，赛道整体进入技术落地、商业兑现的黄金周期。<br>
可以说，多模态已经成为自AI Coding之后，AI商业化确定性最高的赛道之一。<br>
智象未来能在资本市场受到瞩目，当然离不开这个时代的“大气候”。<br>
多元资本共同押注了一个怎样的技术叙事？<br>
赛道升温，不代表所有人的机会均等，市场只会把筹码押给真正的头部玩家。<br>
而一家公司的投资方阵容，往往就是最直接的信任投票。<br>
翻看智象未来投资人名单，几个鲜明的特征跃然纸上：国家级资本站台、多元资本集结、以及“首次出手”的稀缺性。<br>
公开信息显示，这是社保基金作为LP首次投资多模态大模型方向的公司，更是工银资本第一次出手多模态大模型企业。<br>
跟投名单里，还站着来自安徽、上海、浙江、福建、湖南多地的国资。上影股份、华策影视两家头部影视上市公司并肩入局。<br>
此外，还有东方富海、弘颐资管、敦鸿资本这些顶级的市场化VC。<br>
这种多元化的投资人结构，在当下的一级市场中并不多见。<br>
通常情况下，一家AI创业公司的融资轮次越往后，股东构成会趋于收敛，集中在少数几类财务或产业资本手中。<br>
智象未来的情况——国资、产业方、市场化VC在同一轮次密集参与，至少说明一个问题：不同属性的资金，在这里看到了不同的价值锚点。<br>
对国家级资本而言，关注的是“路线”。<br>
全模态世界模型是否成立，目前尚无定论，但如果这一方向最终跑通，其战略意义将不止于单一商业场景，而可能成为下一代AI基础设施的重要组成部分。<br>
影视产业资本，此次投资是卡位内容产业革命的前置布局。<br>
因此，可以看到上影股份、华策影视与智象未来达成了多项合作，比如新型内容创制、院线场景升级、AI跨屏整合营销、AI大屏制片标准与工作流程制定等方向协同。这显然不是一次简单的财务布局，双方都志在长远。<br>
对地方国资而言，算的是产业账。<br>
AI竞赛已进入贴身肉搏阶段，各地都在寻找自己的“标志性项目”。<br>
过去十年，合肥接连投资了长鑫科技、京东方等高科技企业，这座城市在过去反复证明了一件事：它擅长在行业黎明期下重注。如今，智象未来被摆在了相似的位置上。<br>
而敦鸿资本、弘颐资管、东方富海等市场化顶级机构集体入局，则是基于硬核技术落地价值的专业判断。<br>
多家机构更是首次布局视觉大模型赛道，这也从侧面印证了智象未来的技术路线、团队积淀与商业化能力，具备一定的行业稀缺性与差异化优势。<br>
不同背景的出资人，从各自坐标出发，看到了同一个方向上的不同切面。但这些切面最终拼出的那个完整图景，才是真正值得追问的问题——<br>
他们共同押注的，究竟是一个什么样的技术叙事？<br>
颠覆行业“缝合架构”，UiT跑出原生全模态新路径<br>
要回答这个问题，需要回到一个更底层的判断：大模型通往AGI的路径，正在发生一次根本性的路线分歧。<br>
过去两三年，AI行业的主流叙事是“规模法则”——参数越大、数据越多、算力越强，模型就越聪明。<br>
杨立昆对此立场鲜明，甚至近乎偏激，他曾多次表示，三到五年内，世界模型将取代LLM成为主流AI架构。<br>
这一判断是否准确另当别论，但它指向了一个大模型无法回避的先天缺陷：LLM本质上是“书斋里的思想家”，它的智能被局限在人类文明已编码的符号系统之内。<br>
世界模型试图解决的就是这个问题：让AI不仅仅处理符号，而是理解物理世界中的空间、时间、因果和交互。<br>
智象未来选择从视觉像素出发，构建原生全模态架构。<br>
这个选择的背后有一个核心判断：图像是信息密度极高的模态之一。<br>
一张图片定格的是某一时刻物理世界的完整状态，空间关系、光影变化、物体材质、色彩信息，所有这些都被压缩在像素矩阵中。<br>
传统的多模态模型，本质上是“缝合怪”，在语言模型之外挂一个图片理解模块，再补一个生成模块，各模态分别编码，最后在外层拼接。<br>
文字是主轴，其他模态是插件。信息在不同模块之间传递时，每一次转换都在损耗。<br>
智象的UiT架构试图颠覆这个范式。<br>
它将图像像素、文本Token、视频体素以及音频、动作、空间关系等原始信号，由同一套Transformer完成理解、生成和推理。<br>
不设独立的文本编码器，不用VAE作为模态间的传导介质，所有信号统一tokenization，端到端地在同一网络中完成多任务处理：文生图、长文本渲染、指令编辑、主体驱动、故事板生成，全部由同一个模型完成。<br>
全模态世界模型不是一个停留在论文里的学术概念。2026年5月，原生全模态架构迎来了第一个关键节点。<br>
智象旗下HiDream-O1-Image（8B参数开源版本）以「Peanut」匿名上榜全球知名独立AI模型评测平台Artificial Analysis、并登上文生图榜单开源模型第一，成为榜单前20名模型中参数最小的版本。<br>
随后，商用版HiDream-O1-Image-1.5再次成为该榜单排名最高的中国图像模型，位列全球前三，在光影、复杂构图、指令跟随和中英文字渲染上表现突出。<br>
当然，一次评测登顶不意味着终局。<br>
视觉大模型的竞争才刚刚进入深水区，榜单排名的变动周期正在从季度缩短到月度。<br>
但这件事的坐标意义在于：当行业还在争论“世界模型到底能不能work”的时候，至少有一条技术路线，已经在第三方评测体系里交出了可被验证的答卷。<br>
多路资本集体重仓，固然有赛道的热度使然，但更深层的驱动力，恐怕还要回到智象未来在底层架构上的差异化选择。<br>
这让智象未来在众多AI创业公司中，呈现出了一种不太一样的质地。<br>
这段“荒诞科幻片”，可能比SOTA更有说服力<br>
区别于多数重技术、轻落地的AI创业公司，智象未来早已搭建起成熟可落地的“1+1+3”商业化体系，实现底层技术、平台能力、场景应用的三级跳落地。<br>
体系第一层为HiDream全模态大模型底座，承载所有底层技术创新与算力支撑；<br>
第二层为HiHarness企业能力中台，对外输出标准化、可复用的模型能力，适配企业定制化需求；<br>
第三层聚焦商业营销、影视创作、社媒创作三大垂直场景，打造专属AI智能体产品，深度嵌入产业工作流。<br>
其中，本次WAIC重磅发布的vivago R1多模态创作智能体，成为技术落地的核心标杆产品。<br>
针对行业视频生成时长受限、画面跳变、人设错乱、可用性低等长期痛点，vivago R1实现了突破性革新，成为全球首款支持无限时长视频自主生成与编辑的创作智能体。<br>
产品搭载长链路叙事规划能力，摒弃传统“抽卡式”随机生成模式，先完成整体脚本与镜头规划，再分段落地生成、智能纠错，单段任务失败独立重试，不影响整体创作进度。<br>
依托这一架构革新，vivago R1将AI内容商用有效成功率提升至85%，跨过了企业规模化商用的核心门槛，让AI正式从辅助工具，升级为内容生产的核心生产力。<br>
这套技术参数落到实际创作中是什么效果？<br>
近期有一个来自用户的测试案例在创作者社群中流传甚广，有人在vivago R1上输入了一组相当刁钻的指令：<br>
生成一部“叶什尔查姆风格”的荒诞科幻短片。<br>
叶什尔查姆（Yeşilçam）是土耳其上世纪六七十年代为核心的商业电影黄金时代。<br>
它整体上类似“土耳其好莱坞”，以高产、明星制和类型片著称；其中一支后期低成本山寨片，因为粗粝道具、拼贴素材和夸张表演，后来在海外电影圈走红，《土耳其星战》就是最著名的代表——<br>
真人套着硬纸板喷银漆的怪兽服、泡沫塑料制作的石头道具、手绘的外星球背景、演员绑着石头在蹦床上模拟飞行、直接剪辑真实爆炸镜头入画。<br>
它的精髓是“廉价到极致，反而形成了一种独特的幽默感”。<br>
对于AI视频模型来说，这种风格真正的考验在于：它要求模型理解“不完美”，既要输出符合物理规则的画面，又要刻意保持低成本的质感，还要在“假”与“可笑”之间精确地踩中那个风格阈值。<br>
大多数模型在面对这类指令时，会倾向于输出“好看的画面”而非“对的风格”。<br>
而vivago R1的处理结果，至少在创作者社群的反馈中，被认为是“精准捕捉到了那种荒谬感”——硬纸板怪兽、手绘背景、廉价特效的质感都被复现，同时镜头之间的叙事逻辑保持了连贯。<br>
一个把“假”做到极致的风格，反而成了检验模型对“真实”理解深度的试金石。<br>
这个案例之所以值得被提及，不是因为它展示了多精美的画面，而是因为它指向了一个更本质的能力：一个真正可用的创作工具，必须能理解风格、执行意图、保持叙事连贯，而不只是生成漂亮的单帧画面。<br>
扎实的产品能力也收获了全球市场认可。<br>
目前vivago海外版已覆盖全球100多个国家和地区，累计服务超5000万用户，今年5月灰度版登顶Product Hunt日榜第一，被硅谷知名product hunter Chris Messina强力推荐，评价为“Think Claude Code，but for video”，商业化落地能力稳居行业第一梯队。<br>
如果说前两年的AI竞赛比的是谁更能“读懂”人类已有的知识，那么从现在开始，比的是谁更能“看懂”并“推演”这个物理世界。<br>
这是一场从文本智能到物理智能的范式跃迁，也是世界模型赛道最迷人的不确定性。<br>
沿着这条原生全模态技术路线，智象未来的演进节奏与落地效果，值得长期追踪。<br>
它不仅是国产AI在底层架构上的一次主动突围，更可能为“大模型如何跨越纸上谈兵、真正走进物理世界”这一命题，提供了一个值得挖掘的范本。<br>
随着这一轮融资尘埃落地，世界模型的牌桌摆开，真正的竞赛，才刚刚鸣枪。