APPSO 获悉，爱诗科技近日完成 3 亿美元 C 轮融资，创下国内 AI 视频生成赛道单笔融资的最高纪录。

领投方鼎晖香港基金联合鼎晖 VGC、鼎晖百孚重金押注；产业资本中国儒意、三七互娱紧随入场；国内政府引导基金、险资、家族办公室，还有 UOB Venture Management、Lion X 基金。参投名单横跨两个半球，不同领域的资本默契涌向了同一个方向。

3 亿美元融资放在当下 AI 行业似乎没有什么好惊讶的，这还不到 OpenAI 融资的零头。但你得把这个数字放进 AI 视频赛道的坐标系里看：成立于 2018 年的 Runway，花了七年才在上个月完成 3.15 亿美元的 E 轮融资。而爱诗科技从种子轮走到同等量级的 C 轮，只用了不到三年。

A 轮，达晨财智领投，蚂蚁集团跟进；B 轮，阿里巴巴领投逾 6000 万美元，彼时已是国内视频生成赛道最大的一笔钱；C 轮，3 亿美元，纪录再次被自己改写。

每一轮都有新的顶级机构首次入场，每一轮金额都在翻倍。节奏越来越快，筹码越押越重。

实际上，这笔融资反映出的信号大于数字本身：AI 视频不再是大模型叙事的配角，资本已经把它当作一条独立的、值得重仓的赛道来押注。

爱诗科技创始人王长虎曾在 2024 年表示，视频生成一定是被低估的。爱诗科技用不到三年时间，将这个非共识变成了资本共识。

非共识的起点：2023 年，为什么是视频

「我不会创业，但没关系，创业就是边做边学。」2023 年 4 月，爱诗科技创始人王长虎决定创业时，就是带着这句话出门的。

2023 年 4 月，爱诗科技创始人王长虎带着一个在当时看起来相当「偏科」的判断出来：当所有人都在追大语言模型，他要押注视频生成。

要知道一年之后 OpenAI 的 Sora 才正式亮相，可以想象当时王长虎这个选择有多么反常识。

在微软亚洲研究院待了 8 年、在字节跳动做了 4 年 AI Lab 总监之后，王长虎比大多数人更清楚视频 AI 的技术节奏。「2023 年初很多人都不认同做视频这件事，大家都在看大语言模型，」他后来回忆，「但这就有了非共识：我们觉得视频生成是大事，而我们过去在视频和 AI 方面有经验，能赢在全球。」

这个判断在当时要承受不小的压力。相比语言模型，视频生成的算力消耗更大，生成质量更难控制，产品化路径也更模糊。早期的投资人需要相信的，不是现在能看到什么，而是三年后那张尚未成型的蓝图。

2024 年 3 月，达晨财智率先领投 A1 轮，完成了第一次押注。随后一个月，蚂蚁集团以逾 1 亿元人民币跟投，是彼时国内 AI 视频领域单笔最大机构投资。至此，爱诗科技基本完成了从「技术方向」到「资本方向」的验证。

王长虎在创业之初就明确了愿景：「帮助每个人成为生活的导演」。海外产品 PixVerse 和国内产品拍我 AI，都是在这个方向上的落地——前者于 2024 年 1 月上线，后者于 2025 年 6 月推出，两款产品针对不同市场独立运营。

DiT 架构：那个没人看好的选择

要理解这笔 3 亿美元的 C 轮，需要先看懂爱诗科技的技术路线。

把爱诗科技的技术路线从头捋一遍，会发现 DiT（Diffusion Transformer）架构这个选择，是整个故事的原点，也是很多结果的前提。

2023 年，国内主流视频生成方案普遍采用 U-Net 架构。这也没问题，U-Net 经过了图像生成领域多年实践的充分验证，稳定、成熟，调参经验相对成熟，可以较快地跑出效果。对大多数想先做出来再说的团队，这是理所当然的选择。

可以爱诗科技选了 DiT，成为国内首家将这一架构用于视频生成的创业公司。

DiT 是 Diffusion（扩散模型）与 Transformer 的组合架构。Transformer 的核心优势在于注意力机制（Attention Mechanism）——它让模型在处理数据时，能够同时「感知」序列中任意位置的信息，而不是像卷积网络那样只能处理局部区域。

对于视频生成这个任务来说，这种能力的价值是决定性的：视频的本质是时间轴上的连续帧，每一帧的内容与上下帧存在复杂的时空依赖关系。人物的动作要连贯，物体的运动轨迹要符合物理规律，光影变化要在跨帧时保持一致——这些要求，需要模型能够捕捉「跨帧的长程时空关联」，而这正是 Transformer 天然擅长的事。

但这个选择在 2023 年要付出不小代价：DiT 在训练初期对算力和数据量的要求更高，起步阶段几乎必然要经历「效果不如成熟 U-Net」的阵痛期。对一家刚起步的创业公司，这是不小的风险，钱可能在效果变好之前就烧完了。

事实证明，这个判断是对的。2024 年 Sora 发布时，OpenAI 公开的技术路线正是 DiT。在视频生成这个方向上，DiT 架构确实是更接近正确答案的那条路。

当 Sora 发布时，爱诗已经在 DiT 架构上积累了一年多的训练经验、数据处理流程、工程优化方案。这种时间差，在技术迭代速度极快的 AI 领域，十分关键。

模型产品两手抓，被低估的核心逻辑

在 AI 视频领域，大多数公司的做法是先把模型训练好，再去想产品怎么做。这是一条看起来稳妥的路，模型成熟了，产品化的风险就小得多。

但这种路线有个致命问题：等模型「训练好」的时候，你已经错过了最关键的反馈窗口。用户真正需要什么样的生成效果？哪些场景的需求最强烈？模型应该在哪些维度上优先优化？这些问题，只有产品跑起来、用户用起来，才能得到真实答案。

爱诗从一开始就把模型训练和产品迭代放在同一个循环里。

PixVerse 网页版 2024 年 1 月上线时，模型还远未到「完美」状态，但产品已经可以让用户生成视频、给出反馈。每一个版本的模型升级，都直接来自上一个版本用户的真实使用数据，哪些 Prompt 成功率低、哪些特效最受欢迎、哪些场景容易出错，这些信号实时回流到训练流程，指导下一轮模型优化的方向。

更重要的是，这种模型-产品的协同进化，会随着时间推移形成复利效应：用户越多，反馈越密集，模型优化越精准，产品体验越好，又吸引更多用户——这是一个正向飞轮，而不是单向的技术推进。

「这就是创业公司的优势所在，没那么复杂，所以效率高，」爱诗联合创始人谢旭璋说。这句话听起来轻描淡写，但背后是对技术路线、产品节奏、组织能力的高度整合。大厂可以投入更多算力、更大团队，但很难做到这种模型与产品的深度结合，流程太长，部门太多，反馈链条一旦拉长，速度优势就会被稀释。

这种效率优势最终体现在成本结构上。谢旭璋在接受晚点采访时透露，爱诗「平均每月用的训练资源不到千卡，成本大概只有同行的 10%」。

这是一种结构性的成本优势，而不是靠压缩预算换来的短期节省。用谢旭璋的话说，是模型架构、算法、工程、产品能力的综合优势。

当模型优化方向始终贴着真实需求在走，就能减少在错误的方向上浪费算力；产品反馈能实时指导训练策略，每一次迭代的投入产出比都会更高。

从 2024 年 1 月 PixVerse 网页版正式上线，到 2026 年初 V5.6 发布，爱诗科技连续更新 8 个主要版本，平均每两个月就有一次大的模型升级。

这种迭代密度的背后，正是模型与产品一起训练的方法论在起作用：

• V2（2024 年 7 月）：多段视频生成与局部重绘笔刷上线，用户从单纯「生成一段」开始走向「编辑与创作」；
• V3（2024 年 10 月）：特效模式上线，「抽卡概率」从随机提升至接近确定性，这是 PixVerse 从创作工具迈向大众产品的真正节点；
• V3.5（2024 年 12 月）：生成时间压缩至 10 秒内，极大降低用户等待成本；
• V4（2025 年初）：「准实时生成」能力出现，5-7 秒生成 5 秒视频；
• V4.5（2025 年 5 月）：参数量与训练数据集指数级扩张，全球用户达 6000 万；
• 拍我AI （2025 年 6 月）：PixVerse 国内版「拍我AI」发布，同步上线网页端及移动端应用；
• V5（2025 年 8 月）：Agent 创作助手上线，用户不再需要学习 Prompt 语法，口语化意图自动转化为模型指令，API 生态同步开放；
• V5.5（2025 年 12 月）：「分镜 + 音频」一键生成，国内首次实现画面与声音的同步协同，完整叙事能力成型；
• V5.6 （2026 年 1 月 26 日 ）：模态大模型，支持分镜和音画同步生成。

在权威 AI 评估机构 Artificial Analysis 最新发布的视频生成模型排行榜中， PixVerse V5.6 位列全球第 2 位，持续领跑全球视频生成模型第一梯队。

这种迭代密度在 AI 视频行业里相当罕见，爱诗跟很多同类产品的策略不同：持续往前推，每一版解决真实用户在当下遇到的真实问题，同时在架构层面为下一次跃升保留余量。

背后的可行性，恰恰是 DiT 架构的可扩展性所赋予的，每次模型升级，不需要推倒底层重来，而是在既有基础上加宽加深。

3 亿美元，押注不只是 AI 视频

但鼎晖最终决定领投这次 C 轮，押注的不只是 V5 的榜单排名，可能还有 2026 年 1 月刚刚发布的 PixVerse R1。

R1 可以说是爱诗科技迄今最激进的一次产品技术迭代。

过去的视频生成，无论做得多精致，本质上都是「把指令翻译成一段视频文件」，是一次性的、离线的渲染过程。用户输入指令，等待生成，拿走一段固定的视频文件。这像是在冲洗胶卷，你拍完就拍完了，要等冲洗出来才能看，看完也无法再改。

R1 不是这个逻辑，它不再只是「生成一段视频」，是一个能实时响应用户交互指令的「世界模型」：用户可以在视频播放中输入指令，改变光影、替换背景、控制角色走向，系统响应延迟约 2 秒，输出为 1080P 超高清实时视频流。

背后依赖的是爱诗自研的「瞬时响应引擎（IRE）」，它将计算步骤从数十步压缩至 1-4 步，实现从「离线渲染」到「实时交互」的重要升级。

谢旭璋判断，未来视频和游戏的边界一定会越来越模糊。一旦视频变得能交互了，全新的内容、用户和创作机会就会涌现。

谢旭璋在采访中透露，R1 发布后，游戏行业的 B 端客户来得最多，「以后的游戏开发不用再像过去那样熬漫长的大周期了，无论是玩法、画面还是剧情，AI 都能让它变得更轻量、更具想象力。更重要的是，它能帮那些不懂代码但有创意的人，把点子变成真正的游戏。」

R1 的潜在价值，已经超出了「更好的视频生成工具」这个范畴。如果说 PixVerse V5 是在争视频生成工具的头部位置，R1 是在定义是一个完全不同的品类——实时交互式内容体验的操作系统。它的竞争对手，不再是 Runway 或可灵，是 Unity、Unreal Engine，甚至是尚未出现的内容消费形态。

回看爱诗科技这笔 C 轮的投资人结构，其实本身就是一个信号。

鼎晖三支基金联合领投，背后是对这家公司进入规模化阶段的系统性判断。产业资本中国儒意（影视内容）和三七互娱（游戏）的入场，指向了 R1 要重构两个行业：互动影视制作和 AI 原生游戏开发。

进入 2026 年，整个 AI 视频赛道也在加速进入下半场。前有 Seedance 2.0 风靡全球，现在爱诗科技成为新的独角兽。

目前，PixVerse 全球注册用户突破 1 亿，MAU 超过 1600 万；国内版拍我 AI 与 PixVerse 形成双轨并行格局；爱诗科技也是 2025 年联合国「人工智能向善全球峰会」上唯一入选的中国 AI 视频应用，并于同年正式加入联合国大学全球人工智能网络。

这笔 3 亿美元融资，可以理解为资本对一个即将到来的时代的投票。AI 视频的下一个战场，不在参数量，不在榜单排名，关键在于谁先把视频从一个「消费品」变成一个「交互界面」。

不过，知道技术路线在哪里会拐弯，和相信这条路最终走得通，是两件事。

在 AI 这个行业，「选对了方向」本身并不稀缺。稀缺的是，在方向被主流认可之前那段空白期里，有没有足够具体、足够扎实的东西，支撑你不摇摆。

三年里爱诗科技在这条路线没有在中途断裂，很难说是提前预见了终点的全知视角，而是每走一步，下一步的方向都从上一步的技术现实中自然长出来。

视频正在从被观看的内容，变成被触碰的世界。因此，这三亿美元所押注，远不止 AI 视频的未来，而是那个「」万物皆可交互」的时代。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

一觉醒来，又有机器人加入到春节这波「混战」了。

这并不意外，毕竟大厂、车企都在跨界造机器人。但让人没想到的是，昨天还在为造车焦头烂额的贾跃亭，今天一口气发了三款机器人。

今天上午，在美国汽车经销商协会的 NADA Show 的展会上，贾跃亭发布了 FF 三款 EAI（Embodied AI）具身智能机器人，全尺寸人形机器人 FF Futurist、运动型人形机器人 FF Master、以及四足机器人 FX Aegis。

结合在今年年初 CES 上，贾跃亭带着他的 MPV 新车 FX Super one，这款在亮相之际，就被爆料说抄袭长城魏牌高山。网友们对他发布的机器人，不用拿着放大镜看，都闻到了熟悉的味道，直接神吐槽「车我们都知道，这机器人是从哪家进的货啊？」

我们也随便丢张图问个 AI，豆包都说这是稚晖君的智元机器人。你别说，还真的有点像，尤其是这两个眼睛，还有身体关节，就像是直接复制过来。

具体看看，这款机器人是其中的 Master 系列，跟他的 Title 一样，运动型人形机器人，主要应用的场景，贾跃亭把它定位在「全能的表演者和比赛大师、首席互动官、私人健身教练，以及家庭互动伙伴」这几个方面。

身高、算力各个方面和智元机器人对比，两款机器人确实差不多。Master 系列是 131cm 高，39kg 重，30 个主动自由度关节；使用的芯片是性能稍弱一点的 Nvidia Jetson Orin NX 计算平台，AI 性能是 157 TOPS（每秒万亿次操作）；续航方面，连续步行时间大约两个小时。

智元灵犀 X2 身高 131cm，重量 39kg，续航时间也是 2h，主动自由度是 30 DoF，高算力板也是来自英伟达的 Orin NX 157 TOPS。最大行走速度方面，智元灵犀 X2 的实验室数据，也来到了和主打运动的 Master 一样，最快都能达到 2 m/s。

贾跃亭还真有可能就是照这个参数来做的。

其他方面，Master 系列主打运动型，支持丰富的网络连接，Wi-Fi/蓝牙/4G/5G，以及移动应用，或者虚拟现实远程操作等。感知系统上，也有好几个 RGB 摄像头，交互式 RGB 摄像头，RGB-D 摄像头、激光雷达等；这些都是普通人形机器人的标配。

虽然官网写着，也有自主决策的能力，但贾跃亭的机器人本质上，还是一个需要遥控操作的机器人。

这一点，可能也是目前大多数机器人厂商面临的最大问题，就是需要远程操控，甚至是要 VR 操控。和我们之前分享过的一款能做家务的机器人 1X Neo 一样，没想到背后还得靠一个真人，戴着 VR 眼镜，来实时操控机器人的行动。

贾跃亭表示，能力有限，我先发布了再说。

另一款机器人叫 Futurist，未来家系列，它是这次发布机器人里面最贵的一个，身高 169cm，体重 69kg，是一款全尺寸真人比例的人形机器人，并且还支持自定义皮肤；脸也能自定义，因为 Futurist 的面部还是一块显示屏，能用作交互式面部显示。

这块显示屏，倒是又让我想到了小米的 Cyber One，全尺寸人形仿生机器人。

灵活度方面，Futurist 拥有 40 个自由度关节，其中包括脖子两个，单臂 7 个，单腿 6 个。对比宇树的第四款人形机器人 H2，180cm 身高，70kg 重量，31 个自由度关节，除了身高不行，好像又有的一拼。

和宇树宣传片视频里，跳芭蕾舞、打中国功夫；贾跃亭在展会现场，也让他的这几个机器人表演了一波。

在这段 20 秒的展示视频，贾跃亭展示了其人形机器人与四足机器人，能进行简单的动作示范和交互展示；人形机器人能够行走、挥手等，四足机器人则展示了行进和转弯等基本运动；但也只是能证明机器人具备这些基础的运动能力，更多的就看不到了。

根据官网的介绍，机器人的内核也有点料，NVIDIA Jetson Orin 的计算平台，200 TOPS 的算力，以及支持升级扩展的 AI 大脑。全身有一个 3D 激光雷达摄像头，两个 RGB-D，一个鱼眼相机，还有一双能感知触觉的灵巧手。

驱动力上，Futurist 的连续站立时间在 3 小时左右，全身有 28 个电机，峰值扭矩在 500N·m，最快移动速度为 1.2米/秒。但移动，只支持 VR 远程操作遥控，甚至不能用 App 操作。

贾总对这款机器人信心满满，介绍里提到它能支持的场景，既是多语种超级礼宾员、专业超级销售顾问、沉着冷静且多才多艺的超级房东、睿智的品牌大使、具有前瞻性的研究和教学助理……

还可以是工业流水线上的高效的产业合作伙伴，和家庭服务里友善的家政助手。

这种把所有热门场景一锅乱炖的 PPT 风格，实在是太「贾跃亭」了。波士顿动力专注工业，1X Neo 专注家庭，宇树专注运动控制，而贾跃亭专注「全都要」。在他看来，未来是「360 行，行行都有 FF 机器人」。

一个值得玩味的细节是：无论是 Master 还是 Futurist，搭载的最高算力仅为 200 TOPS（基于 NVIDIA Jetson Orin NX）。

作为对比，宇树 H2 搭载的高算力模组，最高可选 Jetson AGX Thor（2070 TOPS 算力），或许这才是当下运行复杂具身智能大模型的入场券。贾跃亭之所以选择「低配版」，除了技术考量，单纯是因为那块高性能的 Thor 芯片太贵了。毕竟，FF 的现金流状况，大家心照不宣。

至于最后那款四足机器人 Aegis，无论是形态还是功能，都与国内逐际动力等厂商的产品高度重合，大概率是供应链现成方案的整合品。

再一次让梦想窒息？

贾跃亭这次几乎把市面上主流的机器人形态「遍历」了一遍。网友戏称：造车、造机器人都有了，贾总下一步是不是该进军商业航天，直接对标马斯克的 SpaceX 了？

虽然他在双重上市公司结构周报里信誓旦旦地表示，首款机器人已完成美国监管认证，目标「发布当月交付」。甚至已经开启了 100 美元的预售，定价在 1.75 万到 25 万元人民币之间。

但这一切，都让人感到一种强烈的「既视感」。

拿他曾经的乐视来说，流媒体视频业务还没成熟，就去做了乐视手机、乐视超级电视、后面还涉足了商业地产、大文娱等；到现在 FF 造车，贾跃亭总是拥有惊人的行业嗅觉。哪里有热度，哪里就有他的身影；什么概念火，他就把什么概念装进他的「生态化反」大旗里。

如今，国内车企纷纷布局具身智能，马斯克甚至为了 Optimus 停掉了 Model S/X 的部分产能。在这个 AI 的关键节点，贾跃亭显然不想缺席。他声称要将 FF 在电动车领域积累的 AI 算法「迁移」到机器人上。

话术很完美，现实很骨感。连 FF 91 的量产都还是一场漫长的拉锯战，这些拼凑感极强的机器人，究竟是具身智能的百花齐放，还是为了给投资人讲出的又一个「窒息」的新故事？

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博