被字节开除的实习生，融资2亿：挑战李飞飞

一家尚未命名、产品未成形、仅有10名成员的初创公司，已获得近3000万美元（约合人民币2亿元）融资，投后估值达2亿美元。

根据最新消息，这笔资金投向了田柯宇创办的世界模型公司，投资方包括五源资本、IDG资本等。

田柯宇最知名的身份，是“被字节跳动开除并索赔的实习生”。

一名被大厂除名的实习生，如何在两年后以2亿美元估值回归？他计划打造的“世界模型”，又为何让资本如此急切地投入？

一篇论文，推动行业大幅降本

田柯宇本科毕业于北京航空航天大学软件学院，后进入北京大学攻读研究生，师从王立威，研究方向为深度学习优化与生成模型。自2021年起，他在字节跳动商业化技术部门实习，从事超参数优化、强化学习和视觉生成工作。

2024年6月至7月，因对团队内部算力资源分配不满，他手动关闭了另一名实习生的程序，以便将显卡用于自己认可的研究。字节跳动方面称，他通过编写和篡改代码，恶意攻击团队研究项目的模型训练任务，导致资源损耗。

事发后，田柯宇一度否认，声称是其他实习生所为，甚至报警称自己被造谣。字节跳动认为他毫无悔意，于2024年11月正式起诉，索赔800万元。

后来，他承认行为不当。法院最终认定他违反实习合同，判赔50万元，并没收全部实习工资。

戏剧性的转折发生在起诉后第十天。2024年12月，NeurIPS将年度最佳论文授予田柯宇作为第一作者的成果——《视觉自回归建模：通过下一尺度预测生成可扩展图像》（VAR），该论文在当届排名第六。这是中国大陆背景学者作为第一作者极为罕见地获得此奖项。

这篇论文的价值，直接决定了他如今的事业方向。

在VAR之前，AI图像生成主要依赖扩散模型——先勾勒模糊全局，再逐层细化，图像质量高但速度慢、成本高、算力消耗大，且架构与大型语言模型不兼容。田柯宇及其团队采用了不同方法：不再将图像拉平为一维逐个像素预测，而是保留二维结构，从1×1的模糊轮廓开始，经过2×2、4×4、8×8……逐步从粗到细预测，类似人类绘画过程。

结果是，这类GPT式自回归模型首次在图像生成上超越扩散模型：在ImageNet基准上，衡量失真度的FID从18.65降至1.73，推理速度提升20倍，并首次使视觉生成遵循“模型越大、效果越好”的规模化规律。该项目开源后在GitHub上获得超过4400颗星。

田柯宇最擅长的是用更高效的架构降低视觉生成成本。两年后他创业，仍专注于此事，只是从图片转向视频，从图像生成转向世界模型。

世界模型处于风口

世界模型，简而言之，是让AI不仅理解单帧画面，还能掌握现实世界的空间、运动和因果关系，预测“下一步会发生什么”。它被视为机器人、自动驾驶、交互式视频的共同底层能力，也是李飞飞、杨立昆等人近年重点推进的方向。

田柯宇认为，人类语言根本不适合描述视频。一段猫从桌上跳下的几分钟画面，包括物体位置、运动轨迹、光影和碰撞，用文字描述会丢失绝大部分信息，还浪费算力。

他的解决方案是为AI创造一种新语言。团队已构建一套包含约20万个符号的“视觉词典”，这些符号人类无法识别，但AI能用它们来表示、压缩和预测视频。“我们首先是为AI创造一种语言，然后向其输入1亿小时的视频。”田柯宇说。

采用这种方法，生成1秒视频的成本至少降至原来的十分之一，完整模型计划于2027年发布。

他选择的时间点，正值此赛道最热闹且最微妙之际。

9月1日，李飞飞的World Labs发布Atlas，能用图片重建3D场景、指定镜头移动，生成最长1分钟、1440p的视频。9月22日，国内的PixVerse发布R2，主打长时间记忆，玩家可通过文字、语音、动作实时改变正在生成的世界，剧情即时生成。海外，谷歌DeepMind的Genie 3已能让人实时探索虚拟3D环境。

10月7日，谷歌与Unity联合公布Playground及即将推出的Unity Spark，用户可用自然语言创建和分享小游戏。

当然，最令行业震撼的是，9月28日，AMD突然宣布以约82亿美元全股票收购World Labs。

一家有资金、有团队、刚发布新模型的公司，为何如此迅速选择出售？李飞飞解释称，下一代AI需要模型研究、系统和芯片紧密配合，加入AMD可换取工程和硬件实力。

这对田柯宇是双重信号。一方面，它为世界模型投资人指明了一条清晰的退出路径，赛道估值被重新点燃；另一方面，连李飞飞也承认，仅靠模型团队已不足够，胜负手正转向算力、成本和工程系统——而这正是田柯宇押注“便宜一个数量级”的原因。他相当于用10人团队，去赌AMD用82亿美元想买的同一个答案。

五源资本、IDG资本为何愿意投资一家没有产品的十人公司？一个可能答案是，田柯宇正尝试解决世界模型最昂贵的问题：算力成本。

世界模型开始盈利

目前离客户最近的领域是三维内容制作。

World Labs的Marble已按月收费：标准版20美元，专业版35美元，最高一档95美元，并提供API和企业合作入口。用户输入文字或照片，即可生成可探索的三维空间，导出场景文件，继续用于设计或游戏工具加工。9月发布的新模型Atlas进一步展示了按指定镜头轨迹生成最长一分钟、1440p视频的能力，但完整模型仍处于早期访问阶段。

世界模型解决了广告公司、影视工作室和游戏开发者最头疼的返工问题。导演觉得镜头太高，希望降低20厘米；美术人员希望将房间里的沙发换个位置。如果每次调整都需要重新生成和布置，AI带来的效率就会被抵消。能让同一场景反复修改、导出并进入原有生产流程，才有机会成为软件预算的一部分。

今年8月，World Labs披露，制作公司Promise为Paramount+和CBS的节目《Harlan Coben’s Final Twist》重建了十个历史犯罪现场。部分地点已消失，团队仅持有旧照片或历史影像。

Promise先修复图片，再用Marble生成三维环境，交由美术人员补齐缺失部分、修正细节，最后将场景置于LED摄影棚中拍摄。

而创意平台Magnific则将Marble接入3D Scenes工具。营销人员可将参考图片转化为三维环境，在其中摆放产品、调整镜头并取景。一组广告需要多个角度时，可围绕同一场景继续拍摄，无需每次重新描述和生成。

对投资人而言，更大的故事在工厂、物流和自动驾驶领域。机器人若能在电脑中完成大量训练和测试，就能减少昂贵的真实设备试错。这一需求并非凭空想象。

今年3月，ABB机器人宣布将英伟达Omniverse能力接入RobotStudio工业软件，富士康正在试点相关技术，用于消费电子精密装配。ABB设定的目标是部署成本最多降低40%，产品上市时间缩短50%。

自动驾驶汽车需要测试雨雪天气、道路施工和突然出现的障碍。依赖真实车辆在路上测试既慢，也难以反复遇到同一种情况。机器人要进入不同家庭、仓库和商店，同样需要大量环境检验能力。

世界模型提供的机会是批量生成这些环境，让企业将更多测试置于电脑中。

2月6日，Waymo发布基于Google DeepMind Genie 3的世界模型。公司当时披露，其车辆已完成近2亿英里的全无人驾驶，而虚拟环境中的驾驶里程达到数十亿英里。

内容、机器人、自动驾驶三条路径都有机会，但风险截然不同。通用模型需要持续烧钱扩大领先优势，应用公司必须做好销售和交付，被收购则取决于少数战略买家的意愿。

本文不构成任何投资建议。

本文来自微信公众号“铅笔道”，作者：铅笔道，36氪经授权发布。