中國 AI 視頻賽道最大單筆融資，為什么給了愛詩科技

APPSO 獲悉，愛詩科技近日完成 3 億美元 C 輪融資，創(chuàng)下國內(nèi) AI 視頻生成賽道單筆融資的最高紀(jì)錄。

領(lǐng)投方鼎暉香港基金聯(lián)合鼎暉 VGC、鼎暉百孚重金押注；產(chǎn)業(yè)資本中國儒意、三七互娛緊隨入場；國內(nèi)政府引導(dǎo)基金、險(xiǎn)資、家族辦公室，還有 UOB Venture Management、Lion X 基金。參投名單橫跨兩個半球，不同領(lǐng)域的資本默契涌向了同一個方向。

3 億美元融資放在當(dāng)下 AI 行業(yè)似乎沒有什么好驚訝的，這還不到 OpenAI 融資的零頭。但你得把這個數(shù)字放進(jìn) AI 視頻賽道的坐標(biāo)系里看：

成立于 2018 年的 Runway，花了七年才在上個月完成 3.15 億美元的 E 輪融資。而愛詩科技從種子輪走到同等量級的 C 輪，只用了不到三年。

A 輪，達(dá)晨財(cái)智領(lǐng)投，螞蟻集團(tuán)跟進(jìn)；B 輪，阿里巴巴領(lǐng)投逾 6000 萬美元，彼時已是國內(nèi)視頻生成賽道最大的一筆錢；C 輪，3 億美元，紀(jì)錄再次被自己改寫。

每一輪都有新的頂級機(jī)構(gòu)首次入場，每一輪金額都在翻倍。節(jié)奏越來越快，籌碼越押越重。

實(shí)際上，這筆融資反映出的信號大于數(shù)字本身：AI 視頻不再是大模型敘事的配角，資本已經(jīng)把它當(dāng)作一條獨(dú)立的、值得重倉的賽道來押注。

愛詩科技創(chuàng)始人王長虎曾在 2024 年表示，視頻生成一定是被低估的。愛詩科技用不到三年時間，將這個非共識變成了資本共識。

非共識的起點(diǎn)：2023 年，為什么是視頻

「我不會創(chuàng)業(yè)，但沒關(guān)系，創(chuàng)業(yè)就是邊做邊學(xué)?！?023 年 4 月，愛詩科技創(chuàng)始人王長虎決定創(chuàng)業(yè)時，就是帶著這句話出門的。

2023 年 4 月，愛詩科技創(chuàng)始人王長虎帶著一個在當(dāng)時看起來相當(dāng)「偏科」的判斷出來：當(dāng)所有人都在追大語言模型，他要押注視頻生成。

要知道一年之后 OpenAI 的 Sora 才正式亮相，可以想象當(dāng)時王長虎這個選擇有多么反常識。

在微軟亞洲研究院待了 8 年、在字節(jié)跳動做了 4 年 AI Lab 總監(jiān)之后，王長虎比大多數(shù)人更清楚視頻 AI 的技術(shù)節(jié)奏?！?023 年初很多人都不認(rèn)同做視頻這件事，大家都在看大語言模型，」他后來回憶，「但這就有了非共識：我們覺得視頻生成是大事，而我們過去在視頻和 AI 方面有經(jīng)驗(yàn)，能贏在全球?！?/p>

這個判斷在當(dāng)時要承受不小的壓力。相比語言模型，視頻生成的算力消耗更大，生成質(zhì)量更難控制，產(chǎn)品化路徑也更模糊。早期的投資人需要相信的，不是現(xiàn)在能看到什么，而是三年后那張尚未成型的藍(lán)圖。

2024 年 3 月，達(dá)晨財(cái)智率先領(lǐng)投 A1 輪，完成了第一次押注。隨后一個月，螞蟻集團(tuán)以逾 1 億元人民幣跟投，是彼時國內(nèi) AI 視頻領(lǐng)域單筆最大機(jī)構(gòu)投資。至此，愛詩科技基本完成了從「技術(shù)方向」到「資本方向」的驗(yàn)證。

王長虎在創(chuàng)業(yè)之初就明確了愿景：「幫助每個人成為生活的導(dǎo)演」。海外產(chǎn)品 PixVerse 和國內(nèi)產(chǎn)品拍我 AI，都是在這個方向上的落地——前者于 2024 年 1 月上線，后者于 2025 年 6 月推出，兩款產(chǎn)品針對不同市場獨(dú)立運(yùn)營。

DiT 架構(gòu)：那個沒人看好的選擇

要理解這筆 3 億美元的 C 輪，需要先看懂愛詩科技的技術(shù)路線。

把愛詩科技的技術(shù)路線從頭捋一遍，會發(fā)現(xiàn) DiT（Diffusion Transformer）架構(gòu)這個選擇，是整個故事的原點(diǎn)，也是很多結(jié)果的前提。

2023 年，國內(nèi)主流視頻生成方案普遍采用 U-Net 架構(gòu)。這也沒問題，U-Net 經(jīng)過了圖像生成領(lǐng)域多年實(shí)踐的充分驗(yàn)證，穩(wěn)定、成熟，調(diào)參經(jīng)驗(yàn)相對成熟，可以較快地跑出效果。對大多數(shù)想先做出來再說的團(tuán)隊(duì)，這是理所當(dāng)然的選擇。

可以愛詩科技選了 DiT，成為國內(nèi)首家將這一架構(gòu)用于視頻生成的創(chuàng)業(yè)公司。

DiT 是 Diffusion（擴(kuò)散模型）與 Transformer 的組合架構(gòu)。Transformer 的核心優(yōu)勢在于注意力機(jī)制（Attention Mechanism）——它讓模型在處理數(shù)據(jù)時，能夠同時「感知」序列中任意位置的信息，而不是像卷積網(wǎng)絡(luò)那樣只能處理局部區(qū)域。

對于視頻生成這個任務(wù)來說，這種能力的價值是決定性的：視頻的本質(zhì)是時間軸上的連續(xù)幀，每一幀的內(nèi)容與上下幀存在復(fù)雜的時空依賴關(guān)系。人物的動作要連貫，物體的運(yùn)動軌跡要符合物理規(guī)律，光影變化要在跨幀時保持一致——這些要求，需要模型能夠捕捉「跨幀的長程時空關(guān)聯(lián)」，而這正是 Transformer 天然擅長的事。

但這個選擇在 2023 年要付出不小代價：DiT 在訓(xùn)練初期對算力和數(shù)據(jù)量的要求更高，起步階段幾乎必然要經(jīng)歷「效果不如成熟 U-Net」的陣痛期。對一家剛起步的創(chuàng)業(yè)公司，這是不小的風(fēng)險(xiǎn)，錢可能在效果變好之前就燒完了。

事實(shí)證明，這個判斷是對的。2024 年 Sora 發(fā)布時，OpenAI 公開的技術(shù)路線正是 DiT。在視頻生成這個方向上，DiT 架構(gòu)確實(shí)是更接近正確答案的那條路。

當(dāng) Sora 發(fā)布時，愛詩已經(jīng)在 DiT 架構(gòu)上積累了一年多的訓(xùn)練經(jīng)驗(yàn)、數(shù)據(jù)處理流程、工程優(yōu)化方案。這種時間差，在技術(shù)迭代速度極快的 AI 領(lǐng)域，十分關(guān)鍵。

模型產(chǎn)品兩手抓，被低估的核心邏輯

在 AI 視頻領(lǐng)域，大多數(shù)公司的做法是先把模型訓(xùn)練好，再去想產(chǎn)品怎么做。這是一條看起來穩(wěn)妥的路，模型成熟了，產(chǎn)品化的風(fēng)險(xiǎn)就小得多。

但這種路線有個致命問題：等模型「訓(xùn)練好」的時候，你已經(jīng)錯過了最關(guān)鍵的反饋窗口。用戶真正需要什么樣的生成效果？哪些場景的需求最強(qiáng)烈？模型應(yīng)該在哪些維度上優(yōu)先優(yōu)化？這些問題，只有產(chǎn)品跑起來、用戶用起來，才能得到真實(shí)答案。

愛詩從一開始就把模型訓(xùn)練和產(chǎn)品迭代放在同一個循環(huán)里。

PixVerse 網(wǎng)頁版 2024 年 1 月上線時，模型還遠(yuǎn)未到「完美」?fàn)顟B(tài)，但產(chǎn)品已經(jīng)可以讓用戶生成視頻、給出反饋。每一個版本的模型升級，都直接來自上一個版本用戶的真實(shí)使用數(shù)據(jù)，哪些 Prompt 成功率低、哪些特效最受歡迎、哪些場景容易出錯，這些信號實(shí)時回流到訓(xùn)練流程，指導(dǎo)下一輪模型優(yōu)化的方向。

更重要的是，這種模型-產(chǎn)品的協(xié)同進(jìn)化，會隨著時間推移形成復(fù)利效應(yīng)：用戶越多，反饋越密集，模型優(yōu)化越精準(zhǔn)，產(chǎn)品體驗(yàn)越好，又吸引更多用戶——這是一個正向飛輪，而不是單向的技術(shù)推進(jìn)。

「這就是創(chuàng)業(yè)公司的優(yōu)勢所在，沒那么復(fù)雜，所以效率高，」愛詩聯(lián)合創(chuàng)始人謝旭璋說。這句話聽起來輕描淡寫，但背后是對技術(shù)路線、產(chǎn)品節(jié)奏、組織能力的高度整合。大廠可以投入更多算力、更大團(tuán)隊(duì)，但很難做到這種模型與產(chǎn)品的深度結(jié)合，流程太長，部門太多，反饋鏈條一旦拉長，速度優(yōu)勢就會被稀釋。

這種效率優(yōu)勢最終體現(xiàn)在成本結(jié)構(gòu)上。謝旭璋在接受晚點(diǎn)采訪時透露，愛詩「平均每月用的訓(xùn)練資源不到千卡，成本大概只有同行的 10%」。

這是一種結(jié)構(gòu)性的成本優(yōu)勢，而不是靠壓縮預(yù)算換來的短期節(jié)省。用謝旭璋的話說，是模型架構(gòu)、算法、工程、產(chǎn)品能力的綜合優(yōu)勢。

當(dāng)模型優(yōu)化方向始終貼著真實(shí)需求在走，就能減少在錯誤的方向上浪費(fèi)算力；產(chǎn)品反饋能實(shí)時指導(dǎo)訓(xùn)練策略，每一次迭代的投入產(chǎn)出比都會更高。

V5.6 生成視頻

從 2024 年 1 月 PixVerse 網(wǎng)頁版正式上線，到 2026 年初 V5.6 發(fā)布，愛詩科技連續(xù)更新 8 個主要版本，平均每兩個月就有一次大的模型升級。

這種迭代密度的背后，正是模型與產(chǎn)品一起訓(xùn)練的方法論在起作用：

V2（2024 年 7 月）：多段視頻生成與局部重繪筆刷上線，用戶從單純「生成一段」開始走向「編輯與創(chuàng)作」；

V3（2024 年 10 月）：特效模式上線，「抽卡概率」從隨機(jī)提升至接近確定性，這是 PixVerse 從創(chuàng)作工具邁向大眾產(chǎn)品的真正節(jié)點(diǎn)；

V3.5（2024 年 12 月）：生成時間壓縮至 10 秒內(nèi)，極大降低用戶等待成本；

V4（2025 年初）：「準(zhǔn)實(shí)時生成」能力出現(xiàn)，5-7 秒生成 5 秒視頻；

V4.5（2025 年 5 月）：參數(shù)量與訓(xùn)練數(shù)據(jù)集指數(shù)級擴(kuò)張，全球用戶達(dá) 6000 萬；

拍我AI （2025 年 6 月）：PixVerse 國內(nèi)版「拍我AI」發(fā)布，同步上線網(wǎng)頁端及移動端應(yīng)用；

V5（2025 年 8 月）：Agent 創(chuàng)作助手上線，用戶不再需要學(xué)習(xí) Prompt 語法，口語化意圖自動轉(zhuǎn)化為模型指令，API 生態(tài)同步開放；

V5.5（2025 年 12 月）：「分鏡 + 音頻」一鍵生成，國內(nèi)首次實(shí)現(xiàn)畫面與聲音的同步協(xié)同，完整敘事能力成型；

V5.6 （2026 年 1 月 26 日 ）：模態(tài)大模型，支持分鏡和音畫同步生成。

在權(quán)威 AI 評估機(jī)構(gòu) Artificial Analysis 最新發(fā)布的視頻生成模型排行榜中， PixVerse V5.6 位列全球第 2 位，持續(xù)領(lǐng)跑全球視頻生成模型第一梯隊(duì)。

這種迭代密度在 AI 視頻行業(yè)里相當(dāng)罕見，愛詩跟很多同類產(chǎn)品的策略不同：持續(xù)往前推，每一版解決真實(shí)用戶在當(dāng)下遇到的真實(shí)問題，同時在架構(gòu)層面為下一次躍升保留余量。

背后的可行性，恰恰是 DiT 架構(gòu)的可擴(kuò)展性所賦予的，每次模型升級，不需要推倒底層重來，而是在既有基礎(chǔ)上加寬加深。

3 億美元，押注不只是 AI 視頻

但鼎暉最終決定領(lǐng)投這次 C 輪，押注的不只是 V5 的榜單排名，可能還有 2026 年 1 月剛剛發(fā)布的 PixVerse R1。

R1 可以說是愛詩科技迄今最激進(jìn)的一次產(chǎn)品技術(shù)迭代。

過去的視頻生成，無論做得多精致，本質(zhì)上都是「把指令翻譯成一段視頻文件」，是一次性的、離線的渲染過程。用戶輸入指令，等待生成，拿走一段固定的視頻文件。這像是在沖洗膠卷，你拍完就拍完了，要等沖洗出來才能看，看完也無法再改。

R1 不是這個邏輯，它不再只是「生成一段視頻」，是一個能實(shí)時響應(yīng)用戶交互指令的「世界模型」：用戶可以在視頻播放中輸入指令，改變光影、替換背景、控制角色走向，系統(tǒng)響應(yīng)延遲約 2 秒，輸出為 1080P 超高清實(shí)時視頻流。

背后依賴的是愛詩自研的「瞬時響應(yīng)引擎（IRE）」，它將計(jì)算步驟從數(shù)十步壓縮至 1-4 步，實(shí)現(xiàn)從「離線渲染」到「實(shí)時交互」的重要升級。

謝旭璋判斷，未來視頻和游戲的邊界一定會越來越模糊。一旦視頻變得能交互了，全新的內(nèi)容、用戶和創(chuàng)作機(jī)會就會涌現(xiàn)。

謝旭璋在采訪中透露，R1 發(fā)布后，游戲行業(yè)的 B 端客戶來得最多，「以后的游戲開發(fā)不用再像過去那樣熬漫長的大周期了，無論是玩法、畫面還是劇情，AI 都能讓它變得更輕量、更具想象力。更重要的是，它能幫那些不懂代碼但有創(chuàng)意的人，把點(diǎn)子變成真正的游戲。」

R1 的潛在價值，已經(jīng)超出了「更好的視頻生成工具」這個范疇。如果說 PixVerse V5 是在爭視頻生成工具的頭部位置，R1 是在定義是一個完全不同的品類——實(shí)時交互式內(nèi)容體驗(yàn)的操作系統(tǒng)。它的競爭對手，不再是 Runway 或可靈，是 Unity、Unreal Engine，甚至是尚未出現(xiàn)的內(nèi)容消費(fèi)形態(tài)。

回看愛詩科技這筆 C 輪的投資人結(jié)構(gòu)，其實(shí)本身就是一個信號。

鼎暉三支基金聯(lián)合領(lǐng)投，背后是對這家公司進(jìn)入規(guī)?；A段的系統(tǒng)性判斷。產(chǎn)業(yè)資本中國儒意（影視內(nèi)容）和三七互娛（游戲）的入場，指向了 R1 要重構(gòu)兩個行業(yè)：互動影視制作和 AI 原生游戲開發(fā)。

進(jìn)入 2026 年，整個 AI 視頻賽道也在加速進(jìn)入下半場。前有 Seedance 2.0 風(fēng)靡全球，現(xiàn)在 愛詩科技成為新的獨(dú)角獸。

目前，PixVerse 全球注冊用戶突破 1 億，MAU 超過 1600 萬；國內(nèi)版拍我 AI 與 PixVerse 形成雙軌并行格局；愛詩科技也是 2025 年聯(lián)合國「人工智能向善全球峰會」上唯一入選的中國 AI 視頻應(yīng)用，并于同年正式加入聯(lián)合國大學(xué)全球人工智能網(wǎng)絡(luò)。

愛詩科技這筆 3 億美元融資，可以理解為資本對一個即將到來時代的投票。AI 視頻的下一個戰(zhàn)場，不在參數(shù)量，不在榜單排名，關(guān)鍵在于誰先把視頻從一個「消費(fèi)品」變成一個「交互界面」。

不過，知道技術(shù)路線在哪里會拐彎，和相信這條路最終走得通，是兩件事。

在 AI 這個行業(yè)，「選對了方向」本身并不稀缺。稀缺的是，在方向被主流認(rèn)可之前那段空白期里，有沒有足夠具體、足夠扎實(shí)的東西，支撐你不搖擺。

三年里愛詩科技在這條路線沒有在中途斷裂，很難說是提前預(yù)見了終點(diǎn)的全知視角，而是每走一步，下一步的方向都從上一步的技術(shù)現(xiàn)實(shí)中自然長出來。

視頻正在從被觀看的內(nèi)容，變成被觸碰的世界。因此，這三億美元所押注，遠(yuǎn)不止 AI 視頻的未來，而是那個「萬物皆可交互」的時代。