一家尚未公开名称、也没有正式产品的创业公司，已经拿到了近3000万美元融资，投后估值2亿美元。投资方包括五源资本和IDG，团队规模约10人，计划在2027年前后发布完整模型。这个价格放在当下的世界模型赛道并不算离谱，但放在创始人田柯宇身上，故事就多了一层反差。
两年前，田柯宇还是字节跳动的一名实习生。字节称他因严重违规被辞退；几乎同一时间，他参与的论文拿下了NeurIPS 2024最佳论文。如今，他带着同一份技术履历进入世界模型创业。
这笔钱买的是什么
五源资本今年组织的一次讨论，把世界模型归纳为在动作条件下预测世界状态变化。这个定义尚未成为行业共识，但它点出了资本为何开始关注这个方向：AI下一步要处理的，不只是文字和图片，还包括空间、时间和动作。
田柯宇的公司选择此时进入，吃的是一个明显的时间窗口。世界模型还没有稳定的产品形态，行业也没有统一的评测标准。对投资人来说，这意味着风险很大，但也意味着技术路线、创始人和论文成绩仍然可以先拿来定价。
田柯宇最有价值的资产，是一篇论文。2024年，他作为第一作者发表《Visual Autoregressive Modeling》，提出让模型按照图像的不同尺度逐层生成，而不是像传统模型一样逐个像素或逐个视觉Token处理。论文称，这种方法能提高图像生成的速度和效率。这篇论文后来获得NeurIPS最佳论文奖。面对相关争议，NeurIPS回应称论文采用盲审，评奖依据是科学质量。
此次创业方向基本延续了这条思路。据报道，田柯宇的团队正在为AI建立一套新的视觉符号系统，包含约20万个符号，用来处理视频信息。他们计划向系统输入1亿小时的视频，并希望把视频生成成本降低至少一个数量级。
这与五源资本今年5月组织的一场世界模型社群讨论一脉相承。在一篇题为《2026年了，我们还在用爱迪生试灯丝的方式评估World Model》的文章中，其强调世界模型本质上是一场效率竞争：谁的压缩比更高，谁就能占据优势位置。对技术效率的共同追求，可能是五源资本押注人的关键。毕竟目前，田柯宇的公司没有公开模型，没有产品，也没有明确的商业模式。他的计划是先把技术做出来，再在2027年左右发布完整模型。
天才少年的以火攻火
2024年10月，关于字节跳动实习生攻击模型训练的消息在社交媒体上成为AI圈的离经叛道传奇。当时最夸张的版本是：事件涉及8000多张GPU，给字节造成上千万美元损失。
字节跳动随后回应，称确有实习生因严重违纪被辞退，但受影响的只是商业化技术团队的某个研究项目，不涉及字节的大模型，也没有影响线上业务；8000多张卡和上千万美元损失的说法严重夸大。第一财经后来报道称，字节内部通报认为，这名实习生在2024年6月至7月因不满资源分配，通过编写、篡改代码等方式干扰研究项目的模型训练任务。字节因此与他解除实习协议，并向法院提出800万元损失、2万元合理支出及公开道歉等诉求。之后字节否认了网上流传的损失金额和GPU数量。
最新报道中披露，田柯宇也给出了自己的说法。他承认自己关闭过另一名实习生的程序，目的是释放计算资源给其他研究人员。他把这件事形容为用火攻火，并表示如果重新来一次，会采取更谨慎的做法。报道还称，最终的结果是赔偿50万元，并没收全部工资。
东方贝尔资本合伙人Vita Gu表示，国家政策对具身智能给予了强力支持，市场上的资金也同样积极。该机构参与了田柯宇公司的投资。她还表示，在众多创业者中，田柯宇给她留下了特别深的印象，因为他能够把一个复杂的想法讲得很简单。
全球世界模型竞赛加速
田柯宇开始创业之际，全球范围内的世界模型竞争正在加速。9月，AMD宣布以约82亿美元的全股票交易收购李飞飞创办的World Labs。World Labs此前已完成10亿美元融资，做的是能够生成、重建和模拟三维空间的模型。Google DeepMind的Genie 3可以根据文字生成能够实时探索的虚拟环境，运行速度达到每秒24帧，并在几分钟内维持场景的一致性。中国公司也开始把视频生成往实时交互上推，PixVerse今年发布R1、R2，主打连续生成和可交互的视觉世界。
这些产品看起来仍然像视频工具，但行业想要的东西已经不只是画面更逼真。视频模型负责生成下一帧画面；更严格意义上的世界模型，还要理解动作和结果之间的关系：机器人向左移动之后会发生什么，摄像机换一个角度后原来的物体是否仍然存在，某个物体受到外力后会如何运动。田柯宇的公司能否在2027年前后交出完整模型，将检验这笔2亿美元估值买下的究竟是论文光环，还是可落地的技术效率。