这事刚出的时候我的几个技术交流群一下午都没消停。一位在卷积神经网络时代就封神的泰斗级学者A从老东家那边转身离场又跑到一位视觉表征领域青年学者B的门下反复游说最终把这位长年在自监督学习一线深耕的华人学者拉进了自己的新公司。随后新公司宣布完成10亿美元级别融资。标题里“三顾茅庐”“10亿美元”这两个关键词每一个拎出来都足够让行业里讨论好几天更别提两件事同时发生。这篇文章想拆的不只是这一条融资新闻本身。我会用从业者的视角把这起事件拆成几层来看新公司到底在赌什么技术方向A和B的组合为什么对资本有说服力10亿美元在这个时间点进入基础模型赛道意味着什么以及作为普通工程师或研究者我们能从这类大事件里提炼出哪些可用的判断方法。不管你是做视觉的、做NLP的还是搞 AI Infra 的这篇都能给你一些参考。1. 事件复盘一则融资新闻里藏着哪些关键信号1.1 三顾茅庐背后的“非典型”加入先说事实层面的信息但我尽量用行业内的方式去理解它。某位在学术界有开山地位的泰斗级人物A此前在业内一家科技巨头担任首席科学家主导了一系列影响深远的工作说他是过去二十年深度学习浪潮的重要推动者之一毫不夸张。他离开老东家后没有选择退休而是迅速筹备了一个新公司。新公司方向大概率聚焦在下一代AI基础模型上而且不是单纯做大语言模型而是往“底层智能”方向走——包括但不限于世界模型、具身智能的通用底座、多模态大模型等。这里面最值得玩味的是“三顾茅庐”这个细节。按新闻报道的口径A为了把青年学者B拉入伙亲自飞越半个地球多次上门长谈。这种级别的招募动作在整个AI行业的顶级人才争夺战里也是罕见的。为什么B这么重要得看清楚B做了十几年视觉表征学习在自监督学习、对比学习、视觉Transformer方向都有极具影响力的产出。他团队的一些成果是过去五六年视觉领域的基石之一。如果你不是一个做视觉的人可能体会不到这类工作的分量。可以拿一个类比如果把深度学习模型比作一栋楼那监督学习时代大家在砌砖、做装修而B这类研究者做的事相当于在研究“混凝土配方”本身。他不教模型怎么认猫认狗他研究怎么让模型在没有标签的情况下自己捕捉到世界的结构。这种能力放到今天的大模型训练范式里恰恰是最稀缺的。所以A三顾茅庐看的其实不是一个人而是一条技术路线。1.2 10亿美元的融资节奏说明什么再说融资。10亿美元级别不是一笔小数目尤其在资本环境趋冷的阶段它传递出来的信号非常明确顶级玩家依然在向基础层重注下注只是下注的方式和方向变了。之前一两年的资本叙事重点多数还是落在“大语言模型应用层”和“AI基建层”。而这次融资指向的是“下一代架构定义权”。投资人愿意在这个时间点拿出这个量级的钱说明他们对A的技术判断和团队组合有比较强的信心也说明一级市场对“新范式”的需求依然强烈。这里有个关键点10亿美元不只是用于养团队、买显卡的它本质上买的是一个“时间窗口”。基础模型赛道的规律是第一梯队如果领先别人9到12个月那后面的人再想追往往就要付出数倍的成本。这10亿美元核心用途是在领先窗口期内把研究、数据、算力、工程、商业化全链条一次性铺开。1.3 从这条新闻里普通从业者该提取什么这条新闻不只是八卦谈资。对做技术的人来说它背后有几个值得关注的具体信号自监督学习和世界模型的研究价值正在被资本以最直接的方式重新定价。学术明星向创业公司流动的趋势在加速大厂不再是顶尖研究者的唯一归宿。“多模态具身智能世界模型”的组合正在成为下一代基座模型的核心叙事。我用下面这张表格总结一下事件的关键要素和对应的信号方便大家快速理清事件要素具体内容对应信号核心人物A深度学习领域的标杆人物此前在科技巨头任首席科学家顶级学者愿意从头创业说明旧平台对新范式约束渐多核心人物B视觉表征学习、自监督学习的代表性华人青年学者下一代基础模型将视觉与多模态置于核心位置融资规模10亿美元级别资本认为基础模型新范式的窗口期值得重注技术方向世界模型、多模态、底层智能从“语言为中心”转向“物理世界理解为中心”招募方式多次上门长谈团队组合比单点技术更重要B被视作关键拼图2. 技术路线拆解新公司押注的是什么方向2.1 为什么是视觉出身的人而不是纯语言模型专家如果你长期关注AI研究趋势会发现一个有意思的现象过去两三年最被资本追捧的明星创业者绝大多数是语言模型背景。他们的模型拿出去就能做聊天、做Agent、做代码生成商业化的路径比较清晰。但这次新公司拉进来的核心研究者是视觉出身这背后的技术逻辑值得展开讲一讲。先说结论下一代基础模型如果想从“数字世界的文字处理器”进化成“物理世界的模拟器”视觉理解一定是最底层的那个能力。人的智能如果剥离了视觉只剩语言那基本不可能形成完整的物理世界认知。婴儿学东西是先看、再摸、再听最后才学说话。现在的大模型路径其实是反过来的先把语言学得差不多再回头看图像和视频。这条路存在天花板。B为代表的一批视觉研究者做的事情恰好是在补这一课。他们研究的不只是“图像分类”“目标检测”这种传统视觉任务而是如何让模型通过海量无标签数据学习到世界的结构化表征。对比学习、掩码图像建模、自监督预训练这些都是B所在流派的核心技术。它们解决的是一个共同的问题模型怎么在没有人工标注的情况下自己发现世界上什么是重要的、什么是稳定的、什么是可预测的。这不是小修小补这是用一个新维度去定义“预训练”。2.2 自监督学习和大语言模型的接合点在哪很多人会问视觉自监督和现在的大语言模型到底怎么结合大模型不是已经能看图了吗我的理解是当前多模态大模型里的“视觉”大多数情况下只是“把图像切成patch然后通过一个映射器把图像特征塞进语言模型的token序列里”。本质上视觉信息被压制成了语言的附庸。这样的模型能描述图像能回答关于图像的问题但它没有建立一个独立的、对物理世界运行规律的内部模型。B所做的方向恰恰相反。他长期研究的核心内容是怎么让视觉网络自己长出对世界结构的理解而不依赖语言作为中介。这种表征能力如果和大模型的推理能力结合能带来的变化是结构性的——模型不再只是“认得一张图”而是可以对“下一秒会发生什么”“如果把一个物体移到另一个位置会怎样”这类物理过程形成预测。这正是世界模型路线所需要的核心组件。2.3 世界模型为什么是终极目标关于世界模型行业内已经讨论了很久。简单来说一个完整的世界模型要求AI系统不仅感知当前状态还能在内部模拟出多种可能的未来走向。自动驾驶需要它来预测行人下一秒的轨迹机器人需要它来理解“推动杯子”之后会发生什么游戏和仿真需要它来生成连贯、可交互的虚拟环境。现在的LLM在语言空间里已经表现出了很强的“模拟”能力——你问它“如果下雨了我应该做什么”它能够给出合理的行动序列。但这种模拟只停留在语义层面它没有像素级的物理推演。真正要和物理世界交互的系统比如机械臂、双足机器人、自动驾驶汽车必须要有更接近物理规律的内部模型。B这类研究者的价值就在这里。他们做的东西可以提供世界模型所需要的视觉表征底座。这个底座不是用来做图像检索的而是用来做物理规律提取的。A把B拉进来本质上是为自己的技术版图补上“空间智能”和“物理理解”这两块拼图。这也解释了为什么新公司融资能到这个规模它在讲一个比单纯大模型更大的故事而讲故事的人又是过去二十年在AI技术方向判断上极少犯错的那类人。3. 人才与组织三顾茅庐背后的学术与工业界流动逻辑3.1 顶级研究者为什么越来越愿意跳出来创业放在五年前A这个级别的学者如果离开大平台大多数人会认为他要么是去另一家大厂要么是继续在高校做研究。跳出来自己从头创立一家基础模型公司在当时是比较少见的。但这两年这个趋势已经非常明显顶尖研究者正在从“给巨头打工”转向“自己定义问题”。原因并不复杂。基础模型赛道的核心变量是数据、算力、人才、定义权。前两者可以被资本买到后两者只能靠团队本身。大平台的优势在于资源和场景但劣势在于组织惯性——当一个研究机构足够庞大它倾向于做“已验证的增量”而不是“有风险的范式切换”。A做的很多东西从学术界的反应来看明显属于后者。当一个方向被判定为“下一代范式”时离开体系内、自己搭一个灵活的团队往往是更高效的选择。B的加入则提供了一个相反的视角一个正处于学术上升期的研究者为什么会选择一家新公司而不是继续在学校里深耕在我看来核心原因有三层第一A提供的方向自由度足够大。在新公司B不需要去适配一个已经成熟的模型产品体系而是可以围绕自己的研究框架重新构建技术栈。第二工业界的数据和算力资源是对学术研究的重要放大器。第三参与定义一个全新组织的机会比在一家成熟平台上做螺丝钉对顶级研究者更有吸引力。3.2 组织结构和技术基因如何匹配从有限的信息来看这家新公司的组织方式可能会比较接近“研究驱动型实验室”而不是典型的产品型公司。原因之一是A本人就是这个风格他一直主张“不要用旧的竞争框架来约束新的研究方向”。原因之二是B的研究方式他习惯小团队、长周期、面向科学问题而不是短期指标的节奏。这意味着新公司的早期形态大概率是“学术实验室工业化基建”的混合体。一方面要保持研究的开放性和自由度允许成员做高风险的方向另一方面又要有足够的工程能力和算力储备把研究成果快速转化为实际可用的模型能力。这种模式有一个很明显的好处它能在早期阶段吸引更多被大厂约束住的优秀研究者。很多做基础研究的人并不抗拒工业界他们抗拒的是“三个月的KPI必须体现到模型指标上”的考核方式。一家背靠巨额融资、同时又保留研究文化的新组织对他们来说是很有吸引力的归处。3.3 这笔融资在“人才争夺战”中的连锁反应10亿美元级别的资金一落地人才市场上一定会出现连锁反应。首当其冲的是多模态、自监督学习和具身智能方向的研究者身价会有明显上浮。这个信号其实在融资新闻出来之前就已经有了这几类岗位在市场上的流动频次明显增加现在等于被官方盖章确认了方向价值。对创业者来说这里有一个实际可用的判断如果某个方向持续有大额融资涌入且核心人物都是该领域公认的头部研究者那么说明这个方向在接下来24到36个月内会有持续的人才虹吸效应。如果你所在的团队正在做同方向的业务现在是时候考虑怎么在薪酬、研究自由度、数据权限上和这些新组织竞争了。4. 资本与影响10亿美元能改变什么行业会往哪里走4.1 钱花在哪基础模型创业公司的烧钱模型很多人对“10亿美元”这个数字没有太具体的概念。我按现在基础模型创业公司的典型成本结构来做一个粗略拆解大家就明白这个量级意味着什么了。算力成本训练一个千亿参数级别的多模态基础模型单次完整训练的成本通常在数千万美元到上亿美元之间。如果需要同时探索多条技术路线算力开支是一个持续流水。数据成本高质量视频数据、3D数据、机器人交互数据的采集和标注是基础模型创业公司最容易低估的一块成本。尤其是想构建世界模型你需要的是“有物理过程”的数据而不只是静态图片。人力成本这个级别的团队早期成员很多来自顶级实验室和头部公司。按市场行情核心研究员的综合年薪可以达到几十万美元量级一个200人的公司光人力成本每年就要奔着1亿美元去。基础设施与工程化分布式训练框架、推理优化、数据处理管线这些都需要专门的工程团队持续投入。所以10亿美元看着很大但如果公司真的要在世界模型这条路上跑3年它其实只是“够用但不宽裕”的水平。这意味着融资之后团队必须以比较快的速度做出一些标志性成果否则下一轮融资的故事就不太好讲了。4.2 对开源生态和学术研究的影响A和B都是开源社区和学术圈里影响力比较大的人。A在早期推动了不少深度学习框架和工具链的开源B的研究成果也大多以论文和开源代码的形式公开。新公司如果继承这种基因会是一个比较健康的信号。但这里有一个博弈在这个资金体量下公司理论上不可能完全开源所有东西因为核心模型能力是公司的技术壁垒。更可能发生的是“论文开放、代码部分开放、模型能力按商业化需要逐步开放”的折中模式。也就是说学术影响力继续积累但关键know-how会有一层保护。对普通研究者和学生来说这意味着你仍然可以读到很多技术细节感受到前沿方向的变化但想直接复现核心模型从头训练的开源配方难度会明显增加。这是基础模型时代的普遍现象不只是这一家公司。4.3 行业格局会如何被影响如果说过去两三年是“大语言模型定义AI行业”的阶段接下来可能进入“多模态世界模型定义AI行业”的阶段。这里面受影响最直接的至少有三个环节第一是传统视觉AI公司的估值逻辑会发生变化。过去大家认为视觉算法到一个阶段就触顶了但世界模型的叙事出现后视觉理解重新变成了底层核心能力做视觉研究的人和团队会被重新定价。第二是大模型应用层的创业公司需要重新考虑底座选择。如果新一代基础模型在物理交互、多模态理解上形成代差那么基于纯文本底座开发的Agent应用在能力上限上会遇到瓶颈。第三是数据产业的结构性调整。静态图文数据的重要性会相对下降而视频数据、传感数据、机器人轨迹数据的权重会大幅上升。提前布局这一类数据采集和处理能力的团队会在这波浪潮里占得先机。5. 实操心得如何从这类事件中提炼判断力与行动项5.1 面对大新闻先拆解而不是先站队在技术社区里每当出现这种重量级新闻舆论通常分成两波一波人全力追捧认为新范式要颠覆一切另一波人冷嘲热讽觉得又是资本讲故事。以我的经验这两种反应价值都不大。更有效的做法是把事件拆成几个可以独立验证的问题新公司的技术方向在学术上有多少已经发表的工作在支撑核心团队过去的代表性成果是否和这个新方向高度相关这个方向如果成立对哪些下游应用会产生真实的效率提升如果方向不成立最大的技术风险点在哪里把这四个问题回答完你对一个事件的理解深度会超过90%只看标题的人。5.2 建立自己的技术雷达和判断框架跟踪这类动态不要只看新闻本身更值得看的是论文、招聘信息、对外谈到的技术细节。我个人的习惯是把行业里几个关键人物的名字列成一个清单定期去翻他们最近在关注和转发什么内容。技术方向的变化通常最先从这些人的生平和学术讨论里流露出来而不是从融资新闻里。举例来说如果某位视觉研究者的最新论文开始大量引用“混合架构”“时间序列预测”“状态空间模型”这些关键词那说明他的研究兴趣和工程方向正在往新的重心移动。这种信号比任何公关稿都真实。我总结了一张“判断前沿信号来源”的速查表供大家参考信号类型观察渠道代表特征研究兴趣迁移论文预印本、作者原话关键词从监督学习转向自监督/生成式组织人才变动招聘JD、团队主页新增方向多为世界模型、具身智能、视觉基座资本流向融资公告、基金合伙人访谈投资主题从纯语言转向多模态与空间智能工程资源分布开源代码库、技术博客分布式训练框架针对视频/3D数据做专门优化内部文化变化公开演讲、会议报告从“指标驱动”转为“范式探索”5.3 普通工程师可以从哪几个角度切入如果你自己不做基础模型研究看到这种新闻容易产生一种“与我无关”的感觉。但实际上每一次基础模型层的范式切换都会在下游创造大量工程机会。具体到这次事件至少以下几个方向值得关注大规模视频数据训练管线。视频数据的清洗、采样、标注和存储和文本数据完全是两码事。这里面有大量的工程细节问题需要解决。多模态模型的推理优化。模型能力再强如果跑不动、时延高、成本贵根本落不了地。这类工程问题在任何新模型出来后都会被重新翻一遍。具身智能相关的数据采集与仿真平台。想训练出能理解物理世界的模型光靠互联网视频是不够的需要可控的物理仿真环境和真实机器人数据采集系统这里面从硬件到软件的跨度非常大。世界模型的应用层。如果这类模型真的成熟自动驾驶、机器人、数字孪生、游戏产业都会出现重构机会。现在开始了解这些领域的核心痛点等于提前给自己的能力埋伏笔。有一个很现实的建议如果你是一个做NLP或推荐的工程师想跟上这波变化不需要立刻转行去做视觉。先把多模态大模型的推理链路吃透能复现一个开源多模态模型的训练和推理再考虑往哪个具体方向深挖。动手跑通一条完整链路得到的认知远胜于看一百篇行业分析。6. 几个容易被忽略但值得留意的细节6.1 “融资数字”不等于“技术成功”虽然这次融资看起来非常亮眼但有一个基本原则不能忘在AI行业融资规模只能说明资本对这个方向的信心不能证明技术路线一定走通。历史上不缺大额融资但最终方向被证伪的公司。在乐观的同时保持对技术风险的基本敬畏是一个合格从业者该有的心态。具体来说世界模型这个方向目前还面临几个没有完全解决的困难高维视频数据的建模效率、长期时序预测的稳定性、以及物理世界交互数据的匮乏。这些不是靠融资就能自动消失的问题每一个背后都是一场硬仗。6.2 团队组合才是真正的护城河最后说一下我对这次事件最核心的判断A和B的组合比10亿美元这个事情本身更有价值。在一个范式切换的关口真正稀缺的不是钱不是卡而是一群在正确方向上摸索了十年的人。A有全局视野和行业号召力B有扎实的底层技术积累这种“战略型领袖技术型核心”的组合才是新公司最值得被长期观察的理由。我在过去几年的观察中也发现一个规律所有真正改变行业格局的技术公司早期都具备一个共同特征核心团队不是在追逐热点而是在沿着自己多年的研究脉络等到了属于那个方向的时代。这次新公司的创建很大程度上也符合这个模式。接下来它能否交出让行业眼前一亮的成果比它账上有多少钱更值得关注。
这事刚出的时候我的几个技术交流群一下午都没消停。一位在卷积神经网络时代就封神的泰斗级学者A从老东家那边转身离场又跑到一位视觉表征领域青年学者B的门下反复游说最终把这位长年在自监督学习一线深耕的华人学者拉进了自己的新公司。随后新公司宣布完成10亿美元级别融资。标题里“三顾茅庐”“10亿美元”这两个关键词每一个拎出来都足够让行业里讨论好几天更别提两件事同时发生。这篇文章想拆的不只是这一条融资新闻本身。我会用从业者的视角把这起事件拆成几层来看新公司到底在赌什么技术方向A和B的组合为什么对资本有说服力10亿美元在这个时间点进入基础模型赛道意味着什么以及作为普通工程师或研究者我们能从这类大事件里提炼出哪些可用的判断方法。不管你是做视觉的、做NLP的还是搞 AI Infra 的这篇都能给你一些参考。1. 事件复盘一则融资新闻里藏着哪些关键信号1.1 三顾茅庐背后的“非典型”加入先说事实层面的信息但我尽量用行业内的方式去理解它。某位在学术界有开山地位的泰斗级人物A此前在业内一家科技巨头担任首席科学家主导了一系列影响深远的工作说他是过去二十年深度学习浪潮的重要推动者之一毫不夸张。他离开老东家后没有选择退休而是迅速筹备了一个新公司。新公司方向大概率聚焦在下一代AI基础模型上而且不是单纯做大语言模型而是往“底层智能”方向走——包括但不限于世界模型、具身智能的通用底座、多模态大模型等。这里面最值得玩味的是“三顾茅庐”这个细节。按新闻报道的口径A为了把青年学者B拉入伙亲自飞越半个地球多次上门长谈。这种级别的招募动作在整个AI行业的顶级人才争夺战里也是罕见的。为什么B这么重要得看清楚B做了十几年视觉表征学习在自监督学习、对比学习、视觉Transformer方向都有极具影响力的产出。他团队的一些成果是过去五六年视觉领域的基石之一。如果你不是一个做视觉的人可能体会不到这类工作的分量。可以拿一个类比如果把深度学习模型比作一栋楼那监督学习时代大家在砌砖、做装修而B这类研究者做的事相当于在研究“混凝土配方”本身。他不教模型怎么认猫认狗他研究怎么让模型在没有标签的情况下自己捕捉到世界的结构。这种能力放到今天的大模型训练范式里恰恰是最稀缺的。所以A三顾茅庐看的其实不是一个人而是一条技术路线。1.2 10亿美元的融资节奏说明什么再说融资。10亿美元级别不是一笔小数目尤其在资本环境趋冷的阶段它传递出来的信号非常明确顶级玩家依然在向基础层重注下注只是下注的方式和方向变了。之前一两年的资本叙事重点多数还是落在“大语言模型应用层”和“AI基建层”。而这次融资指向的是“下一代架构定义权”。投资人愿意在这个时间点拿出这个量级的钱说明他们对A的技术判断和团队组合有比较强的信心也说明一级市场对“新范式”的需求依然强烈。这里有个关键点10亿美元不只是用于养团队、买显卡的它本质上买的是一个“时间窗口”。基础模型赛道的规律是第一梯队如果领先别人9到12个月那后面的人再想追往往就要付出数倍的成本。这10亿美元核心用途是在领先窗口期内把研究、数据、算力、工程、商业化全链条一次性铺开。1.3 从这条新闻里普通从业者该提取什么这条新闻不只是八卦谈资。对做技术的人来说它背后有几个值得关注的具体信号自监督学习和世界模型的研究价值正在被资本以最直接的方式重新定价。学术明星向创业公司流动的趋势在加速大厂不再是顶尖研究者的唯一归宿。“多模态具身智能世界模型”的组合正在成为下一代基座模型的核心叙事。我用下面这张表格总结一下事件的关键要素和对应的信号方便大家快速理清事件要素具体内容对应信号核心人物A深度学习领域的标杆人物此前在科技巨头任首席科学家顶级学者愿意从头创业说明旧平台对新范式约束渐多核心人物B视觉表征学习、自监督学习的代表性华人青年学者下一代基础模型将视觉与多模态置于核心位置融资规模10亿美元级别资本认为基础模型新范式的窗口期值得重注技术方向世界模型、多模态、底层智能从“语言为中心”转向“物理世界理解为中心”招募方式多次上门长谈团队组合比单点技术更重要B被视作关键拼图2. 技术路线拆解新公司押注的是什么方向2.1 为什么是视觉出身的人而不是纯语言模型专家如果你长期关注AI研究趋势会发现一个有意思的现象过去两三年最被资本追捧的明星创业者绝大多数是语言模型背景。他们的模型拿出去就能做聊天、做Agent、做代码生成商业化的路径比较清晰。但这次新公司拉进来的核心研究者是视觉出身这背后的技术逻辑值得展开讲一讲。先说结论下一代基础模型如果想从“数字世界的文字处理器”进化成“物理世界的模拟器”视觉理解一定是最底层的那个能力。人的智能如果剥离了视觉只剩语言那基本不可能形成完整的物理世界认知。婴儿学东西是先看、再摸、再听最后才学说话。现在的大模型路径其实是反过来的先把语言学得差不多再回头看图像和视频。这条路存在天花板。B为代表的一批视觉研究者做的事情恰好是在补这一课。他们研究的不只是“图像分类”“目标检测”这种传统视觉任务而是如何让模型通过海量无标签数据学习到世界的结构化表征。对比学习、掩码图像建模、自监督预训练这些都是B所在流派的核心技术。它们解决的是一个共同的问题模型怎么在没有人工标注的情况下自己发现世界上什么是重要的、什么是稳定的、什么是可预测的。这不是小修小补这是用一个新维度去定义“预训练”。2.2 自监督学习和大语言模型的接合点在哪很多人会问视觉自监督和现在的大语言模型到底怎么结合大模型不是已经能看图了吗我的理解是当前多模态大模型里的“视觉”大多数情况下只是“把图像切成patch然后通过一个映射器把图像特征塞进语言模型的token序列里”。本质上视觉信息被压制成了语言的附庸。这样的模型能描述图像能回答关于图像的问题但它没有建立一个独立的、对物理世界运行规律的内部模型。B所做的方向恰恰相反。他长期研究的核心内容是怎么让视觉网络自己长出对世界结构的理解而不依赖语言作为中介。这种表征能力如果和大模型的推理能力结合能带来的变化是结构性的——模型不再只是“认得一张图”而是可以对“下一秒会发生什么”“如果把一个物体移到另一个位置会怎样”这类物理过程形成预测。这正是世界模型路线所需要的核心组件。2.3 世界模型为什么是终极目标关于世界模型行业内已经讨论了很久。简单来说一个完整的世界模型要求AI系统不仅感知当前状态还能在内部模拟出多种可能的未来走向。自动驾驶需要它来预测行人下一秒的轨迹机器人需要它来理解“推动杯子”之后会发生什么游戏和仿真需要它来生成连贯、可交互的虚拟环境。现在的LLM在语言空间里已经表现出了很强的“模拟”能力——你问它“如果下雨了我应该做什么”它能够给出合理的行动序列。但这种模拟只停留在语义层面它没有像素级的物理推演。真正要和物理世界交互的系统比如机械臂、双足机器人、自动驾驶汽车必须要有更接近物理规律的内部模型。B这类研究者的价值就在这里。他们做的东西可以提供世界模型所需要的视觉表征底座。这个底座不是用来做图像检索的而是用来做物理规律提取的。A把B拉进来本质上是为自己的技术版图补上“空间智能”和“物理理解”这两块拼图。这也解释了为什么新公司融资能到这个规模它在讲一个比单纯大模型更大的故事而讲故事的人又是过去二十年在AI技术方向判断上极少犯错的那类人。3. 人才与组织三顾茅庐背后的学术与工业界流动逻辑3.1 顶级研究者为什么越来越愿意跳出来创业放在五年前A这个级别的学者如果离开大平台大多数人会认为他要么是去另一家大厂要么是继续在高校做研究。跳出来自己从头创立一家基础模型公司在当时是比较少见的。但这两年这个趋势已经非常明显顶尖研究者正在从“给巨头打工”转向“自己定义问题”。原因并不复杂。基础模型赛道的核心变量是数据、算力、人才、定义权。前两者可以被资本买到后两者只能靠团队本身。大平台的优势在于资源和场景但劣势在于组织惯性——当一个研究机构足够庞大它倾向于做“已验证的增量”而不是“有风险的范式切换”。A做的很多东西从学术界的反应来看明显属于后者。当一个方向被判定为“下一代范式”时离开体系内、自己搭一个灵活的团队往往是更高效的选择。B的加入则提供了一个相反的视角一个正处于学术上升期的研究者为什么会选择一家新公司而不是继续在学校里深耕在我看来核心原因有三层第一A提供的方向自由度足够大。在新公司B不需要去适配一个已经成熟的模型产品体系而是可以围绕自己的研究框架重新构建技术栈。第二工业界的数据和算力资源是对学术研究的重要放大器。第三参与定义一个全新组织的机会比在一家成熟平台上做螺丝钉对顶级研究者更有吸引力。3.2 组织结构和技术基因如何匹配从有限的信息来看这家新公司的组织方式可能会比较接近“研究驱动型实验室”而不是典型的产品型公司。原因之一是A本人就是这个风格他一直主张“不要用旧的竞争框架来约束新的研究方向”。原因之二是B的研究方式他习惯小团队、长周期、面向科学问题而不是短期指标的节奏。这意味着新公司的早期形态大概率是“学术实验室工业化基建”的混合体。一方面要保持研究的开放性和自由度允许成员做高风险的方向另一方面又要有足够的工程能力和算力储备把研究成果快速转化为实际可用的模型能力。这种模式有一个很明显的好处它能在早期阶段吸引更多被大厂约束住的优秀研究者。很多做基础研究的人并不抗拒工业界他们抗拒的是“三个月的KPI必须体现到模型指标上”的考核方式。一家背靠巨额融资、同时又保留研究文化的新组织对他们来说是很有吸引力的归处。3.3 这笔融资在“人才争夺战”中的连锁反应10亿美元级别的资金一落地人才市场上一定会出现连锁反应。首当其冲的是多模态、自监督学习和具身智能方向的研究者身价会有明显上浮。这个信号其实在融资新闻出来之前就已经有了这几类岗位在市场上的流动频次明显增加现在等于被官方盖章确认了方向价值。对创业者来说这里有一个实际可用的判断如果某个方向持续有大额融资涌入且核心人物都是该领域公认的头部研究者那么说明这个方向在接下来24到36个月内会有持续的人才虹吸效应。如果你所在的团队正在做同方向的业务现在是时候考虑怎么在薪酬、研究自由度、数据权限上和这些新组织竞争了。4. 资本与影响10亿美元能改变什么行业会往哪里走4.1 钱花在哪基础模型创业公司的烧钱模型很多人对“10亿美元”这个数字没有太具体的概念。我按现在基础模型创业公司的典型成本结构来做一个粗略拆解大家就明白这个量级意味着什么了。算力成本训练一个千亿参数级别的多模态基础模型单次完整训练的成本通常在数千万美元到上亿美元之间。如果需要同时探索多条技术路线算力开支是一个持续流水。数据成本高质量视频数据、3D数据、机器人交互数据的采集和标注是基础模型创业公司最容易低估的一块成本。尤其是想构建世界模型你需要的是“有物理过程”的数据而不只是静态图片。人力成本这个级别的团队早期成员很多来自顶级实验室和头部公司。按市场行情核心研究员的综合年薪可以达到几十万美元量级一个200人的公司光人力成本每年就要奔着1亿美元去。基础设施与工程化分布式训练框架、推理优化、数据处理管线这些都需要专门的工程团队持续投入。所以10亿美元看着很大但如果公司真的要在世界模型这条路上跑3年它其实只是“够用但不宽裕”的水平。这意味着融资之后团队必须以比较快的速度做出一些标志性成果否则下一轮融资的故事就不太好讲了。4.2 对开源生态和学术研究的影响A和B都是开源社区和学术圈里影响力比较大的人。A在早期推动了不少深度学习框架和工具链的开源B的研究成果也大多以论文和开源代码的形式公开。新公司如果继承这种基因会是一个比较健康的信号。但这里有一个博弈在这个资金体量下公司理论上不可能完全开源所有东西因为核心模型能力是公司的技术壁垒。更可能发生的是“论文开放、代码部分开放、模型能力按商业化需要逐步开放”的折中模式。也就是说学术影响力继续积累但关键know-how会有一层保护。对普通研究者和学生来说这意味着你仍然可以读到很多技术细节感受到前沿方向的变化但想直接复现核心模型从头训练的开源配方难度会明显增加。这是基础模型时代的普遍现象不只是这一家公司。4.3 行业格局会如何被影响如果说过去两三年是“大语言模型定义AI行业”的阶段接下来可能进入“多模态世界模型定义AI行业”的阶段。这里面受影响最直接的至少有三个环节第一是传统视觉AI公司的估值逻辑会发生变化。过去大家认为视觉算法到一个阶段就触顶了但世界模型的叙事出现后视觉理解重新变成了底层核心能力做视觉研究的人和团队会被重新定价。第二是大模型应用层的创业公司需要重新考虑底座选择。如果新一代基础模型在物理交互、多模态理解上形成代差那么基于纯文本底座开发的Agent应用在能力上限上会遇到瓶颈。第三是数据产业的结构性调整。静态图文数据的重要性会相对下降而视频数据、传感数据、机器人轨迹数据的权重会大幅上升。提前布局这一类数据采集和处理能力的团队会在这波浪潮里占得先机。5. 实操心得如何从这类事件中提炼判断力与行动项5.1 面对大新闻先拆解而不是先站队在技术社区里每当出现这种重量级新闻舆论通常分成两波一波人全力追捧认为新范式要颠覆一切另一波人冷嘲热讽觉得又是资本讲故事。以我的经验这两种反应价值都不大。更有效的做法是把事件拆成几个可以独立验证的问题新公司的技术方向在学术上有多少已经发表的工作在支撑核心团队过去的代表性成果是否和这个新方向高度相关这个方向如果成立对哪些下游应用会产生真实的效率提升如果方向不成立最大的技术风险点在哪里把这四个问题回答完你对一个事件的理解深度会超过90%只看标题的人。5.2 建立自己的技术雷达和判断框架跟踪这类动态不要只看新闻本身更值得看的是论文、招聘信息、对外谈到的技术细节。我个人的习惯是把行业里几个关键人物的名字列成一个清单定期去翻他们最近在关注和转发什么内容。技术方向的变化通常最先从这些人的生平和学术讨论里流露出来而不是从融资新闻里。举例来说如果某位视觉研究者的最新论文开始大量引用“混合架构”“时间序列预测”“状态空间模型”这些关键词那说明他的研究兴趣和工程方向正在往新的重心移动。这种信号比任何公关稿都真实。我总结了一张“判断前沿信号来源”的速查表供大家参考信号类型观察渠道代表特征研究兴趣迁移论文预印本、作者原话关键词从监督学习转向自监督/生成式组织人才变动招聘JD、团队主页新增方向多为世界模型、具身智能、视觉基座资本流向融资公告、基金合伙人访谈投资主题从纯语言转向多模态与空间智能工程资源分布开源代码库、技术博客分布式训练框架针对视频/3D数据做专门优化内部文化变化公开演讲、会议报告从“指标驱动”转为“范式探索”5.3 普通工程师可以从哪几个角度切入如果你自己不做基础模型研究看到这种新闻容易产生一种“与我无关”的感觉。但实际上每一次基础模型层的范式切换都会在下游创造大量工程机会。具体到这次事件至少以下几个方向值得关注大规模视频数据训练管线。视频数据的清洗、采样、标注和存储和文本数据完全是两码事。这里面有大量的工程细节问题需要解决。多模态模型的推理优化。模型能力再强如果跑不动、时延高、成本贵根本落不了地。这类工程问题在任何新模型出来后都会被重新翻一遍。具身智能相关的数据采集与仿真平台。想训练出能理解物理世界的模型光靠互联网视频是不够的需要可控的物理仿真环境和真实机器人数据采集系统这里面从硬件到软件的跨度非常大。世界模型的应用层。如果这类模型真的成熟自动驾驶、机器人、数字孪生、游戏产业都会出现重构机会。现在开始了解这些领域的核心痛点等于提前给自己的能力埋伏笔。有一个很现实的建议如果你是一个做NLP或推荐的工程师想跟上这波变化不需要立刻转行去做视觉。先把多模态大模型的推理链路吃透能复现一个开源多模态模型的训练和推理再考虑往哪个具体方向深挖。动手跑通一条完整链路得到的认知远胜于看一百篇行业分析。6. 几个容易被忽略但值得留意的细节6.1 “融资数字”不等于“技术成功”虽然这次融资看起来非常亮眼但有一个基本原则不能忘在AI行业融资规模只能说明资本对这个方向的信心不能证明技术路线一定走通。历史上不缺大额融资但最终方向被证伪的公司。在乐观的同时保持对技术风险的基本敬畏是一个合格从业者该有的心态。具体来说世界模型这个方向目前还面临几个没有完全解决的困难高维视频数据的建模效率、长期时序预测的稳定性、以及物理世界交互数据的匮乏。这些不是靠融资就能自动消失的问题每一个背后都是一场硬仗。6.2 团队组合才是真正的护城河最后说一下我对这次事件最核心的判断A和B的组合比10亿美元这个事情本身更有价值。在一个范式切换的关口真正稀缺的不是钱不是卡而是一群在正确方向上摸索了十年的人。A有全局视野和行业号召力B有扎实的底层技术积累这种“战略型领袖技术型核心”的组合才是新公司最值得被长期观察的理由。我在过去几年的观察中也发现一个规律所有真正改变行业格局的技术公司早期都具备一个共同特征核心团队不是在追逐热点而是在沿着自己多年的研究脉络等到了属于那个方向的时代。这次新公司的创建很大程度上也符合这个模式。接下来它能否交出让行业眼前一亮的成果比它账上有多少钱更值得关注。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
