YOHO AI

标签： 世界模型

  • 贝索斯3.2亿美元押注General Intuition：用游戏数据教AI理解真实世界

    General Intuition CEO Pim de Witte
    General Intuition 创始人兼 CEO Pim de Witte（图源：TechCrunch）

    大语言模型把文字玩得炉火纯青，可一旦要理解”东西怎么在空间和时间里动”，就明显露怯了。ChatGPT、Claude 这类模型擅长生成句子，却不太懂物理世界里的因果。General Intuition 这家公司觉得，答案不在更多文本里，而在数十亿小时的游戏录像中。

    “我们把它看作预训练的下一个阶段，”CEO Pim de Witte 说，”我们有一个单一模型，既能对着屏幕里的《堡垒之夜》做决策，又能适应真实世界的动态——这是大语言模型永远做不到的。”

    从游戏片段里长出来的公司

    General Intuition 脱胎于 Medal TV，一个让玩家上传和分享游戏高光的平台，月活大约 1000 万。过去几年沉淀下来的数亿小时录像，成了训练数据的起点。但真正值钱的不是画面本身，而是画面里内嵌的动作标签——玩家在哪个瞬间按了哪个键、按了多久。

    这家公司刚完成一轮 3.2 亿美元融资，估值 23 亿美元，总融资额累计到 4.54 亿美元（去年 10 月成立时先拿过 1.34 亿美元种子轮）。投资方阵容相当扎眼：Khosla Ventures 领投，General Catalyst、杰夫·贝索斯、埃里克·施密特，甚至还有 F1 世界冠军尼科·罗斯伯格，以及 DeepMind 和 MIT 的研究人员。更有意思的是，de Witte 据称在 2024 年底拒绝过 OpenAI 开出的约 5 亿美元收购 Medal 数据的邀约。

    八分钟真实数据，让机器人学会走路

    公司最终要卖的不是世界模型，而是一个能从游戏泛化到现实世界的智能体。演示里最抓人的一幕，是一台四足机器人用和游戏智能体完全相同的”大脑”在办公室里自主探索，偶尔撞上椅腿，像个刚学步的孩子。令人意外的是，给这个机器人的模型做微调，只需要八分钟在户外街道采集的真实数据。

    de Witte 把世界模型当成”训练场”——一个逐帧生成、而非传统引擎渲染的仿真环境。他让人走向一堵墙，角色没有穿过去。这种对物理常识的把握，正是他们押注的核心：游戏数据是一条能规模化的捷径。2025 年公司靠早期接入拿到了约 4000 万美元收入，产品计划在今年夏末正式开放。

    为什么是游戏，而不是更多视频

    多数竞争对手想仅凭视频画面反推动作，General Intuition 认为这远远不够。他们坚信，玩家按键的精确记录能帮模型区分”自我”和”环境”，建立起更深层的因果理解。Khosla 在采访里说，吸引他的是这份愿景加独有的数据壁垒：”对于世界模型，我认为那次跃迁会是 AI 里’直觉’的涌现。”

    • 资金大头投向算力扩张，已与 CoreWeave 合作，准备下一版模型的预训练
    • API 计划在今年夏末更大范围开放，让客户在工厂数字孪生、游戏工作室里检验模型
    • “我们不会去做一家自动驾驶公司，我们要让下一个人做这件事容易十倍”

    一条明确的红线

    de Witte 早年做过三年人道主义工作，包括在无国界医生组织。他给技术划了一条硬杠：不碰致命自主武器。”假设我公开说要做致命自主武器，你觉得别国会怎么反应？”但他欢迎模型用在搜救上。公司还做了个叫 Nerve 的平台，给玩家提供数据标注、再到机器人远程操控的工作机会——这代玩家最容易被 AI 冲击，他想让他们站在牌桌这边。

  • 新加坡AI视频公司PixVerse融了4.39亿美元，估值冲破20亿，阿里入局

    做AI视频生成的公司这两年不算少，但真能拿到大钱、还被阿里看上的不多。新加坡的PixVerse刚宣布完成一轮C轮扩展融资，总额4.39亿美元，估值直接冲过20亿美元。这一轮由CDH Investments领投，新进来的名字里最扎眼的是阿里巴巴，此外还有Mirae Asset、BlueFocus、Eastern Bell Capital等。

    AI视频生成概念图
    AI视频生成正成为生成式AI里最烧钱、也最被资本追捧的赛道之一。

    三年、1.5亿用户、20亿估值

    这家公司2023年才成立，创始人是王昌虎和Jaden Xie。王昌虎之前在字节做计算机视觉，Xie做过投资。他们现在对外说，消费端产品已经有超过1.5亿注册用户、1500多万月活。至于其中多少是付费用户，他们没说——这是个留白，但也正常，很多AI应用都靠这个盘子撑起估值。

    三套模型，外加一个“世界模型”

    PixVerse不是只卖一个模型。它有V系列，面向普通用户和API调用；C系列，面向专业影视和广告工作流；今年早些时候还发布了R系列“世界模型”，专门给游戏和虚拟世界搭建用。用户能生成最高4K、还带声音的视频，图片转视频的价格是每分钟4.8美元。

    Xie对TechCrunch说：“关键差别不在数据，而在你怎么标注它，因为数据到处都是。”他的联合创始人王昌虎在字节搭过TikTok背后的视觉理解技术，靠精准标注撑起了推荐算法。

    一句大实话，点了一圈对手

    同行都在说自己“质量高”，这话没有信息量。Xie真正想强调的差别在“标注”：数据到处都是，谁标得好谁赢。他还很不客气地点了对手——OpenAI关掉Sora 2、等于退出了这个赛道；Meta和腾讯也做不出够质量的视频模型。所以能打到质量线的没几家。

    亚洲这边有字节的Seedance、Kling AI，以及前腾讯AI负责人危宇的Video Rebirth；西方则有Runway、Luma、Midjourney。世界模型这条更窄的赛道上，Yann LeCun和李飞飞也都在做。

    钱要花在哪，估值能不能站住

    这轮钱怎么花？扩世界模型、招研究员、铺全球企业销售。PixVerse目前150人，散布在新加坡、北京、上海，还跟投资人阿里签了部署合作，把视频生成功能接进阿里的体系。视频生成这条赛道热得发烫，但变现终究是硬仗——1500万月活里多少真付费、企业客户能不能持续掏钱，才是20亿估值能不能站稳的关键。Sora退场留下的空位，正在被亚洲公司抢。

    • 融资规模：C轮扩展4.39亿美元，估值突破20亿美元
    • 关键投资人：CDH Investments领投，阿里巴巴等新进
    • 产品矩阵：V系列（消费/API）、C系列（专业）、R系列（世界模型）
    • 用户盘子：1.5亿注册、1500万月活，付费率未披露
    📎 原文来源：Video generation startup PixVerse raises $439M, valuation soars past $2B（TechCrunch / Ivan Mehta）

  • 机器人要迎来自己的「ChatGPT时刻」？这家公司把宝押在了游戏数据上

    OpenAI 用 GPT-3 拉开基础模型时代那阵子，做自然语言处理的公司还在各自为战，每家都从头训练一个专门解决自己任务的模型。现在没人这么干了，大家都是先拿 GPT、Claude 或者 Llama 这种通用模型，再微调或者写提示词去适配自己的需求。

    Pim de Witte 是 General Intuition 的 CEO，他觉得「具身智能」也会走一模一样的路。

    从「为每个机器人单独训练」到「一个通用大脑」

    现在不少团队在干的事，是围着某一台具体的机器人、某一个具体的环境，收集一大堆真实世界数据，专门训一个模型。de Witte 在 TechCrunch 的 Equity 播客里说，这种活儿很快会变得多余。他觉得行业真正该做的，是先把数据质量做上去，训出一个能把「怎么动、怎么和环境互动」的直觉迁移到各种场景里的通用模型。

    他有一句挺敢说的判断：模型本身能不能泛化，才是产品。它只要有了对空间和时间的底层理解，大家就不需要再去攒几十万、上百万小时的真实数据了，因为说到底，你真正需要的可能只有几分钟。

    游戏画面里的按键，成了机器人的老师

    General Intuition 自己的基础模型，是在数百万小时的游戏录像上训出来的，而且不只是看画面，还记下了「人什么时候按了手柄上的哪个键」。de Witte 和公司的领投方 Vinod Khosla 都相信，这种带「动作标注」的数据，才是让 AI 长出类人空间推理直觉的关键。

    四足机器人在办公室中自主行走，周围悬浮游戏画面与神经网络节点
    用游戏数据训练出的物理 AI 基础模型，正试图统一机器人的「大脑」

    模型本身能不能泛化，才是真正卖钱的东西。等它有了对空间和时间的底层理解，谁还愿意去攒上百万小时的真实数据？说到底，你需要的可能只有几分钟。

    8 分钟真实数据，机器狗就站起来了

    光说不练没用。这家公司上个月刚靠着这个想法融了 3.2 亿美元、估值冲到 23 亿美元。他们已经演示过：同一个模型既能连续打几小时游戏，也能驱动一台四足机器人，而且驱动机器人时，只用了 8 分钟的真实世界数据做微调。

    de Witte 说最让他们意外的，是这台机器狗「零样本」就跑起来了：只靠一个前置摄像头，没有别的传感器，办公室里还不断有人走动、有东西乱放。他觉得这就是未来的样子。

    它不想造机器人，想做「物理世界的地基」

    General Intuition 的终局不是自己下场造机器。它想当「物理 AI 的基础模型」，给其他机器人公司当底座，让他们在自己的机器上搭东西。用 de Witte 自己的比喻：我们不会去开一家自动驾驶公司，但我们要让下一个人造自动驾驶公司容易十倍。

    • 大模型用 GPT-3 统一了文本，机器人可能正要被「世界模型」统一
    • 游戏数据贵在「按键标注」，这比单纯看视频更接近真实动作
    • 只靠几分钟真实数据就能迁移，意味着真实世界采集的成本可能被砍掉一大截
    • Khosla 把它称为「一代人的赌注」，赌的是专有数据会成为通用智能体的地基

  • Mistral也来抢机器人赛道：一个普通摄像头，让机器人在办公室里自己认路

    法国AI公司Mistral，大家更熟悉的是它那些开源大语言模型。但7月8日它悄悄把触角伸到了”物理世界”。新发布的Robostral Navigate是Mistral第一款面向机器人导航的模型，参数只有80亿，却干了件挺反直觉的事：让机器人只靠一个最普通的RGB摄像头，就能在复杂空间里自己走路、认路，不用激光雷达，也不用深度传感器。

    传统方案要让机器人不撞墙，往往得堆传感器——LiDAR、深度相机、好几路摄像头一起上。Robostral Navigate偏要做减法。它接收摄像头画面和一句大白话指令，比如”走出大堂，穿过走廊，进储物间，停在第二个货架正前方”，就自己驱动机器人走完整个流程，连训练时从没见过的人和障碍物都能现场避让。

    Mistral Robostral Navigate 单摄像头机器人导航
    仅凭一颗摄像头，Robostral Navigate 让机器人在办公空间自主导航（配图由AI生成）

    在R2R-CE这个导航基准上，它在没见过的环境里成功率76.6%，见过的有79.4%。更扎眼的是，它比此前最好的单摄像头方案高出9.7个百分点，甚至比用着深度或多摄像头的系统还高出4.5个百分点——”一只眼”反而赢了”多只眼”。

    怎么做到的：先学会”指路”，再学会”走路”

    核心是一套基于”指向”的导航机制。模型看着当前画面和历史指令，预测机器人下一步该往画面里的哪个坐标走、到了之后该朝向哪边。比起直接给”往前两米、左转25度”这种精确位移指令，这种”指路”的方式天然不挑相机参数、也不挑空间尺度，同一个模型能装在轮式的、腿式的甚至飞行的机器人上。

    训练上Mistral也走了一条省钱的路。整个模型完全在模拟环境里训出来，用6000个虚拟场景攒了大约40万条轨迹。再配上前缀缓存（prefix-caching）的训练算法，把整段任务压成一条序列一次训完，训练token量砍到原来的1/22，原本要几个月的活儿压缩到几天。最后再上一轮在线强化学习（CISPO），成功率又多榨出3.2个百分点。

    为什么这件事值得盯

    对Mistral来说，这只是通向”统一具身智能体”的第一步，但它戳中的是机器人落地最贵、最麻烦的一块——感知与导航。制造业、配送、物流、酒店这些场景里，”让机器自己从A走到B”向来是客户最想要的本事。把硬件门槛从一套传感器阵列降成”一颗摄像头加80亿参数”，意味着更多中小玩家也能碰机器人了。

    • 模型完全自研，不依赖任何开源视觉语言模型，从Mistral自家的 grounding 模型初始化而来。
    • 对相机内参差异很皮实，不同机器人、不同摄像头都能通用，部署起来省心。
    • 团队明确说还没看到性能天花板，更多训练和数据还能继续把数字往上推。

    当然，模型目前还没开源，权重和代码要走商务接洽。但Mistral从语言模型跨界到机器人，信号已经很清楚：当小模型也能用一颗摄像头搞定复杂导航，机器人自主移动的硬件护城河，正在被重新画一遍。

  • OpenAI当年出价5亿没买下，如今它靠游戏录像训练机器人、估值23亿

    两年前，OpenAI 揣着 5 亿美元想买下 Medal——一个让玩家上传和分享游戏录像的平台，创始人 Pim de Witte 拒绝了。当时看有点莽。但到了 2026 年，de Witte 手里的 AI 公司 General Intuition 完成 3.2 亿美元 A 轮融资，估值冲到 23 亿美元，Khosla Ventures 领投，贝佐斯、前谷歌 CEO 施密特，以及 MIT 和 DeepMind 的研究人员都跟了进来。算上去年 10 月启动时的 1.34 亿，累计融资已经超过 4.54 亿。市场用真金白银证明了一件事：那堆游戏录像，比大多数人以为的值钱得多。

    用游戏数据训练机器人世界模型概念图
    用游戏数据训练机器人世界模型概念图（本文配图由 AI 生成）

    游戏画面里藏着什么

    General Intuition 的赌注听上去有点反直觉：用电子游戏里的人类操作记录，去教现实世界的机器人。它的训练数据来自 Medal 积累的数十亿小时游戏画面。但真正关键的不是画面本身，而是内嵌在每一帧里的”动作标记”——玩家在哪一刻按下了哪个键、做了什么决策。多数同行只靠视频去猜动作，而 de Witte 认为，拥有真实的人类操作数据，才是模型理解”自我”和”环境”分野、进而掌握因果关系的内核。

    de Witte 把公司的逻辑讲得很直白：”模型本身的泛化能力，就是产品。”他不想做机器人整机厂商，而是要成为别的机器人公司搭建产品时脚下的那块地基。

    8 分钟，让四足机器人学会走路

    传统机器人训练有两条老路：在真实环境里采数据，贵且慢；在仿真器里练，速度快却躲不开”仿真到现实的鸿沟”——你在 Unity 里训好的模型，放到真实地板和墙壁前常常像个路痴。General Intuition 把游戏数据当成连接两者的桥：先在海量游戏交互里学”物体怎么动、智能体怎么走、动作怎么改变状态”，再拿极少量的真实机器人数据做下游微调。他们演示过一台四足机器人，只经过 8 分钟真实世界微调，仅靠前置摄像头，就在有行人和动态障碍的办公室里零样本导航成功。

    • 领投方 Khosla 看中的是独有数据壁垒，以及”AI 直觉涌现”的愿景
    • de Witte 划下红线：不做任何用于伤害人类的自主武器
    • 目标是对标 NLP 的 GPT-3 之后——通用基座加轻量适配，取代每个任务单独训练

    有意思的是，当中国的人形机器人公司在拼命扩产量、把模仿学习的工业栈跑起来时，General Intuition 想走的是另一条路：卖”世界模型”这个软件层，而不是卖铁。这条路线能不能扛住工厂车间和客厅里那些充满摩擦、接触密集的真实物理，还得等它在同行评审的环境里被反复验证。但至少现在，顶级硅谷资本愿意为”通用世界模型”这个赌注下重注。

  • 估值23亿美元，这家公司用电子游戏训练能走进现实的AI智能体

    走进General Intuition纽约办公室的研发区，31岁的联合创始人兼CEO Pim de Witte让你看一台显示器。屏幕上有人在玩类似Fortnite的游戏。仔细一看，操控角色的不是一个真人。

    “我们的agent已经连续玩了100个小时。”公司首席产品官Kent Rollins笑着说。

    还没从这个画面里回过神，就听到电子脚步声逼近——一台大型四足机器人走了过来。

    AI智能体游戏训练概念图
    从游戏训练到真实世界的AI智能体 | 图：AI生成

    同一个大脑，游戏和现实都能用

    de Witte说：”驱动那个游戏agent的同一个大脑，现在也在驱动这台机器人。”

    机器人走到你面前，绕了一圈，继续往办公室深处走。偶尔会撞到椅子腿或者垃圾桶，像一个还没搞清楚身体怎么运作的小孩。数据工程师Josh Duplantis说，这台四足机器人只用了8分钟的真实世界数据就完成了模型微调——而且这些数据是在街上采集的，不是办公室里。

    这就是General Intuition要做的事：一个能在游戏、模拟环境和真实世界之间通用的智能体模型。

    我们有一个单一模型，既能响应Fortnite屏幕上的信息并采取行动，也能理解真实世界的动态，这是大语言模型做不到的。

    23亿美元估值的底气

    本周，公司确认完成3.2亿美元新一轮融资，估值23亿美元。本轮由Khosla Ventures领投，Jeff Bezos、Eric Schmidt、尼科·罗斯伯格均参与，DeepMind和MIT的研究人员也以个人身份跟投。General Intuition累计融资已达4.54亿美元。

    de Witte的上一家公司叫Medal，是一个游戏视频剪辑分享平台。上面有数百亿小时的游戏录像——但这还不是最关键的。Medal的录像里带有操作记录：玩家在什么时间点按了什么键。de Witte认为，这种”动作标签”才是训练空间推理能力的关键数据，光看视频是不够的。

    “这是一个单一模型，既能响应Fortnite屏幕上的信息并采取行动，也能理解真实世界的动态，这是大语言模型做不到的。”de Witte说。

    世界模型是”健身房”

    公司有一个”世界模型”，是一个逐帧生成的模拟环境（不是传统游戏引擎渲染的）。在这个环境里测试时，agent不会穿墙——它从数百亿小时的游戏画面里学会了墙是墙、梯子是用来爬的。

    这个世界模型不是最终产品，而是训练环境（公司内部叫它”健身房”）。General Intuition真正想卖的是智能体模型本身。

    大部分融资将用于扩大算力。General Intuition跟CoreWeave签了合作协议，重点放在下一版模型的预训练上。到今年夏末，他们的API会对更多开发者开放。

    欧洲人的AI伦理

    Khosla Ventures的Vinod Khosla说，他押注de Witte的愿景。”在大语言模型里，推理能力的出现是一个量子跃迁。在世界模型里，量子跃迁是AI直觉能力的出现。游戏里的人类动作和反应数据，是这种直觉出现的关键。”

    de Witte是荷兰人，团队很大一部分是欧洲人。他对硅谷把AI军事化的倾向保持距离，明确说不会把agent用于伤害人类的目的。”如果说我跑出来说我们要做致命自主武器，你觉得其他国家会怎么做？”他说。

    他还做了一个叫Nerve的平台，让游戏玩家通过数据标注、机器人远程操控等任务赚钱。Medal的用户恰好是最容易被AI冲击的一代人，de Witte想让他们在接下来的事情里有份。

    从游戏画面到真实世界，这条路能不能在规模上成立，目前还没有人完全回答。但General Intuition已经把筹码压上去了。

  • 这家AI公司用游戏视频教机器理解世界，Jeff Bezos砸钱估值20亿

    General Intuition AI世界模型
    General Intuition用游戏视频训练AI世界模型，Jeff Bezos和Eric Schmidt押注 (TechCrunch)

    一家从游戏剪辑平台Medal分拆出来的AI初创公司，正在做一件挺疯狂的事：用每年20亿条游戏视频教AI理解空间和时间的概念。这家公司叫General Intuition，最近在谈一笔30亿美元的融资，估值冲到200亿美元。

    投资方名单很豪华：Jeff Bezos、前Google CEO Eric Schmidt，外加老股东Khosla Ventures和General Catalyst。八个月前他们才拿了1.34亿美元的种子轮，当时刚从Medal分拆出来。现在直接跳到20亿估值——这速度在AI圈也算猛的。

    General Intuition builds a foundation model that trains AI agents how to move through space and time. The dataset — unique because it allows AI to learn from interactive, first-person gameplay — is the perfect base to teach machines deep spatial-temporal reasoning.

    为啥游戏视频是宝藏数据？

    Medal这个平台本来是让玩家上传和分享游戏剪辑的，每月有1000万活跃用户，每年产生20亿条视频。这些视频有个特点：都是第一人称视角，玩家在虚拟世界里做各种动作——跑、跳、开枪、解谜、开车。每一帧都包含了”这个虚拟世界是怎么运作的”的信息。

    General Intuition的判断是：如果一个AI能把游戏里的空间关系学得够好，那它理解真实世界的物理规律也就不远了。这比只看静态图片训练出来的模型要强得多——因为游戏视频是动态的，有时间维度。

    世界模型赛道打起来了

    General Intuition不是唯一做”世界模型”的公司。Runway、Decart、李飞飞的World Labs，还有Google的Genie 3，全在这个方向上砸钱。各家思路不太一样：

    • Runway原来做视频生成，现在想把Google比下去
    • Decart新发布的世界模型能模拟数小时的真实驾驶场景
    • World Labs走商业化路线，推出了Marble产品
    • Google Genie 3最近接入了Google Maps数据，能模拟真实街道

    General Intuition的差异化在于：它不做世界模型产品卖给别人，而是用世界模型来训练能行动的智能体（agents）。智能体才是它要卖的东西。这个思路有点像：别人在卖铲子，它在培养用铲子的人。

    OpenAI也曾来敲门

    据The Information报道，OpenAI曾经试图收购Medal，就是看中了这笔游戏视频数据。但Medal选择了分拆出General Intuition，自己掌控方向。现在OpenAI没拿到这笔数据，而General Intuition拿着它去融了天价。

    这轮融资的钱主要用来扩充算力。General Intuition的计划是在今年夏末或初秋发布新产品。从目前的信息看，应该是一个能让AI智能体在复杂虚拟环境里自主行动的模型。

    世界模型这个方向为啥值钱？因为如果你想让AI机器人走进真实世界，它首先得在虚拟世界里把物理规律学明白。游戏视频提供了一个低成本、大规模的训练场。General Intuition手里这20亿条视频，可能就是它最大的护城河。

  • 这家AI公司说自己的世界模型能模拟真实驾驶，但跑着跑着纽约就消失了

    AI初创公司Decart本周发布了Oasis 3，一个声称能实时生成照片级真实驾驶环境的世界模型。TechCrunch提前拿到了独家信息，我仔细读完了整篇报道，感觉这个故事比标题看起来复杂得多。

    世界模型到底是什么

    先解释一下背景。所谓”世界模型”，简单说就是AI学会了对物理世界的运行规律建模，给它一个文本提示，它能生成一个你可以交互的虚拟环境。这东西在自动驾驶仿真、机器人训练这些领域有很大价值——你可以用它低成本地生成各种罕见的驾驶场景，不用真的去马路上冒险。

    Decart的Oasis 3主打的就是这个方向。他们声称这个模型能生成物理准确、多摄像头（一个前置加两个侧置）的驾驶环境，而且可以无限生成场景。目前通过API对外提供，定价是每秒0.02美元。

    Decart Oasis 3 世界模型演示
    Decart Oasis 3 生成的照片级真实驾驶场景丨来源：TechCrunch

    理想很丰满，现实有点骨感

    TechCrunch的记者亲自测试了Oasis 3，结果发现的问题还不少。最明显的一个：你让模型生成一个”早晨的纽约市街道”，它确实能跑出来，看起来挺像那么回事。但你往前开个一阵子，周围的场景就开始走样了，越来越不像纽约，最后变成了”任何一个西方城市的普通版本”。

    当你试图掉头回到最开始的那个路口时，你会发现它已经消失了，取而代之的是一个全新的环境。整个体验不像一个连贯的模拟，更像是一个梦幻般的、脱节的意识流。

    还有一个更基础的问题：物理一致性。在Oasis 3生成的世界里，汽车会直接穿过其他汽车，就像幽灵一样。Decart的CEO Dean Leitersdorf承认这是一个”正在破解的重大研究问题”，原因是”关于良好驾驶的数据远远多于事故数据”——模型没见过足够的事故场景，所以学不会避让。

    为什么效率这么高

    尽管有上述问题，Decart在技术效率上确实有两把刷子。他们的DOS（Decart优化栈）软件能让模型在英伟达、亚马逊和谷歌的硬件上高效运行，声称运行成本比竞争对手低一个数量级以上。

    Leitersdorf甚至说，公司整个生命周期的烧钱额”远低于”1亿美元。考虑到他们刚刚完成3亿美元融资、估值接近40亿美元，投资方里还有丰田、Adobe、eBay和英伟达，这个烧钱速度在今天的AI初创圈里确实算克的。

    拥挤的赛道

    世界模型这个方向现在挤得不行。谷歌今年1月发布了Genie 3的研究预览版，李飞飞的World Labs推出了商用产品Marble，Luma和Runway这些视频生成公司也在把他们的技术往世界模型方向转。Decart的差异化策略是：从第一天就开放API，让开发者在上面构建应用——这个玩法确实有点像OpenAI当年对LLM做的事。

    目前Decart已经积累了超过10万名开发者的社区，很多人用他们的实时视频模型Lucy在做电子商务和直播相关的产品。Oasis 3发布之后，这个社区规模大概率还会涨。

    至于世界模型什么时候能真正可靠到可以替代真实路测，现在还没人能给出确切答案。Decart说下一个版本会允许用户基于视频（而不是图片）来生成世界，这可能会改善一致性问题。但从根本上说，这个世界模型还是一个自回归系统——一次生成一帧，然后看之前生成了什么来决定下一帧，这个架构本身就很吃算力，要保持长时间的一致性非常难。

  • MIT盘点：2026年AI领域最重要的10件事

  • MIT评出2026年AI圈最值得盯紧的10件事，每一件都在改写游戏规则