大厂围剿下，年仅3岁的创业公司又拿下近30亿融资

模型和应用一起做才有足够的壁垒。

走进爱诗科技的工区，能看到天花板上挂着密密麻麻的标语。创始人王长虎告诉我们，这些都来自“爱诗范”，也就是爱诗的企业文化。

爱诗科技工区悬挂的“爱诗范”。图源：作者拍摄

爱诗范的每一条，都是王长虎自己想的，而其中有一条是：始终创业。

为什么一家年仅3岁的创业公司会需要强调“始终创业”？我们觉得很纳闷。

这位曾在微软亚研院、字节跳动等大厂工作过的创始人告诉我们，他一直非常警惕“大公司病”，“一些最近一年加入公司员工，一开始对爱诗的认知就是‘大公司’，是视频生成赛道的‘头部’，失去了创业心态。这是很危险的。”

但“大公司”印象不是没来由。爱诗近些年增长快速，旗下视频生成应用拍我AI和PixVerse（海外版），全球用户数已经超过1.5亿。截至2025年12月，爱诗ARR达到了4000万美金，并且王长虎告诉我们，今年ARR还在持续增长。

同样迅猛的还有融资。“智能涌现”获悉，近期，爱诗科技完成了C轮融资，金额达29.8亿元。

该轮融资由阿里巴巴领投，Lollapalooza Capital（王慧文家办）、常春藤资本、惠远资本、钟鼎资本、韩国未来资产、OCBC生态下Lion X基金、蓝色光标、CloudAlpha、iGlobe Partners等十余家国内外机构参与投资。

漂亮的阶段性成绩，容易让人放松警惕。提出“始终创业”，王长虎的心境是：无论成绩多漂亮，爱诗都要有危机感。

实际上，模型和应用两手抓的爱诗，确实强敌环伺：作为当下最好的AI“生意”之一，在视频生成模型这个赛道上，已经盘踞了单月营收近10亿元的Seedance、ARR近5亿美金的可灵；而在下游的应用层，又不乏增长迅猛的LibTV、OiiOii等玩家。

如何找到差异化的生态位，是当下创业公司的生存命题。而在王长虎看来，差异化不是刻意营造的，而是被所服务的场景、用户反向塑造出来的。

“我们创业第一天的目标，就是让每一个普通人把想象力变成内容。”他提到。为了面向C端用户，爱诗必须降低创作门槛。

在应用侧，这就驱使爱诗率先上线了移动端应用，以及不需要用户输入Prompt的视频模板；在模型侧，爱诗需要不断提高模型推理的速度，压缩用户等待的时间——这也让今年3月发布的视频生成模型PixVerse V6，生成速度能达到同类模型的数倍。

实时世界模型，是爱诗步入的下一个战场。7月14日，爱诗在海外发布了PixVerse Game，全球首个实时视频驱动的游戏引擎。其背后的技术，源于2026年1月推出的实时世界模型PixVerse R1。

PixVerse Game。图源：企业供图

“这不是在赶世界模型的风口。”王长虎告诉我们，早在2025年下半年，R1的训练就提上了日程。在他的推演中，当视频模型的推理速度无限接近于0，就可以实现实时交互，“这是视频模型发展的终极阶段。”

视频模型的争夺赛进入了下半场，王长虎的心态却比之前好了。

“回到Sora发布的那个时间，我们的对手有十几家。如今，场上只剩3-5家，爱诗还在牌桌上。”他告诉“智能涌现”，“跟过去三年相比，我压力小多了，反而更兴奋。”

在这个获得大额融资，以及新模型上线的节点，“智能涌现”专访了爱诗科技创始人兼CEO王长虎，以下是我们的对话：

我们没有在刻意寻找差异化

智能涌现：年初字节发了Seedance 2.0，马上又要发Seedance 2.5，看demo效果非常不错，你会有危机感吗？

王长虎：危机感一直有，但现在更多是兴奋。

2024年Sora的发布让视频生成突然变成了共识，所有的大厂、创业公司都蜂拥而至。那时候的行业竞争比现在激烈，可能有十多个玩家。现在，赛道上的玩家被淘汰到只剩了3-5家，爱诗是其中一家。

从三年前我们做第一代视频生成模型起，爱诗每几个月就有新的、更好的模型出来，一直保持全球前几名，它们都让视频生成能力上一个台阶，扩大AI视频的市场边界。

所以你说我现在压力大不大？跟过去三年相比，我压力小多了。

智能涌现：有没有一个时刻，想过要放弃训练模型？

王长虎：我们有很多时刻，都要围绕“训不训”做出选择。最早创业的时候，我们就有很多路可以走，比如做模型还是做应用、做什么样的应用。

当我们跑成全球最好、用户量最大的视频生成公司后，Sora来了，所有的大厂都卷了进来。那时候我们要面对大厂的竞争，甚至语言模型公司的资本能量也比我们强，很多人都会问：你们还要继续自己训模型吗？

智能涌现：最后你的答案还是要自己训。

王长虎：是，我们很坚定。首先，模型是最本质的东西。当你想要改变世界、服务好数十亿的人，你要从模型侧做起，让模型和产品形成迭代闭环。

其次，我们有能力在竞争中脱颖而出。这不是事后的吹牛，最早我们和投资人就这么说。因为我们从字节开始就在和全球最优秀的公司竞争。

智能涌现：做模型的创业公司可能或多或少会面临资源的掣肘，你因此做过哪些取舍吗？

王长虎：刚创业的时候，因为我们履历还不错，不少同行找过来，希望合作一些快速能看到现金流的业务，比如当时特别火的文生图。

现金流很诱人，但把精力放在做文生图，还是烧钱做很长一段时间内看不到钱的视频大模型？我还是选择遵循内心。我们不会做多数人已经看到、随手可得的事，而是做没人看到，但一旦做成就能改变10亿级用户的事。

智能涌现：那在训视频模型的过程中，会有一些取舍吗？一些从业者认为，效果、速度、成本，是视频生成模型的“不可能三角”。

王长虎：我不认可“不可能三角”这个说法。

举个例子，坐飞机和坐马车相比，飞机其实同时满足了效果、速度、成本的三角。对旅客而言，飞机的价格在淡季是很便宜的；乘飞机跨越1000公里，时间、人力等综合成本也远远小于坐马车行1000公里。

所以，稳态才会出现“不可能三角”。但AI大时代的特点，就是极致创新、极致变化，任何一个重要创新，都会打破“不可能三角”。比如现在的视频模型和三年前相比，三个维度都有所优化。

我们不是在主动取舍某些性能。Sora刚开始讲的故事是直出60秒的视频。但在我们的调研过程中，不少电影的单镜头时长，其实都不到10秒。Sora实际上没有抓住用户的真正需求。

所以我们要根据用户的真实需求来决定什么是最需要做的。普通人需要的是极低的使用门槛、快速的生成速度、高度的一致性、足够的精细化控制能力，这些都是我们要做的。

智能涌现：视频生成这个赛道，越到后期，大厂的资源优势会不会越能显现出来？

王长虎：创业公司一定不是在资源层面上跟巨头竞争。

我们有更好的判断力，比巨头更早看到视频生成的方向，并且all in了；同时做模型和产品，也是我们创业Day 1做出的判断。所以我们获得了先发优势。

我们的工程效率也会优化得更好。我们训同等参数规模的大模型，所花的成本大概是同行的1/10，甚至更少。

在产品侧，我们的认知是视频生成会是消费级的机会，所以要将视频创作的门槛降下来。所以2024年，我们是最早做移动端视频生成应用的公司，同时将模型的生成速度优化到了同行的几倍。

智能涌现：成本是怎么压缩到同行的1/10的？

王长虎：10倍的成本差异，靠的是系统性的优化。

比如我们不赛马，成本就可以比赛马的大厂节省几倍。我们有很好的判断力，让我们在几千个技术判断节点上，能做出正确的选择——这就是我们节省的时间成本和经验成本。

算法创新也很重要，这让我们的训练速度提升了一倍。同时我们在数据上有很好的认知，由于训练数据的质量高，训练收敛的速度也会更快。别人3个月才能收敛，我们可以压缩到1个半月。

所以组织、判断力、对数据的认知、算法模块的创新，加上工程侧、链路侧的极致优化，各个因素叠加起来，才有机会做到1/10的成本。

智能涌现：人才呢？怎么开出比大厂的高薪、丰富资源更有诱惑力的条件？

王长虎：视频大模型的人才储备比较特殊，它不是一个存在了20年的工种，不存在去挖过去20年最优秀视频企业当中的关键人物这样一种可能。

所以当我们创业的时候，大家都需要从头开始创造价值。在字节，我经历过抖音、TikTok发展的完整周期。初期，字节招人也非常不容易。我需要在CVPR这些国际顶会上站台，一个个去招揽人才。

那时我们招的人一定是所谓的“全球最优秀的人”吗？没有人知道。所以我不会用静态的视角来看人才，而是用动态的视角。

当你进入人才密度极高的大厂，每个人能获得的机会反而被稀释，成长性反而没有初创公司高。三年来，爱诗在内部培养了非常多的优秀人才。

因为资源有限，所以我们会珍惜每一个人才。大厂的人才折耗率反而是高的。

智能涌现：你说不在资源上跟大厂竞争，那怎么聪明地和大厂竞争呢？

王长虎：首先，我们不应该根据竞对的动作，去找差异化。差异化不是这么来的。

现在我们都在说“视频生成是一个行业”，其实不是这样的。每一家公司服务的人群、支持的行业都是不一样的，比如服务普通消费者还是专业创作者？服务广告行业还是影视、游戏行业？服务人群的不同，反过来会影响模型的发展——差异化是这样形成的。

实时互动视频

是世界模型最接近产品化的路线

智能涌现：爱诗的差异化是什么？怎么形成的？

王长虎：更早期Sora发布的时候，行业中所有人讲的故事都是让AI替代电影导演、电影剪辑。这想法背后体现的认知是，视频生成模型的落地场景是影视创意行业。

但我们创业第一天的目标，就是让每一个普通人把想象力变成内容。普通用户没有那么多技巧，所以你一定要将创作门槛降得足够低。这就驱使我们上线了视频模板，让用户根本不用输入prompt就能创作视频。

我们还要极致压缩用户的等待时长，普通人不会花几分钟、几十分钟去等一个视频的生成，所以我们在不降低生成质量的情况下，训练出了全球推理速度最快的视频生成模型。

当用户可以在5秒内生成视频时，我就会想，能不能更快一点？能不能缩短到2秒、1秒，甚至更短？自然而然的，我们就迭代出了“实时世界模型”，让用户可以与视频实时交互。

今年1月我们上线“实时世界模型”时，业界都觉得这是个新物种。但对我们来说，这是经过几年打磨后水到渠成的结果。

智能涌现：实时互动视频生成可以算是世界模型吗？

王长虎：我认为算，而且是世界模型非常重要的一条分支，尤其是“构造数字世界”这个方向上的关键路径。

传统视频生成更像是生成一个结果，用户输入一句话或一张图，模型输出一段视频。但实时互动视频生成不一样，它要求模型持续接收用户输入，实时改变世界状态。用户说一句话、改变一个动作、调整一个方向，画面和声音都要跟着发生变化。这其实已经不只是“生成视频”了，而是在生成一个可以被用户影响的数字世界。

PixVerse R1做的就是这个方向的探索。我们内部把它理解为一种“言出法随”的体验。

实时互动视频生成不是世界模型的全部，但它是世界模型最早能被大众感知、最接近产品化、也最容易产生新体验的一条路线。

智能涌现：现在大家都说要做世界模型，你觉得有哪些是伪世界模型？

王长虎：我觉得现在还不到简单判断“真伪世界模型”的阶段。世界模型本身还在早期，不同团队的目标和技术路径并不完全一样。

世界模型分成两类，一类是构造数字世界，包括李飞飞的工作、Google genie 3、PixVerse R1都是这类的尝试。

还有另一类世界模型，是通过数字世界影响物理世界。随着具身智能的发展，也开始受到关注。

不论是哪个目标，哪个途径，真伪不在概念上，而在于是否能有实际系统让用户与这个数字或物理世界自由交互。

如果只有一段漂亮视频，但用户不能进入、不能控制、不能持续交互，那它离世界模型还有距离。反过来，只要它开始让用户和一个生成出来的世界发生实时互动，哪怕还很早期，也是在靠近世界模型的核心问题。

智能涌现：实时世界模型的落地场景是什么？和视频生成模型有什么不同？

王长虎：实时世界模型是视频模型发展的终极阶段。用户可以约定一个世界观，之后即便不输入任何prompt，模型也能持续生成、进化这个世界，并且通过和用户的交互，改变其中的内容。

这是一种全新的内容形态。过去的视频生成，无论是人工的，还是AI的，都是一种单向的生成。未来基于实时世界模型技术，任何内容都是双向交互的。

我认为这是跨时代的大事。实时世界模型的本质，是人与视频全新的交互方式。比如游戏，我们发布了PixVerse Game游戏引擎，可以支持用户做一些互动剧情。未来它也可能颠覆直播的形态，让虚拟直播实时响应你的需求。

智能涌现：那训练实时世界模型需要什么样的数据？

王长虎：实时世界模型生成是无限的生成，而不是像视频模型那样生成5秒、10秒的视频。与此同时，生成的世界是连贯的、具有一致性的。

这意味着我们需要很多一镜到底的连续视频数据。

智能涌现：训练的难点在哪？

王长虎：第一，要实现极致的生成速度，就要做到极低的延迟，才能达到实时交互。

第二，实时互动对一致性和连续性的要求会更高。

第三，本身实时世界模型消耗的Token量会更大，因为理论上你可以无限生成。如何降低成本，就是我们要解决的问题。

最终，我们要克服的其实是组织难题。现在，我们的模型从视频生成基座模型PixVerse V系列，拓展到了实时世界模型的R系列，团队要同时做两种大模型，意味着我们需要更高的团队效率。

智能涌现：关于提高模型团队的效率，你有什么方法吗？

王长虎：第一，两个模型团队要尽可能技术互通。虽然每个模型会有自己的演进方向和技术特点，但底层技术一定是互通的，作为底层基座的V系列的技术进展，同时也能促进R系列的进化。

第二，建立更灵活的中间团队。在独立发展的技术团队和互通的底层之间，还需要一个中间的小团队，来快速地做目标的制定、牵引和管理。

总而言之：底层互通，上层目标更精确，中间团队更灵活。

智能涌现：你前面提到你们不赛马，为什么？大厂里跑出来的方向几乎都是赛出来的。

王长虎：我很不喜欢赛马机制，因为赛马的本质，是公司缺失判断，不知道走哪条路线。

每个团队做模型探索时，其实要面对几十个、上百个，甚至上千个决策点。如果每个决策点都“赛”一遍，所消耗的资源就是几百倍、几千倍。

我们跑出来，靠的是对业务、对模型，以及对模型每个模块的极致判断力。当Sora发布后，不少公司都说要做视频模型，但现在依然在牌桌上的就这么几家，爱诗算一家。

智能涌现：怎么在成千上万个判断点中找到正确的那个？

王长虎：大家对大方向其实都有一定的判断力，重要的是执行。我们要抓团队中最有判断力的人去做决策。

具有判断力的人，可能不是最有资源的人，因为职场中的层级很多。大厂的问题在于，分配资源的人往往不在一线。一旦层级离得远，沟通成本就会很高。

我们的组织架构相当扁平，这是为了快速识别那些有判断力的人才。

智能涌现：今年实时生成模型，也是字节AI聚焦的方向。你压力大吗？

王长虎：大厂下场，我们就不做了吗？

我们做实时世界模型，与别人无关。我们相信这个方向，相信实时互动生成是让用户释放想象力的一个必经之路。而且，我相信我们可以做好。

产品和技术，不能离得太远

智能涌现：2025年底公司的ARR达到了4000万美金。目前（2026年7月）的ARR情况怎样？

王长虎：我们还在快速增长。

智能涌现：收入增长的核心驱动力是什么？

王长虎：一方面，C端产品的用户体验更好了，吸引了新用户的加入。比如我们近期上线了面向创作者的Canvas（画布）等功能。

另一方面，今年我们的B端收入也慢慢涨起来了。

智能涌现：最早PixVerse的定位是C端产品，是什么驱动了从C到B的转变？

王长虎：其实我们的目标没有转变，依然是让用户都能将想象力变成视频。三年来，我们经历了视频大模型从无到有的完整历程，也能洞察一些用户趋势：视频模型刚出来时，最早一批用户是普通人，大家可以低门槛地基于模板生成爆款视频；随着模型能力的提升，专业创作者开始依赖AI视频模型。

所以随着模型能力的提升，用户群体会越来越大。企业客户的使用者，往往也是多名专业创作者。因此，我们支持企业客户直接调用API，也是很自然的。

智能涌现：B端是兵家必争之地，可灵、Seedance都在争这块市场。爱诗的竞争策略是什么？

王长虎：我还是强调，AI视频本身不是一个行业，它背靠我们服务的不同客户。B端也不是一个行业，背后千行百业对模型的要求可能都不同。

比如爱诗在C端用户体验上做得很好，那我们面对一些B2C的企业，就有竞争优势。

现在，AI视频和AI Coding是最清晰的两大AI生产力方向。过去互联网时代已经证明，内容的视频化是不可逆的趋势。现在AI视频模型出现了，所有跟内容沾边的产品、行业，都会被颠覆。

这个市场太大了，每一代新模型的出现，都会把市场天花板再提升一些。

智能涌现：视频生成下游的应用层玩家越来越多，爱诗也有自己的C端应用PixVerse，核心竞争力在哪？

王长虎：具不具备模型，会给应用带来巨大的差别。你只有拥有自己的模型，才能够更快、更好地匹配用户的需求，让用户、产品和模型形成闭环。

相较于调用第三方模型API，自研模型也有助于控制成本，我们可以用更低的成本服务更广泛的人群。

智能涌现：现在PixVerse和拍我AI上接入了哪些第三方模型？你们对第三方模型的态度是什么？

王长虎：阿里的Happy Horse、字节的Seedance都接入了。

我们还是以自研模型为主，因为这样可以让用户和模型更好地形成闭环。当然我们也会给专业创作者提供不同的第三方模型，来满足用户的需求。

本质上我们是为了给用户创造更好地体验，未来也不排除接入其他模型。

智能涌现：爱诗这个模型+应用的模式，和字节Seedance+即梦是不是类似？

王长虎：模式是类似的，但细看会有很多不同。

比如在字节内部，即梦和Seedance是两个不同的团队。但我们的模型和产品团队就一个，大家都坐在一起。

智能涌现：这会造成怎样的差异？

王长虎：产品和技术离得太远，就会带来沟通效率的折损。一旦组织架构不同，大家的优化目标就不一样。比如即梦早期用户量最大的功能不是视频生成，而是图片生成。

不过即梦是富二代，它们站在字节的肩膀上。我们是草根创业，是穷小子（笑），团队的目标一定要聚焦。

保持危机感

智能涌现：“穷小子”时期，怎么分配资源就很重要。假设给你1000万美金，你怎么分？

王长虎：不用假设，更缺钱的情况我们也都走过来了。我们没有烧钱投过流，在资金没有那么多的时候，我们把钱全花在了模型训练上。

智能涌现：现在呢？现在已经富起来了。

王长虎：最大的支出依然是训模型，我们进入了实时世界模型的新战场。

智能涌现：我刚才过来的时候看到工区上挂满了写着标语的牌子，这些标语是什么？

王长虎：是我们的文化“爱诗范”。文化对一家公司非常重要，就像字节也非常强调“字节范”一样。

我们定下的第一个“爱诗范”就是“善意假设”。不同团队间意见存在不一是正常的，但大家的出发点应该是解决问题，而不是出于对别人的恶意揣测。我希望爱诗每个人在沟通协同的时候，尽可能简单直接，奔着问题本身去，减少沟通摩擦。

后面爱诗形成的每一个价值观，其实都是围绕如何追求极致效率，在工作过程中发现、总结的。

智能涌现：你最看重的几个“爱诗范”是什么？

王长虎：首先就是刚才聊到的“善意假设”。

其次，我们的人才理念是：看能力，不看资历。很长一段时间内，我们团队非常扁平。这是为了让最优秀的人能尽快冒头。

最后，爱诗的合作模式是多工种配合，因为我们不止做算法，还要做产品。包括算法在内，我们所有团队的同学都要直面用户的反馈。所以我们的团队都坐在一起，打通壁垒，促使大家更好地同频。

智能涌现：最近更新的一条是什么？

王长虎：去年下半年加了“始终创业”。

智能涌现：难道现在你们不是在创业吗？为什么加这一条？

王长虎：公司的影响力越来越大、团队的人数越来越多，我发现团队不是所有人都认为爱诗是一家创业公司，或者不是以创业的心态参与公司的发展。

有的同学是在我们用户数超过1亿的时候加入，有的是在PixVerse登顶iOS后加入。他们对爱诗的认知是“大公司”，是视频赛道的“头部”。

我强调“始终创业”，是想告诉大家，不管有多少用户、多少营收，爱诗依然是一家创业公司，我们要有危机感。

智能涌现：现在爱诗的“危机感”源于哪里？

王长虎：倒不是现在有具体的危机感，只是作为创业公司，我们要时刻有危机意识。每时每刻，我们都要为生存、发展全力以赴。

我们要更高效地把模型做得更好，推动AI视频行业的发展；我们也要不断迭代产品，让原有用户有更好的体验，同时吸引更多的新用户——这些都是我们给自己的压力。

文章来自于"36氪"，作者 "周鑫雨"。