3亿押注AI视频：从看视频到玩视频

2026年3月的AI圈，有个数字比OpenAI的融资更值得咂摸：成立不到3年的爱诗科技，拿到了3亿美元C轮融资——这是国内AI视频赛道单笔融资的最高纪录。而美国的Runway，花了7年才在2026年初拿到差不多量级的E轮。

更反常的是，这笔钱的押注重点，不是能生成更逼真视频的模型，而是一款能让你「玩」视频的产品：你可以在播放中的视频里改背景、调光影、让主角转身，系统2秒内就能给出响应。

为什么资本愿意为「玩视频」砸下重金？这得从三年前一个反常识的技术选择说起。

选DiT：三年前的「笨办法」成了标准答案

2023年，当国内AI视频团队都在抢用成熟的U-Net架构时，爱诗科技选了当时没人看好的DiT——扩散模型（Diffusion）和Transformer结合的架构。

你可以把U-Net想象成一个熟练的修图师，擅长把局部细节磨得完美，但要让它理解一整段视频里主角从客厅走到厨房的完整逻辑，就像让一个只会抠细节的人写长篇小说，力不从心。而DiT更像一个会读剧本的导演：它把视频拆成一个个小画面块，通过Transformer的「全局注意力」，能同时盯着从开头到结尾的所有帧，记住主角的发型、杯子的位置，甚至光影的方向。

当然，这个选择在当时要付出代价：DiT初期训练对算力和数据的要求是U-Net的数倍，前三个月生成的视频甚至不如U-Net流畅。但爱诗赌的是长期：U-Net的局部优势是天花板，而DiT的全局能力，能支撑起更复杂的视频逻辑——比如让视频里的世界，像真实世界一样能被改变。

2024年OpenAI发布Sora时，公开的核心架构正是DiT。此时爱诗已经在DiT上跑了一年多的训练数据，积累的工程经验，成了后来实时交互的技术底座。

从「生成视频」到「模拟世界」的一跃

如果说DiT是地基，那PixVerse R1就是爱诗在上面盖的第一栋「可交互大楼」。

过去的AI视频生成，本质是「离线渲染」——你输入指令，等几分钟拿到一段固定的视频，就像洗胶卷，出来什么样就是什么样。但R1不一样，它是一个「实时交互式世界模型」：你在视频播放时输入「把晴天改成雨天」，2秒后画面里就会落下雨滴，主角会下意识拉衣领，甚至地面会慢慢变湿。

这背后的关键是爱诗自研的「瞬时响应引擎（IRE）」。传统扩散模型要把噪声一步步变成视频，得走几十步计算，IRE把这个过程压缩到了1-4步——相当于把一条绕远的盘山公路，修成了直达山顶的隧道。它还在模型里加入了「空间记忆」，能记住视频里每一个物体的位置和物理属性，比如杯子掉在地上会碎，而不是飘起来。

这个变化的意义，已经超出了「更好的视频工具」。影视公司可以用它快速做互动剧的Demo，游戏公司能直接生成可玩的关卡原型，甚至教育领域能做出「可以亲手调整实验参数」的虚拟课堂。用爱诗联合创始人谢旭璋的话说：「未来视频和游戏的边界会消失，视频不再是用来『看』的，而是用来『进入』的。」

资本押注的不是技术，是「内容生产的革命」

鼎晖领投3亿美元时，看中的不只是R1的技术参数，而是它背后的产业信号：AI视频终于从「辅助工具」，变成了能重塑行业的「基础设施」。

过去，视频生产是「专业门槛极高的线性流程」——写脚本、拍素材、剪片子，每一步都要专业人做专业事。AI视频生成把这个流程缩短了，但本质还是「批量生产视频」。而实时交互的世界模型，是把「生产视频」变成了「搭建世界」——你不需要写好完整脚本，只需要设定规则，用户就能自己在里面创造内容。

这也是为什么产业资本会扎堆入场：中国儒意（影视）看中了互动内容的新形态，三七互娱（游戏）看到了AI原生游戏的可能性。当视频能像游戏一样被实时操作，广告可以让用户自己切换产品颜色，短剧可以让观众决定主角的选择，整个内容产业的生产逻辑都会被改写。

当然，现在的R1还不完美：长时交互下偶尔会出现物体「漂移」，物理细节也不如离线生成的精细。但资本赌的是「趋势」——就像当年智能手机刚出来时，没人会因为它不如PC流畅就否定它。

三年前，爱诗选择DiT时，有人说他们「放着成熟的路不走，偏要绕远」。现在看，他们只是提前走上了一条更宽的路。

我们这代人习惯了「视频是用来观看的」，就像上一代人习惯了「电视是用来接收信号的」。但技术的迭代，往往就是从「打破习惯」开始的——当视频能被实时交互，当我们能在数字世界里像在现实中一样行动，视频就不再是内容，而是一个入口。

视频的未来，是可进入的世界。

这笔3亿美元的融资，与其说是押注AI视频，不如说是押注一个正在到来的、人与数字世界更紧密连接的时代。