Vidu背后的生数科技，悄悄做了个AI陪聊搭子

AI陪伴走向视频通话，Vidy押注实时互动。

AI陪伴赛道已经跑了好几年，但能做到视频通话的产品，放眼市场至今屈指可数。

大多数人对AI陪伴的印象，停留在一个聊天框里打字，对面回一段话，偶尔带点emoji或者语音包。

进阶一点的，会有一个可以选的虚拟形象，配上TTS合成出来的声音，你说话它听，然后用音频回应你。再进阶，就是Replika那种级别，把文字对话做到极致深度，让用户感觉被记住，被理解，情感上产生真实的依附。

但无论哪种形态，主流AI陪伴产品的视觉层面，基本上都没有突破过一张静态图或者简单的2D动画，很少做到可以以一个活的，能开口说话，能在对话里做出表情和动作反应的形象。

一家叫生数科技的公司，用自己的方式来切入。他们最近上线了一款叫Vidy的产品，定位是AI Vibe Buddy。

先说市场里已经有什么。

Replika是AI情感陪伴赛道里资历最深的产品，2017年上线，到2024年注册用户已经突破三千万，活跃用户数以百万计，付费转化率维持在25%左右，付费用户的平均留存周期超过七个月。

早期的Replika以文本聊天为核心，之后陆续加入语音通话，AR功能，以及更强的记忆系统。AR功能可以把AI形象叠加在现实场景里，拍照的时候让虚拟伙伴出现在你的空间里，算是视觉层面的一种拓展。

国内方向，自然选择开发的EVE走了一条不同的路。EVE的产品外表包了一层乙女游戏的壳，里面是一套AI驱动的情感陪伴系统。

AI男主们有各自的性格和作息，不会一味附和你，会在你频繁跳换话题时察觉出来。

每个角色会根据聊天累积的内容动态生成礼物，比如Aven会在好感度达到九级时送出一张明信片，内容是根据你们真实的聊天记录生成的，每人拿到的都不一样。

EVE也因此在国内AI陪伴赛道被看做一个开创性的落地案例。但据行业观察，3D即时对话在EVE里目前仍属于稀缺能力，视觉上还没有做到真正意义上的实时视频互动。

在用户和行业里流传的一个说法是，能做到3D对话的AI陪伴产品，目前极少，成本高，相关人才稀缺，技术门槛也摆在那里，是一个大家都知道应该往那个方向走但还没有人真正走通的局面。

Vidy想往那个方向走。

文字陪聊，语音输入等部分部分基本基本功能在AI陪伴产品中都是最常见的，有日常话题推荐，比如让AI讲个笑话，推荐一部电影，或者讲一个故事。更进一步的就是语音通话功能，这一个也是目前越来越多陪伴产品支持的。

Vidy里目前有一个叫Humi的AI角色，形象设计有自己的辨识度。用户可以在不同角色之间做选择，和陪伴产品里常见的人物卡池逻辑类似。

在关系成长上，该产品的核心逻辑是让AI记住你，随着对话积累越来越理解你的习惯，情绪反应和偏好来连续地了解你。

从目前的产品走向来看，Vidy在最新产品更新日志中写到会推出让用户与AI角色面对面视频互动的功能，AI形象能开口说话，表情和动作能随对话实时变化。

当然，能不能做到足够自然，要等功能真正落地之后才能评估，但方向是明确的，把AI陪伴从文字和语音，推向一个更接近面对面的层级。

值得想的是，一家做视频生成的公司，为什么能在陪伴赛道里有超出常规的底气。

生数科技在多模态生成领域，已经走了相当长的时间。

2022年，团队在全球范围内最早提出了U-ViT架构，在一个统一的Transformer框架里同时处理图像和文本，把扩散模型和Transformer融合在一起。

U-ViT比OpenAI后来被广泛讨论的DiT方案早了整整三个月。在AI领域，三个月的差距，有时候就是一个先发和跟随的分界线。

2024年4月，生数科技在中关村论坛发布了Vidu，官方定性是中国首个全面对标OpenAI Sora的文生视频大模型，随后7月全球上线。Vidu的迭代速度很快，Q1，Q2，Q3版本密集推出，每一版都在核心指标上往前推进。

Q3版本在国际权威评测机构Artificial Analysis的榜单上，曾短暂登顶中国第一，全球排名也进入前列，生成速度比Sora2快了将近十倍，比Google Veo3 Fast和Grok-imagine-video快了两倍。

还有一项经常被拿出来比较的数据，生数科技在2025年底开源的TurboDiffusion框架，在单张RTX 5090显卡上，仅用1.9秒就能生成5秒钟的视频，相比以前效率提升了100到200倍。

2025年全年，Vidu的用户数和收入双双实现超过十倍的增长，服务覆盖全球超过两百个国家和地区。

2026年4月，生数科技宣布完成近二十亿元人民币的B轮融资，由阿里云领投，中网投，九安海棠，好未来，光合创投等参与战略投资，老股东持续追加。投后估值超过二十亿美元。

把视频生成能力放进陪伴产品里，直接的好处是显而易见的。普通AI陪伴产品做视频通话，大致有两条路可走。

一条是预渲染一个3D角色，再用语音驱动嘴型同步，类似早期的数字虚拟人方案，角色有固定的骨骼和皮肤，能在镜头里动起来，但动的幅度和方式是预设好的，不会随着对话内容产生真正意义上的情绪变化。

另一条是用模型实时生成表情，难度更大，延迟要求苛刻，对底层生成能力要求很高，大多数公司目前还没有能力把延迟压低到让人感觉自然的程度。不过最近阿里发布了一个Wan Streamer的数字人开源项目， 从官方演示demo来看AI实时视频对话的效果还不错。

而把视频生成能力放进陪伴产品里，难度和想象空间都远超游戏引擎那套方案。

实时视频生成的技术路线，对延迟的容忍度极低，模型需要逐帧预测并流式输出，任何一帧的卡顿或者画面和语音的错位，用户都能立刻感知到。

通过自回归视频生成来做实时流式视频输出的核心技术路线，逐帧预测，边生成边输出。

生数科技的技术储备，恰好在解决后一条路的难题上有先天优势。

Vidu在视频生成领域积累的，是让AI理解时空关系，理解动态变化，理解角色在不同场景下保持一致的能力，在内容制作里用来保证视频质量，放进陪伴产品里，就有可能支撑一个能实时响应对话内容，动作和表情跟着语义走的AI形象。

当然，视频生成和实时互动之间还有一段技术距离要跨越，生成是离线或者低延迟批处理的，而实时视频通话对延迟的容忍度极低，用户在视频通话里能感受到的卡顿或者不自然，比在聊天里要敏感得多。

生数科技在推理速度上已经做了大量工程优化，TurboDiffusion的数字说明他们在往下压缩时间成本，支撑实时交互的基础条件，已经开始具备。

生数科技在视频之外，还开辟了另一条技术线，做的是世界模型。

创始人朱军在公开演讲里多次解释过世界模型的底层逻辑。人在走路，骑车，或者完成任何需要连续判断的任务时，大脑内部始终在跑一个持续运算的感知预测系统，感知当前环境，预判下一步变化，然后做出行动决策。

AI要达到类似的能力，是需要一个统一的框架，在同一套参数里同时完成感知，认知，预测，行动。

视频是生数科技构建世界模型的核心数据载体。文本数据里的世界是平的，只有语义关系；视频天然包含了时间信息，空间结构，光影变化，物体运动轨迹，以及动作背后的因果逻辑，是当前最接近真实世界的数据形态。

生数科技的数据体系从海量互联网视频出发，扩展到第一人称操作视频，再延伸到机器人实际执行任务的数据，形成一个可以逐层放大的数据金字塔，越往上数据量越少但越精确，越往下数据量越大但需要模型自己从中提取有效知识。

Motus是世界模型方向的第一个落地成果，2025年12月由生数科技和清华大学联合开源，基于UniDiffuser统一建模框架，把视觉语言理解，视频动态生成，和动作执行整合进同一个模型，不再依靠多模块拼接。

MotuBrain是Motus的商用升级版，2026年4月发布，在WorldArena和RoboTwin 2.0两大具身智能权威评测上同时拿到第一，是该类评测里唯一一个在随机环境下平均分超过95分的模型，也是历史上首次有产品在这两项评测上同时登顶。

朱军在B轮融资声明里说的一段话，概括了生数科技整体的技术野心，世界模型的核心，是让AI具备对现实世界的统一表征与预测能力，视频天然包含时间，空间，动作与因果关系，是构建这一能力的关键载体，他们希望通过统一的模型架构，打通从感知到行动的完整链路，构建起贯通理解世界，生成世界，行动于世界的完整技术闭环。

而在陪伴产品和世界模型之间，技术逻辑上存在一条清晰的通路，一个能理解对话语境，预判情绪走向，并据此生成实时视觉反馈的AI伙伴，和一个能理解环境，预测状态变化，并做出连续行动的具身智能体，背后用的是同一套感知预测行动的框架，只是部署的场景一个在屏幕里，一个在物理空间里。

Vidy目前处于早期阶段。从产品节奏来看，视频互动这个能力能不能做到让用户感觉自然，还需要时间验证。

AI陪伴产品面对的商业化困境，EVE的经历是一个参考。在沉浸式的情感对话场景里，token额度用完突然弹窗的那一刻，能瞬间打断用户的情感投入。用户付费的动机如果只是续买时间，驱动力远不如购买一段关系或者解锁一个重要时刻来得更强。

从EVE在内测时因为AI男主给用户点奶茶，发天气预报，用表情包斗图而引发全网关注。Vidy要走通商业化，也同样要在情感体验和付费设计之间找到一个不破坏沉浸感的平衡点。

用户粘性的建立也需要时间。Replika做到七个月以上的付费用户留存，靠的不是功能更新，而是用户和AI之间在几百次对话里积累出来的关系感。

Vidy在关系成长这条线上的理念和Replika说的是同一件事，但落地到用户体验，AI角色记住的那些细节，是不是足够准确，是不是出现在了恰当的时机，是不是能让用户感受到被在乎而不是被检索，这些都要靠实际的长期使用来验证。

一个以生数科技视频生成和世界模型为底层支撑、能与用户面对面说话的AI伙伴，既不是Replika那种靠文字积累深度的老牌情感助手，也不是Character.AI那种偏娱乐偏角色扮演的平台。

AI陪伴赛道的下一个分水岭，大概率就在视频互动上。

用户对陪伴的期待，从文字升级到语音，再从语音升级到视频，是一个自然的演进方向，毕竟人和人之间最深的连接，从来不只是在文字里完成的。

官网落地页：https://www.vidy.chat

AI陪伴市场里，一家以视频生成起家、如今已延伸到机器人大脑和世界模型的公司，其技术储备本身就很说明问题。

把这样一套从底层感知到空间理解的能力，用在和用户面对面的情感交互上，这件事潜在的空间，远比当前表面看到的要大得多。

文章来自于微信公众号 “虾蛄AI”，作者 “虾蛄AI”