作者｜冰拿铁
编辑｜星奈
媒体｜AI大模型工场
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。
这家公司不做Coding，不抢代码赛道，而是在视觉多模态赛道闷声发力，三个月内完成三轮融资，累计超21亿元，从估值看已经正式跻身全球AI独角兽。
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。
这家公司近三个月内完成了三轮密集融资，累计融资额超21亿元。
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。
它的底层充分提供Agent可调用的基础资源和原子能力，构筑智能体的执行底座，最上层是调度层，只沉淀最终定稿，不保留过程噪声，就像一个总导演，只记住角色设定、叙事主线和最终决策。
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。
这个架构思路与Claude Code的多Agent协作异曲同工。但Claude Code解决的是代码开发任务，vivago R1解决的是长链路内容创作，一个是帮你写一个软件项目，一个是帮你完成一个视频项目。
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……
整个过程就像你下达一个指令，然后看着一个专业团队在后台高效运转，最终交付完整的作品。
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。
画面质感也达到了电影级水准，光影过渡自然，咖啡萃取的油脂感、烤面包的焦脆色泽、地铁金属扶手的反光……都处理得细腻逼真。动作连贯性也较为出色，无卡顿。场景转换逻辑清晰，叙事完整。
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。
Artificial Analysis的文生图榜单
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。
数据支持天眼查，大模型独家合作账号
— END —
