文｜AI 大模型工场，作者｜冰拿铁，编辑｜星奈
2026 年过一半，全球 AI 行业本该见证属于 Coding 赛道的高光时刻。
Kimi K3 的发布被寄予厚望，国产大模型在代码能力上对 Claude 的追赶，似乎只差 " 临门一脚 "。
然而，这 " 临门一脚 " 不仅没能踢开胜利的大门，反而一脚踢崩了资本市场：
发布次日，智谱股价暴跌 28.49%，MiniMax 暴跌 15.62%，大洋彼岸同样寒意逼人。美国 AI 板块随之集体下挫，即便是一度被视为独立模型公司天花板的 Anthropic，其二级市场估值预期也面临显著回调。
这就很反差，你可能很好奇，明明技术取得了突破，为何资本市场反手就是一巴掌？
原因并不复杂，Coding 赛道正在陷入残酷的 " 马太效应 " 内卷中。
Claude 依然牢牢攥住全球超六成的 Coding 请求，而国产头部模型即便在内部测试中已宣称接近 Claude 的水平，实际对比下仍存差距。这看似一步之遥的距离，恰恰是其估值逻辑的 " 阿喀琉斯之踵 "。
随着 Coding 场景下的同质化竞争全面提速，各家模型在主流 Benchmark 上咬得越来越紧，用户切换 API 的迁移成本却无限趋近于零，如今，Coding API 也开始卷起 Token 价格战时，资本终于忍不住追问一个本质问题：
这个赛道的护城河，到底在哪里？
值得注意的是，就在 " 语言大模型 " 贴身肉搏时，另一条赛道却跑出了发展加速度，有一家视觉生成赛道的公司悄悄拿到了 15 亿元融资。
社保基金、工银资本、华策影视…… " 国家队 " 和产业资本领衔的多元资本，正在用真金白银悄悄押注一家叫智象未来的公司。
这让行业感慨，众里寻他千百度，暮然回首，风口却在灯火阑珊处：
大模型公司的下一个主战场，可能不在代码里，视觉多模态，正在成为大模型公司下一个兵家必争之地。
多模态视觉赛道，坡长雪厚
把目光从代码的红海上移开，你会看到另一片蓬勃生长的绿洲。
如果说 Coding 赛道是 " 存量博弈 "，那么视觉生成赛道就是 " 增量爆发 "。
近两年，视频生成和图像生成早已不是实验室里的 " 玩具 "，而是展现出高确定性和高成长性的商业赛道。更重要的是，在多模态视觉领域，中国企业展现出了引领全球的底气和优势。
而在这条赛道上，智象未来的崛起速度令人侧目。
其最新完成的 C 轮融资，金额达 15 亿元，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、华策影视等多家机构跟投，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。
拆解这份投资方名单，你会发现它的 " 含金量 " 远不止于金额本身。
这是一个极为稀缺的 " 复合型资本结构 "：国家队耐心资本、金融国家队、影视产业国家队、头部产业资本、顶级市场化 VC。
朋友们，在一个多模态模型赛道上同时获得五类投资方认可的公司，屈指可数啊，难度不亚于集齐七颗龙珠。
这些投资者抢占的是啥？
答案是 " 视觉生成作为下一代世界模型入口 " 的战略高地。不止于此，视觉赛道与 Coding 赛道的主流叙事截然不同，行业竞争已从 " 单一模型参数竞赛 " 升级为综合竞争，头部厂商也更具护城河。
什么是综合竞争？就是说，模型能力只是入场券，数据稀缺性、产品化能力、工程效率、行业 Know-how 和工作流深度绑定，才是真正的胜负手。单纯依赖单一大模型服务，越来越容易陷入价格战与性能追赶的双重压力。
视觉模型的逻辑完全不同。它的底层模型、数据壁垒更高，要有高质量图像、视频、影视素材涉及版权、IP 和品牌规范；工程壁垒更高，又有需要处理空间、时间、运动、光影、物理规律和多主体交互；
评价体系更复杂，审美、镜头语言、风格一致性、可控性和业务转化效果缺一不可；工作流绑定更深，一旦嵌入影视制作、广告营销、电商内容的生产流程，迁移成本极高。
下面，我们就以 " 国家队 " 重仓的智象未来为例，拆解一下这个赛道的护城河。
视觉赛道的 SOTA 级产品，长什么样
如果你还停留在 "AI 视频就是 Sora 那个样子 " 的认知里，那你已经落后了两个时代。
Sora 们长什么样，一个输入框，一个生成按钮。你敲一段 prompt，等几十秒，出来一段几秒钟的视频。不满意，再敲一段 prompt，重新 " 开盒 "。
每次生成都是孤立的，角色不连续、风格不稳定、镜头之间没有逻辑关系。它不记得上次做了什么，也不理解你真正想要一个什么样的作品。这种模式，对生成一段 15 秒的 " 整活 " 画面够用，但对 " 做一个完整的视频项目 " 来说，远远不够。
AI 视频生成从来不是一锤子买卖，TA 是一个反复修改、持续迭代的创作过程。
智象未来在今年 WAIC 上发布的全球首个无限时长内容创作智能体 vivago R1，彻底改写了 Sora 们的逻辑。
中间是专家层，编剧、导演、设计师、剪辑师等专家 Agent 各自拥有独立记忆，负责各自专业环节。最下面是执行层，负责分段并发生成，每个执行子 Agent 只处理一段任务，用完即走；某一段失败，只重试该段，不影响整体。
基于此，vivago R1 的产品形态已经接近 "AI 原生内容生产工作流 "，而非单纯的视频生成工具。我自己第一次接触的时候，就很惊艳，它像一个 " 永不喊累的制片 " 加一个 " 全能的后期团队 " 的合体。
我实测了一下，告诉它 " 创作一段 1 分钟连续叙事生活短片，主题是普通人平凡的一日。从清晨起床、早餐、通勤、午后工作、傍晚散步完整流程。"
系统不会简单地生成一段视频，而是调用多镜头叙事流程，把完整故事拆分为多个场景，启动多 Agent 分工：一个 Agent 构思故事线、一个写分镜脚本、一个生成核心画面、一个串联成片……
来看结果，展现出极佳的角色一致性。无论在自然光、室内冷光还是夜晚路灯下，男子的面部特征、发型和体态始终保持高度统一，没有发生常见的 " 换脸 " 或形变。
最关键的是一条过，我打 90 分！
数据也佐证了我的体感：
他们把内容有效可用成功率提升至 85% 左右，朋友们，85% 是商业规模化交付的门槛啊，你生成 100 条素材，85 条能直接用，这个比例才让企业有意愿把 AI 纳入生产线。
如今，vivago 海外版已覆盖 5000 万用户、100 多个国家和地区，今年 5 月灰度版登顶 Product Hunt 日榜第一，拥有百万级付费用户。
这些数据说明一个事实：
多模态智能体，正在光速进入真实的内容生产场景，创造真金白银的价值。
从 " 生成视频 " 到 " 构造世界 "：智象未来的棋盘比你想的更大
如果你觉得已经很厉害了，那我要告诉你，智象未来的想象空间不止于此。
问你一个问题，视频生成的终局是什么？
如果你以为是 " 更长更惊艳的视频 "，那可能只看到了冰山一角。真正的终局，叫做 " 世界模型 "。
世界模型是让 AI 不仅能 " 看见 " 世界，还能理解物理规律、推演因果关系、预测动作后果，最终重塑真实世界的认知内核。它的重要性在于，它是 AI 从 " 理解世界 " 走向 " 改变世界 " 的唯一桥梁。
目前，全球通向世界模型主要有几条技术路线在并行探索：
一类是 3D 原生模型路线，从三维空间和几何结构出发，优势是空间一致性强，但文本理解和泛化仍有提升空间。一类是多模态视频模型，通过视频生成推动世界模拟，成熟度最高，也是当前视觉生成赛道的主攻方向；
一类是具身智能路线，从 VLA 向 WAM 架构迁移，强调动作规划与物理交互。
还有一类是视觉模型路线，以智象未来的 UiT 架构为代表，从底层统一建模文本、图像、视频、空间、动作等信号，也是其中最具产业落地确定性的一条代表性路线。
没有世界模型，AI 永远停留在 " 生成内容 " 的阶段：
它给你一张图、一段视频，但它不知道这张图背后的物理规则是什么，不知道这段视频里的因果关系是否成立。有了世界模型，AI 才能真正感知物理世界、推演因果、预测后果，然后指导具身智能去执行真实世界的任务。
那么，在厂商纷纷押注的当下，什么是真正的世界模型？智象未来创始人梅涛对这个问题有一个清晰的界定：一个真正的世界模型必须同时具备三个能力，表达世界、推演世界、构造世界。
" 我们经常说 model the world，但我觉得真正的世界模型更应该是 mold the world，它不仅要理解世界，还要能构造、重塑世界。你如果不能创造这个世界，你也不能真正理解这个世界。"
真正的世界模型怎么搭建呢，智象未来的选择很明确：不走 " 多模态拼接 " 的捷径，而是做 " 原生全模态 " 的硬骨头。
其最新发布的 HiDream-O1-Image 系列模型，开始采用自研的全新原生全模态 UiT 架构，摒弃了传统路径中的 VAE 图像压缩和独立文本编码器，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映射进同一个共享 Token 空间，直接与同一套 UiT，像素级统一的 Unified Transformer 进行交互，在统一表征系统中完成理解、生成和推理。
这条路更难，但更有可能走向学术定义上的 " 世界模型 "。
因为真实世界本来就不是单模态的。一张图像，定格了某一时刻的世界状态；视频记录了时间变化；空间带来立体结构；动作带来交互；语言则承载知识、意图和抽象推理。如果这些模态只是被不同模型分别处理、再在外层简单拼接，系统永远无法真正理解世界内部的时空关系和因果规律。
这条难而正确的路，也正在成为行业共识。
2026 年初，谷歌发布 Gemini Embedding 2，将文本、图像、音视频乃至 PDF 文档融合进统一向量空间，实现跨越五大模态的直接检索。与此同时，英伟达推出 Nemotron 3 Nano Omni，将全模态感知、理解、推理整合为单一模型闭环。
英雄所见略同。全球科技巨头正在用行动证明，原生全模态更有可能是通往世界模型的必经之路。
所以你看，放眼 AGI 未来，从图像到视频，从视频到空间，从空间到动作，再到反馈闭环，AI 正在从 " 模拟世界 " 走向 " 预测世界 "，最终走向 " 重构世界 "。
这，也是为什么 " 国家队 " 愿意用真金白银，为智象未来 " 像素里的未来 " 投票。
历史总是惊人的相似，所有人挤在同一条赛道里贴身肉搏时，总有人选择抬头看路，然后把目光投向更辽阔的疆域。
