36氪出海·AI｜对话HiDream.ai梅涛：大厂是一挺机枪，创业公司只有一个弹夹

2026年，AI 行业重新走向一个熟悉的周期。

MiniMax 和智谱相继上市后，投资人开始再次追逐模型能力。过去两年逐渐摇向商业化、收入的天平，开始回摆。「模型就是生产力，模型就是产品」——梅涛发现，行业正在回到2023年。

本月初，智象未来（HiDream.ai）全新商用版图像生成模型 HiDream-O1-Image-1.5登上 AI 权威独立评测平台 Artificial Analysis 文生图榜单全球前三。智象成为评分仅次于 OpenAI 的全球第二、中国第一图像大模型公司。就在5月份，其开源模型 HiDream-O1-Image 刚登顶该榜单开源模型全球第一。

6月9日，HiDream-O1-Image-1.5位列

Artificial Analysis 榜单 TOP3

资本侧，公司今年4月宣布完成超 5 亿元融资，并在半月内再度完成由深创投、金浦投资、财鑫资本、复聚资本等参与的新一轮融资。

与此同时，随着视频生成、多模态和具身智能不断升温，「世界模型」也被推到多模态大模型赛道叙事的中心。但和很多同行不同，梅涛对世界模型这个概念始终保持克制。他更愿意把它视为一个在不断逼近中的方向。

“我们不认为行业今天已经完全实现了世界模型。”他说。

 02 

拒绝资源内耗，打造全模态应用平台

如果看智象未来过去三年的轨迹，这种克制并不让人意外。

微软亚洲研究院12年，包括曾发布全球首个视频生成模型 TGANs-C 的经历，让梅涛相信模型创新仍有巨大机会。而在京东负责 AI 业务和产业落地5年，又让他意识到另一件事：技术领先不等于商业成功，模型能力不会自动转化成市场优势。

这让智象未来从创业第一天起，就没有把自己定位为一家单纯的模型公司。

在梅涛看来，模型能力本身不会自动形成壁垒。创业公司需要持续投入研发，同时也必须尽快进入真实行业，在场景中获得数据、验证能力、建立商业闭环。智象未来的定位既做模型又做应用，模型和应用双轮驱动。

这也决定了智象未来从一开始就不是一家只做底座模型的公司。梅涛将智象未来的商业模式概括为“1+1+3”：底层是自研的多模态大模型，中间是 Token Hub 平台，负责将模型能力形成标准化、可调用的能力输出；上层则对应三个明确场景——面向 AI 影视的帧赞，面向商业营销的 HiBurst，以及面向内容创作者的 vivago。

这些选择看起来跨度很大，但背后遵循同一套逻辑。

"大厂是一挺机枪，子弹打不完的。创业公司打一发就少一发，你只有一个弹夹。"

在梅涛看来，创业公司最危险的事情，不是某一次模型评测落后，而是被拖入大厂主导的战争。算力、资金和人才储备决定了双方不在同一个量级。创业公司的资源极其有限，每一个选择都意味着放弃另外九个，每一次投入都必须指向未来更大的可能性。

因此，与其把智象未来定义为一家视频模型公司、Agent 公司，或单纯的 ToB 公司，不如说它是以原生全模态模型底座为核心，不断拓展应用场景的平台型公司。模型、场景、商业化、具身智能，在梅涛眼里从来不是几条独立业务线，而是一套相互咬合的齿轮。它们共同服务于同一个目标：让有限资源不断积累，而不是不断消耗。

对话梅涛

创业公司只有一个弹夹

必须打向未来

AI 闹：智象这些年做了很多看起来不那么标准的选择。包括现在，你们也并不把自己放在主流的世界模型叙事里。你是怎么判断一家公司该做什么、不该做什么的？

梅涛：我一直觉得创业公司最重要的能力不是做加法，而是做减法。

今天 AI 行业的机会很多，几乎每个月都会出现新的热点方向。但创业公司的资源是有限的，你不可能什么都做。大厂是一挺机枪，子弹打不完；创业公司打一发就少一发，我们只有一个弹夹。

所以我们的判断标准其实很简单：这件事能不能形成持续积累。

如果只是追热点、做一次性机会，即使短期有效，也很难形成长期优势。我们更关注的是这个方向能不能同时带来客户、数据和能力的积累。

我一直相信一句话：先扎根，再生长。先在一个领域建立自己的位置，然后再扩展边界。否则很容易陷入大厂定义的竞争节奏里。

如果最后比拼的是算力投入、资金规模和组织能力，那其实胜负在一开始就已经被拉开。Sora，Seedance 等头部视频生成模型背后都是长期、超大规模的算力、数据和工程投入。

创业公司不可能无限制地跟大厂拼消耗。我们的子弹非常有限，所以必须选择更高效的路径。

智象未来（HiDream.ai）创始人梅涛

必须在共识形成前先跑半步

比如多模态模型和大语言模型不一样。大语言模型今天基本已经收敛到 Transformer 体系了，大家更多是在拼数据和算力。但多模态领域还远远没有到那个阶段，模型架构、训练方式、数据组织都还有很多可能性。

这种时候，创业公司是有机会的。

因为你不一定有更多资源，但你可以比大公司更快。

我们去年年底开始做 UiT（原生全模态模型架构），本质上也是这个逻辑。既然资源拼不过，就争取在技术路线还没有形成共识的时候先往前走一步。等到所有人都看见这个方向的时候，时间窗口可能已经过去了。

所以我一直觉得，创业公司真正应该争取的不是和大厂同一个位置，而是比大厂更早半步。在底层架构上先做出创新、先把新的技术路线跑通。

但 UiT 不太一样，传统多模态更多是把文本、图像、视频分别训练，再通过对齐模块把它们连接起来；UiT 则是从架构设计之初，就把不同模态放进同一个系统里学习。我们内部有个说法，叫「青梅竹马」——这些模态不是长大之后才互相认识，而是一开始就在同一个模型里共同成长。这意味着模型学习的不只是某一种生成能力，而是不同模态之间更底层的结构关系。只有在这个基础上，才有可能真正走向 Any to Any：任意输入支持任意输出，并进一步具备世界模型所需要的能力——理解、生成并预测现实世界的不同状态。

过去很多模型创新，本质上还是在已有范式里做优化，比如参数更多一点、训练效率更高一点、推理成本更低一点。但 UiT 吸引我们的地方在于，它试图回答一个更底层的问题：模型到底应该怎样理解世界。

今天的大模型已经能生成非常好的图像和视频，但很多时候它更像是在做统计拟合。它知道哪些东西经常同时出现，却未必真正理解这些东西之间的关系。

如果未来真的存在世界模型，它一定不只是生成世界，而是能够理解世界、生成世界、并预测世界。

我不认为今天行业已经走到了那一步，但我觉得 UiT 代表了一条我们认为可能通往世界模型的路径——用原生全模态架构把视觉生成和世界表征放到同一个体系里考虑。

对于创业公司来说，这就属于我刚才说的那种机会。它还没有形成行业共识，也没有被证明一定正确，但一旦成立，可能会打开一个新的空间。

今天很多模型确实已经能做很强的生成，比如视频更长、更稳定、多模态之间的对齐更自然。但这更多还是在「生成内容」这件事情上变强，而不是在「理解世界」这件事情上发生质变。

如果用一个更直观的说法，现在的模型更像是在学习「世界长什么样」，而不是「世界为什么会这样」。这两者之间差别其实很大。

前者可以通过大量数据拟合出来，本质还是对世界表象的统计拟合；后者需要模型建立起对现实世界中的物理规律、空间关系、因果链条和动态变化有稳定的内部表达，并且能够在新的条件下做出合理推演和预测。真正的世界模型，不能只是「生成一个看起来合理的世界」，而要理解这个世界如何运行、为什么这样运行，并能在新的约束下重构它。

所以我认为现在离真正意义上的世界模型还有距离。不是说完全没有进展，而是还没有跨过那个关键的门槛。

今天行业更像是在往那个方向逼近，但还没有进入一个可以被称为收敛阶段的状态。

很多公司一进入行业，就会被客户需求带着跑。客户要什么就做什么，最后做成大量定制化项目。短期收入可能不错，但能力是沉淀不下来的。我们从创业第一天开始就有一个原则：不做这种事。

所以我们不做重定制，也不做重集成。我们更希望成为被别人集成的角色，而不是去做集成的人。

很多人会问为什么做跨境电商，不做游戏，不做别的行业。其实核心原因很简单：这个行业能够持续产生反馈。

比如内容电商客户每天都在生产内容，每天都在投放，每天都能看到转化结果。这意味着模型每天都在获得新的数据和新的验证。

我们现在服务四万多家客户，但智象的团队只有200多人。如果是传统企业服务模式，这几乎是不可能做到的。但因为我们服务的是大量标准化需求，而不是大量定制化需求，所以整个系统是可以规模化运转的。

平台公司有一个很重要的标准：如果你把一批运营人员抽出来去做别的事情，公司业绩不会立刻掉下来，那说明这个系统开始具备平台属性了。如果业务增长必须依赖越来越多的人，那本质上还是交付逻辑。

所以我们选择一个场景，最重要的不是这个行业今天有多大，而是它能不能持续给我们带来客户、数据和模型能力的增长。

模型能力带来客户，客户带来数据，数据反过来提升模型，这应该是一个不断增强的循环。

如果这个循环成立，公司就会越来越强；如果这个循环不成立，那无论模型多先进、收入多漂亮，本质上都只是在消耗资源。

所以我从来不把模型、商业化和场景看成三条业务线。在我看来，它们更像是一套相互咬合的齿轮。模型决定你能进入什么场景，场景决定你能获得什么数据，数据又决定模型能走多远。

创业公司最重要的事情不是扩张，而是积累。因为大厂靠规模获胜，创业公司只能靠复利获胜。

所以具身智能其实是在逼着模型进一步理解现实世界。模型不仅知道世界「长什么样」，还要知道它「如何变化」，以及一个动作之后可能带来什么结果。我们现在做合成数据，也是因为真实机器人数据太贵、太少、采集周期太长，覆盖场景有限。很多能力没办法靠真实世界慢慢积累。但如果能够通过高质量仿真生成数据，为机器人训练补充更多场景、动作和反馈样本，就有机会加速这个过程。

从这个角度看，多模态理解和具身智能，我认为其实是在解决同一个问题：将多模态生成能力从“生成内容”延伸到“构建世界”——让模型在理解物理规律、预测状态变化的基础上，进一步实现对现实世界的模拟与塑造。

我更希望的是，当行业回顾这一轮 AI 发展的时候，会发现我们在一些还没有共识的方向上做了认真、扎实的探索。