AI視頻生成的熱戰(zhàn)，比想象中來得更早。

字節(jié)跳動(dòng)的Seedance 2.0在2月爆火，其性能直接改變了AI漫劇產(chǎn)業(yè)發(fā)展走向。緊隨其后，阿里的HappyHorse（歡樂馬）開啟了API內(nèi)測(cè)。據(jù)報(bào)道，快手旗下可靈也正以200億美元估值謀求獨(dú)立融資，ARR（年度經(jīng)常性收入）已達(dá)到5億美元。

有巨頭集結(jié)資源，也有玩家被淘汰出局。今年3月，OpenAI旗下的Sora被關(guān)停，原因被歸咎于OpenAI需要聚攏資源和注意力。這也不免讓文生視頻能否跑通商業(yè)模式，被打上問號(hào)。

不過，AI視頻生成公司愛詩科技創(chuàng)始人兼CEO王長(zhǎng)虎仍樂觀表示，目前視頻生成的機(jī)會(huì)大于挑戰(zhàn)?！埃ㄈ绻┟總€(gè)時(shí)代只有（像抖音、快手）一兩個(gè)產(chǎn)品，只有幾十億用戶的產(chǎn)品才有生存空間，那就太枯燥了?！?/p>

王長(zhǎng)虎曾任字節(jié)跳動(dòng)視覺技術(shù)負(fù)責(zé)人，搭建了字節(jié)跳動(dòng)視覺算法平臺(tái)和業(yè)務(wù)中臺(tái)，并主導(dǎo)了字節(jié)視覺大模型從0到1的建設(shè)。2023年創(chuàng)業(yè)后，王長(zhǎng)虎已成為“字節(jié)系”出身、上升勢(shì)頭最猛、獲得融資最多的創(chuàng)業(yè)者之一。

最近6個(gè)月，王長(zhǎng)虎和愛詩科技拿到了累計(jì)25億元的融資。今年3月，愛詩科技獲得3億美元的C輪融資，由鼎暉香港基金、鼎暉VGC、鼎暉百孚領(lǐng)投，產(chǎn)業(yè)投資人中國儒意、三七互娛，以及投資機(jī)構(gòu)亦莊國投、眾為資本、國泰君安創(chuàng)新投資等共同參與，估值達(dá)到10億美元。

在模型端和產(chǎn)品端，王長(zhǎng)虎和團(tuán)隊(duì)幾乎每3個(gè)月就會(huì)進(jìn)行一次模型升級(jí)。2023年10月，愛詩科技推出PixVerse V1，成為全球首個(gè)可生成4K視頻的視頻大模型。到了PixVerse V4版本，愛詩科技已可將視頻生成做到5秒之內(nèi)。目前，PixVerse系列模型已經(jīng)到了V6版本，AI生成視頻不僅實(shí)現(xiàn)了音畫同步，人物與場(chǎng)景質(zhì)感也更貼近真實(shí)世界。

2025年年底，愛詩科技旗下產(chǎn)品PixVerse的App端和網(wǎng)頁端用戶規(guī)模超過1億，其ARR已超過4000萬美元。

王長(zhǎng)虎性格內(nèi)斂，達(dá)晨財(cái)智曾主投愛詩科技A輪，并參投B輪，達(dá)晨財(cái)智合伙人、執(zhí)行總裁兼首席投資官鄔曦告訴《中國企業(yè)家》：王長(zhǎng)虎沒有自己獨(dú)立的辦公室，和100多位同事一起辦公。愛詩科技的公司文化也被王長(zhǎng)虎概括為“愛詩范兒”——簡(jiǎn)單直接。匯報(bào)等級(jí)只有兩級(jí)，組織扁平，反應(yīng)速度快。

在接受《中國企業(yè)家》的專訪中，王長(zhǎng)虎提到了10次“進(jìn)化”，8次“效率”，3次“畫問號(hào)”。對(duì)于一些投資人將愛詩科技比作視頻生成領(lǐng)域的“DeepSeek”，王長(zhǎng)虎提到，“從創(chuàng)業(yè)至今，我們只用了同行十分之幾甚至1%的成本資源，就做出了優(yōu)于或持平于同行的技術(shù)能力與產(chǎn)品?！?/p>

這種對(duì)效率的追求源于王長(zhǎng)虎在字節(jié)跳動(dòng)時(shí)期的技術(shù)積累。鄔曦說，王長(zhǎng)虎和團(tuán)隊(duì)在字節(jié)管理過2萬塊V系列GPU，他們非常懂得如何高效利用有限的資源去迭代產(chǎn)品。

3次“畫問號(hào)”則主要來自3個(gè)方面：抖快之外的機(jī)會(huì)、大廠離職創(chuàng)業(yè)者如何處理與大廠的競(jìng)對(duì)關(guān)系、AI時(shí)代to C和to B產(chǎn)品的分野等。同時(shí)，王長(zhǎng)虎亦有信心和勇氣，比如他并不認(rèn)同，創(chuàng)業(yè)者就該“躲避”大廠的炮火射程。

除了V系列模型，愛詩科技還在布局C（面向影視）、E（面向營(yíng)銷）等一系列行業(yè)垂類視頻生成模型。2026年1月，愛詩科技率先推出了全球首個(gè)通用實(shí)時(shí)世界模型PixVerse R1。2026年4月，又推出了全球首個(gè)影視行業(yè)大模型PixVerse C1。

一位愛詩科技的業(yè)務(wù)負(fù)責(zé)人告訴《中國企業(yè)家》：2026年，公司高管內(nèi)部討論的重點(diǎn)是：愛詩并不是一個(gè)單純的MaaS公司，也不想單純地為提供Token而生。模型發(fā)展到現(xiàn)在的趨勢(shì)是，要越來越多地跟行業(yè)結(jié)合。

這也意味著愛詩科技正在走向兩線作戰(zhàn)，一方面，奉行“讓每個(gè)人成為生活的導(dǎo)演”的大C端策略，就像王長(zhǎng)虎所說的：“讓全球幾十億人，都有機(jī)會(huì)從一個(gè)旁觀者變成參與者，從普通的消費(fèi)者變成創(chuàng)作者?！绷硪环矫妫惨钊氘a(chǎn)業(yè)端，正面和字節(jié)、快手等巨頭公司展開競(jìng)爭(zhēng)。

最近，愛詩科技宣布了和芒果TV、中國儒意等影視頭部公司的合作——中國儒意也是愛詩科技的產(chǎn)業(yè)投資人和戰(zhàn)略投資人。今年1月，愛詩科技獲得了中國儒意1420萬美元的戰(zhàn)略投資。

以下是王長(zhǎng)虎與《中國企業(yè)家》的獨(dú)家對(duì)話內(nèi)容（有刪減）：

用同行1%的投入，達(dá)到100%的效果

《中國企業(yè)家》：最近視頻生成行業(yè)很熱鬧，各家都在密集迭代，你認(rèn)為整個(gè)行業(yè)有沒有進(jìn)入到分化階段？

王長(zhǎng)虎：我認(rèn)為是更繁榮了。我們（2023年）創(chuàng)業(yè)的時(shí)候，大模型剛出來，那時(shí)候我們就選擇All in視頻生成。我們?yōu)槭裁茨芨缈吹揭曨l大模型和應(yīng)用賽道的繁榮？因?yàn)橐曨l就是離我們最近的，它本來就應(yīng)該更繁榮。

這兩年，視頻生成的進(jìn)化速度非?？?。單看我們公司，過去一年半時(shí)間里，我們發(fā)布了八九次大模型更新，每?jī)扇齻€(gè)月就有新的大模型（版本）誕生。我們認(rèn)為，視頻生成還有很長(zhǎng)的爆發(fā)期，以及很長(zhǎng)的進(jìn)化空間。

《中國企業(yè)家》：模型進(jìn)化和升級(jí)這么快，是不是也意味著它的能力還沒有完全穩(wěn)定下來？

王長(zhǎng)虎：如果一件事情很快穩(wěn)定了，就會(huì)陷入到路徑收斂，效果穩(wěn)定，拼資源，更適合大廠競(jìng)爭(zhēng)。但視頻生成的高速發(fā)展，也在不斷產(chǎn)生更多的可能性，創(chuàng)業(yè)公司仍然有很多機(jī)會(huì)。

《中國企業(yè)家》：你怎么看Sora產(chǎn)品體驗(yàn)口碑很好，卻留存不佳的問題？

王長(zhǎng)虎：我非常贊賞Sora這些勇于探險(xiǎn)的先驅(qū)者，但創(chuàng)新畢竟是一個(gè)失敗率更高的事情。所以你們現(xiàn)在看到的所謂我們做出的“模板”，產(chǎn)品用量這么大，同行也都在持續(xù)做創(chuàng)新，只是有人可能沒跟上節(jié)奏。

Sora 2做了兩件成功的事情，第一，音畫同步生成質(zhì)量做得很好，模型終于不再拉胯。第二，它在消費(fèi)平臺(tái)做了很好，甚至很激進(jìn)的嘗試，不管它最后是否成功，不影響它是一次勇敢的嘗試。

嘗試失敗并不意味著這個(gè)方向失敗。Sora可能遇到了很多困難，但他們的效率沒有我們高，它每幀的成本可能是我們的幾十倍甚至更多。

第三，它在人和內(nèi)容的交互消費(fèi)端向社交做了探索，用AI視頻生成嘗試社交，這是非常有價(jià)值的。

《中國企業(yè)家》：Sora是不是有點(diǎn)太超前了？它去探索的AI視頻社交，或者社區(qū)類產(chǎn)品，是不是行業(yè)還沒有準(zhǔn)備好？

王長(zhǎng)虎：我們不能用幾個(gè)詞去簡(jiǎn)單歸因。我們認(rèn)為，在新時(shí)代，消費(fèi)和創(chuàng)作邊界越來越模糊，未來將會(huì)是什么樣的場(chǎng)景？每個(gè)人都可以消費(fèi)，每個(gè)人都可以創(chuàng)作。Sora 2朝著這個(gè)目標(biāo)走出了一步，但最終什么樣的產(chǎn)品能夠獲得用戶的芳心，還需要不斷打磨。

《中國企業(yè)家》：抖音快手的一個(gè)重要貢獻(xiàn)是，最大程度地給了普通人表達(dá)的機(jī)會(huì)。你認(rèn)為AI生成視頻這波浪潮能帶給他們什么？

王長(zhǎng)虎：我也經(jīng)歷過抖音那個(gè)波瀾壯闊的時(shí)代，智能手機(jī)和4G、5G的普及，流量成本越來越低，讓抖音和快手造就了一個(gè)現(xiàn)象，每個(gè)人都可以輕而易舉地在短視頻平臺(tái)上去刷新視頻。

但這是不是意味著每個(gè)人都能成為創(chuàng)作者？這是我畫個(gè)問號(hào)的。全球幾十億人在玩視頻，但真正去拍攝、上傳和分享的人數(shù)占比可能小于10%，還是極小的比例。所以，我們要讓那些沒有這種體驗(yàn)的90%以上的幾十億用戶，通過我們的產(chǎn)品把他們的想象力變成視頻，去創(chuàng)作，去傳播，去分享，去交流，去互動(dòng)。

《中國企業(yè)家》：PixVerse爆火離不開內(nèi)容模板，模板為什么這么重要？

王長(zhǎng)虎：我們上線模板大概在2024年10月，這是一個(gè)非常獨(dú)特的節(jié)點(diǎn)。之前，都是創(chuàng)作者有明確的意圖，比如創(chuàng)作一個(gè)廣告片或者短預(yù)告片，然后通過調(diào)用模型生成片段。那時(shí)候遇到的困難是什么？生成的成功率非常低，生成10個(gè)才能挑到1個(gè)精華。用戶生成一次，發(fā)現(xiàn)生成不好，就不會(huì)再用第二次了。

于是我們就希望提供更低門檻的創(chuàng)作工具，所以（模板）一下子把生成的成功率從10%、20%拉到接近100%。

第二點(diǎn)，降低用戶的生成門檻，甚至不需要輸提示詞，可以直接上傳自己的一張照片，選擇模板就可以了，可以真正讓幾十億普通人玩起來，用起來。所以，我們認(rèn)為它是視頻生成的GPT時(shí)刻。

這也讓我們做出了全球最好的視頻生成能力，并且推出了普通用戶最喜愛的、門檻最低的生成產(chǎn)品，達(dá)到了破圈的效果。

《中國企業(yè)家》：你認(rèn)為模板只是一個(gè)過渡還是終局產(chǎn)品形態(tài)？

王長(zhǎng)虎：它只是我們產(chǎn)品里的一個(gè)feature（特色）而已。除了模板，還有我們的首尾幀能力，你上傳兩張圖片，就能生成一個(gè)從A圖片變到B圖片的動(dòng)態(tài)視頻。還有我們的Agent能力，一些用戶希望能生成更長(zhǎng)的內(nèi)容，可編輯性更強(qiáng)的故事，我們就開發(fā)了一個(gè)Agent，可以調(diào)用不同的模板能力，調(diào)用不同的基礎(chǔ)視頻生產(chǎn)能力，自動(dòng)生成更長(zhǎng)、沖擊力更大的視頻。

《中國企業(yè)家》：你們有一個(gè)很重要的技術(shù)突破是，2025年發(fā)布的V5上實(shí)現(xiàn)了音畫同步。這會(huì)不會(huì)讓單個(gè)視頻的成本變得很高，你們?cè)趺慈タ刂瞥杀荆?/p>

王長(zhǎng)虎：我們是一家創(chuàng)業(yè)公司，但在模型能力上，我們一直以來是全球第一梯隊(duì)。我們的產(chǎn)品位列“全球前25大AI產(chǎn)品”，也是視頻生成領(lǐng)域里最早破千萬用戶的。

這意味著我們的效率是極高的，這不是做音畫同步生成開始的。我們從一開始就考慮，要用相比同行1/10甚至1%的成本資源，做出更好的能力和產(chǎn)品。

《中國企業(yè)家》：你們?cè)诩夹g(shù)上具體是怎么實(shí)現(xiàn)的？

王長(zhǎng)虎：最大的成本是認(rèn)知帶來的成本，即你的判斷力。我舉個(gè)例子，如果做一件復(fù)雜的事情，比如大模型，你要判斷非常多的節(jié)點(diǎn)，任何一個(gè)節(jié)點(diǎn)都是未知的。

當(dāng)我要去攻克5個(gè)難題，每個(gè)難題都是未知的。你有5個(gè)解決方案，你要決定選擇哪一個(gè)和不選擇哪一個(gè)，它就會(huì)產(chǎn)生巨大的成本差。最優(yōu)秀的團(tuán)隊(duì)，總能選擇正確的道路。相反，另外一支團(tuán)隊(duì)有可能每次都選擇錯(cuò)誤。你會(huì)發(fā)現(xiàn)，最好的團(tuán)隊(duì)和最差的團(tuán)隊(duì)里面的效率差是多少？是5的5次方。

在非技術(shù)側(cè)，它意味著更扁平的決策鏈路。有判斷力的人和有資源決策的人，層級(jí)要盡可能少，這可以極大地提升團(tuán)隊(duì)的組織效率。我們公司踐行“簡(jiǎn)單直接”“愛詩范兒”的文化，有助于我們?cè)诜羌夹g(shù)層面上做得更快更好。

在技術(shù)側(cè)，DeepSeek出來之后，熟悉我們的投資人或者企業(yè)，都把我們看成是“視頻生成領(lǐng)域的DeepSeek”。DeepSeek的成功不僅在于開源，而且它用別人1/10的成本做出來了。反過來看，我們的成本壓力可能比他們更大，在文生視頻領(lǐng)域做到了這一點(diǎn)，也要依靠非常多的因素。

我們?cè)跀?shù)據(jù)、模型、DiT（Diffusion Transformer）架構(gòu)層面，有著天然的優(yōu)勢(shì)。

第一，數(shù)據(jù)層面，如何能找到那些能幫你進(jìn)化、提升模型性能的最精華數(shù)據(jù)。這背后做得好或不好，都會(huì)體現(xiàn)到成本、效率、訓(xùn)練時(shí)間上。

第二，模型側(cè)也同樣。比如AI建模時(shí)，該用什么方式去建模，如何提升視頻質(zhì)量，同時(shí)讓模型訓(xùn)練和推理的過程成本盡可能低，做到極致。實(shí)際上，在模型訓(xùn)練過程中，如何確保它每次都訓(xùn)練成功，而不是訓(xùn)完之后，發(fā)現(xiàn)結(jié)果不好，我們?cè)偃ビ?xùn)練。這也都會(huì)涉及到我們整個(gè)的投入成本。

第三，在模型架構(gòu)層面，如何既有效又速度快？推理層面如何更好地去調(diào)動(dòng)資源，因?yàn)槲覀兪侨虻挠脩?，如何“削峰填谷”？用有限資源去保障推理能力。這是一個(gè)復(fù)合型的工作，它既分非技術(shù)層面，又分技術(shù)層面。技術(shù)層面的話涉及到數(shù)據(jù)、模型和工程，我們每一點(diǎn)都要做到極致，你才有機(jī)會(huì)走到現(xiàn)在。

《中國企業(yè)家》：目前，大模型公司都在改進(jìn)自己的注意力機(jī)制。我注意到，你們?cè)赩5版本曾提到過“自適應(yīng)Attention結(jié)構(gòu)”，F(xiàn)ull Attention（全注意力）和Sparse Attention（稀疏注意力），你們?yōu)槭裁催x擇將它們結(jié)合起來使用？

王長(zhǎng)虎：選擇兩種結(jié)合，第一，讓效果不受到任何影響。第二，我們要以極高的效率完成建模，所以用不同的三線結(jié)構(gòu)組合方式做這件事情。模型不僅要處理視覺信息，還需融合三維空間之外的音頻維度，因此需要全新的結(jié)構(gòu)進(jìn)化。

《中國企業(yè)家》：聲音加入其中，是不是技術(shù)難度會(huì)更高一些。

王長(zhǎng)虎：一定是更難的，因?yàn)槟Ｐ透兄氖澜缍嗔艘粋€(gè)維度。我們整體的數(shù)據(jù)量希望能做到可控，雖然數(shù)據(jù)量一定會(huì)變大，但也一定要保證它是可控的。如何在有限樣本的前提下，盡可能提煉出本質(zhì)規(guī)律，強(qiáng)化對(duì)世界、音畫同時(shí)同步的理解，需要模型扮演更重要的角色。

不要回避與大公司競(jìng)爭(zhēng)

《中國企業(yè)家》：用戶在“拍我AI”上生成了視頻，下一步一定會(huì)去做分享或者分發(fā)。在自建生態(tài)上，你們是如何考慮的？

王長(zhǎng)虎：第一，我們鼓勵(lì)用戶在各個(gè)平臺(tái)去發(fā)布用我們的產(chǎn)品創(chuàng)作的視頻；第二，我們也鼓勵(lì)用戶在我們平臺(tái)上發(fā)布有價(jià)值的視頻，建立個(gè)人品牌。用戶也能參考他人發(fā)布的內(nèi)容，做一鍵二創(chuàng)，增強(qiáng)歸屬感。

《中國企業(yè)家》：做用戶運(yùn)營(yíng)，是不是比做模型和技術(shù)更難？

王長(zhǎng)虎：在我們看來，模型和產(chǎn)品居于一個(gè)維度，用戶會(huì)通過非常多的方式來告訴我們，技術(shù)產(chǎn)品應(yīng)該往哪個(gè)方向發(fā)展，它是一個(gè)協(xié)同的過程。我們會(huì)根據(jù)對(duì)用戶和技術(shù)發(fā)展的判斷，去超前進(jìn)化產(chǎn)品，這是必須做的事情。

在未來，視頻生成的壁壘是復(fù)合型的，就是數(shù)據(jù)、產(chǎn)品、用戶之間的協(xié)同。

《中國企業(yè)家》：大廠紛紛上線視頻產(chǎn)品，你們?nèi)绾慰创?jìng)爭(zhēng)壓力？有從字節(jié)離職創(chuàng)業(yè)的人告訴我們，創(chuàng)業(yè)要盡可能選在大公司的射程之外，但你們選的賽道一直是在大廠的核心地帶。

王長(zhǎng)虎：從創(chuàng)業(yè)第一天開始，我們就有這樣的壓力，我們一直在參與競(jìng)爭(zhēng)。AI的新時(shí)代，也一定會(huì)有最優(yōu)秀創(chuàng)業(yè)公司的機(jī)會(huì)。

是否該在射程內(nèi)，不能簡(jiǎn)單歸因。我們創(chuàng)業(yè)的時(shí)候，大家都沒有看到這個(gè)方向，當(dāng)時(shí)AI生成視頻是個(gè)非共識(shí)的事情，但我們很快做起來了。現(xiàn)在， 我們的用戶量和產(chǎn)品規(guī)模，包括模型能力，都是可以跟大廠掰手腕的。我們的效率也是極高的，這是我們的優(yōu)勢(shì)。

所以（創(chuàng)業(yè)者）要不要做，是不是大廠只要做了同一個(gè)東西，你就一定要拐彎，馬上把產(chǎn)品拋棄，做其他事情，要畫個(gè)問號(hào)。

我們一直在做自己believe的事情，未來空間非常廣闊。我們想做的事情可能會(huì)在某個(gè)階段，和大廠的一些認(rèn)知重疊，但更多的階段應(yīng)該是不同的。

《中國企業(yè)家》：你們目前做的還是to C，抖音快手其實(shí)做到了幾千萬甚至上億的DAU，才徹底拉開了跟其他產(chǎn)品的差距。視頻生成領(lǐng)域是不是用戶量也要達(dá)到這個(gè)規(guī)模，才能拉開優(yōu)勢(shì)？

王長(zhǎng)虎：我們不能簡(jiǎn)單做這樣的結(jié)論。如果to C產(chǎn)品幾億規(guī)模才有優(yōu)勢(shì)，意味著大多數(shù)產(chǎn)品都會(huì)被打倒，實(shí)際上很多公司生存得非常好。

這是一個(gè)新的時(shí)代，我們不能簡(jiǎn)單分類to C和to B，專業(yè)創(chuàng)作者和普通用戶的界限越來越模糊。上一個(gè)時(shí)代的經(jīng)驗(yàn)是否適用于這個(gè)時(shí)代，一定是畫個(gè)問號(hào)的。我們希望打破這種固有的認(rèn)知。

我認(rèn)為我們有能力在相應(yīng)的用戶規(guī)模上把產(chǎn)品做得更好，1億用戶不是天花板，但我們也不認(rèn)為，只有做到幾十億用戶，我們才能生存。AI信息時(shí)代到來，產(chǎn)品側(cè)一定是百花齊放的。

如果每個(gè)時(shí)代只有一兩個(gè)產(chǎn)品，只有幾十億用戶的產(chǎn)品才有生存空間，那這個(gè)時(shí)代太枯燥了。

《中國企業(yè)家》：在AI時(shí)代，人和內(nèi)容的關(guān)系是怎么樣的？

王長(zhǎng)虎：我們極致去推進(jìn)模型能力的進(jìn)化，讓用戶可以輕而易舉地完成自己的夢(mèng)想。我們希望模型能承載更多的東西，讓更廣泛的用戶群體做出過去只有非常專業(yè)的創(chuàng)作者才能做出的內(nèi)容。這是一個(gè)更大的群體，更值得我們?nèi)ヅΑ?/p>

《中國企業(yè)家》：你認(rèn)為AI時(shí)代的抖音，又會(huì)是什么樣子？

王長(zhǎng)虎：未來的抖音，一定不是把抖音的內(nèi)容替換成AI，這樣多枯燥。我覺得，每個(gè)時(shí)代都會(huì)有新的人和內(nèi)容交互方式，會(huì)出現(xiàn)新的硬件。

我們相信新的時(shí)代一定有新的國民產(chǎn)品，我們是往這個(gè)方向去努力的。但同時(shí)，新的產(chǎn)品需要通過模型、產(chǎn)品、用戶飛輪轉(zhuǎn)起來，在這個(gè)過程中，要不斷試錯(cuò)，去找到答案。

本文來自微信公眾號(hào)“中國企業(yè)家雜志”（ID：iceo-com-cn），作者：閆俊文，