Vivix：从没人相信的地方开始

Vivix成立于2025年初，是Monolith砺思资本的被投企业。过去19个月,这家公司几乎没有对外发声。水面之下，它完成了五轮融资，估值达13.2亿美元。

本月，Vivix首次正式亮相：发布两款实时交互模型：面向互动叙事的基座模型W1，与面向交互式AI角色的A1，并开放API。这是创始人刘宇第一次系统地向外界交代,这家公司到底在做什么。

刘宇1995年出生，早年在香港中文大学 MMLab 从事视觉 AI 研究。20岁时，他放弃了已经办好签证的博士offer，留在成立次年的商汤。26岁成为商汤历史上最年轻的事业部总经理之一。2024年底,他离开商汤创业，选了一条当时几乎没人相信的路：实时交互多模态模型。

过去三年多，整个行业都在寻找下一个to C应用。我们的看法是：只有交互层的创新,才会导向新的应用场景和新产品。 而在当下这个技术周期，交互的创新本质上是一个模型问题——模型问题的本质，是实时、理解、生成三者的balance。至于最终的应用会长成什么样，没有人知道。

Vivix过去一年多最显著的变化，是模型和infra能力每隔两三个月就跨上一个新台阶：先是把理解、交互、生成放进同一个模型，再到现在开始scale数据和框架。刘宇也是一个很特别的founder，他的信念感、审美和思考问题的方式，都让我们印象深刻。这是一条很难的路，但我们很兴奋能和Vivix一起前行。

根据刘宇近期对外的交流实录，我们整理了一篇自述，希望对你理解这个公司有所帮助。

没人信的时候

我为什么出来创业？因为我在商汤内部讨论过这件事情，大家最后没有明确立项。所以当时我就想，那我自己先出来做，花点自己的钱做些 prototype。

那是2024年底。模型创业已经到了一个相对冷的状态，大家的共识是：以LLM为主的模型战争，从0到1的阶段已经接近尾声了，声音都在AI应用那边。

技术上，当时国内做得最好的视频模型，要 5 到 10分钟才能生成 5 秒的内容，火遍全网的 case 叫"复活老照片" ：让一张黑白照片稍微动一动，没有声音，就已经非常好了。

在那样一个时代，光"生成"这件事就已经如此难、如此贵。**而我们要做的东西，除了生成，还要理解，理解过去的内容里发生了什么；还要交互，理解你此刻的语音、触屏、手势到底想干什么；然后在下一帧里立刻回应你。**三个智能任务，一个模型，还得实时，还得便宜。

所以大家不信，很正常。第一轮投资人投我们的时候，我自己都很诧异：居然真的有人敢bet这个事。

不过那段时间我很suffer，很多投资人见我，问的都是：你们产品什么时候发? 但我们这个事情，务实的顺序就是先做好模型，模型能力有了，做infra，把成本和体验做起来，再做产品，就像先有GPT，才有chatbot，才有后来的陪伴和Coding。

后来跟曹曦聊，他上来就说：**你不用着急着做产品。**我印象特别深刻。那次聊到很晚，在我们当时很小的办公室里。当时我们第一个模型已经出来了，在北美有上万个测试用户，我把后台数据给他看：用户喜欢怎么玩交互式内容，模型该往什么方向走。

在这个层面上，我们有共鸣，大家对于事情的看法、出发点和思考方式，从直觉上来说比较一致。和他聊完大概十分钟后，融资的事很快就close掉了，我觉得就是遇到了一个志同道合的机构。

停掉的原型，换回来的认知

我们团队全是技术、研究、infra出身。创业之初我对我们需要验证的问题很清楚：在"什么样的模型是用户真正需要的"这个层面，我们需要更多理解。对一个成熟的研究员来说，定义下一代模型架构是简单的；定义什么样的模型有市场需求、能形成商业模式，是难的。这件事只能靠高频的市场反馈。

所以我的思路很基础：但凡做出来一个模型，就包一个壳给用户去用，核心是收集反馈。每一个停掉的原型，对我来说都是相当大的正反馈。因为所有经历过的问题都是新的，都会变成我们的认知。

第一个认知：交互不等于消费。 第一款原型测的是交互本身 —— 触屏、手势、摄像头、陀螺仪，只要有不同的sensor，就有不同的交互方式，但哪些是用户真正喜欢、愿意付出成本的？没法拍脑袋，只能测。测完我们很快把它停掉了，因为发现那个时代AI生成内容的消费质量，远不及UGC，大家玩它不如玩抖音。

第二个认知：用户消费的是故事性。 我们花了两三个月研究一个问题 —— 什么叫消费力？我们把互联网时代最终收敛的内容格式,短视频、短剧、YouTube和Netflix的剧集，全调研了一遍。

结论是：**用户真正愿意消费的叫故事性，不是博人眼球。**短视频虽然只有15秒，但它把一个故事讲明白了：前三秒有锚点把你抓进来，中间十来秒不停有转折。这是好故事的底层要素，而AI搞个特效、搞个转场，在故事性上远远不够。

后来有一件事印证了这些判断。去年十一，OpenAI的 Sora2 App 出来，exactly 重走了一遍我们第一款原型的老路。当时所有人都问我：你们不是做过类似的东西吗，怎么不做了？

我当时的判断就是这个东西做不成，但毕竟人家是OpenAI，我也不能到处布道。最终证明，它的问题就出在这：它还是在做一款工具，只是更下沉的工具。用户要消费的不是生成画面本身，而是有意思的内容。

第三个认知：内容要以人为中心。 收敛下来的内容格式里，百分之七八十以上的画面是围绕人展开的：对话、口播、直播。所以我们分化出了一条以人为中心的模型线，就是这次的A1。

数字人这个概念市面上快十年了，但那个方向我们day one就pass掉了：只能动动嘴型、伸伸手的数字人没有故事性，对内容消费的增益不大。我们定义的A1，是人要能在场景里发生故事。

带货场景，他真的拿着商品、指着它给你讲；游戏场景，他真的能在环境里走、跟环境交互。

第四个认知： 今天互动内容还在非常早期，体验的突破需要依赖好的内容创作者，也需要模型能力在底层的突破，否则互动内容还是离线内容的拼接，不是真正可规模化的体验。可见的未来我们都致力于做好交互模型，希望能服务好更多对互动内容感兴趣的创作者。

十几个没人注意到的数据源

语言模型为什么能成？因为互联网上所有人类写下的文字，天然就是它的教材，不需要任何人工标注。

但我们要让模型学的是另一件事：人是怎么跟内容交互的，交互之后内容会怎么变。这种"教材"世界上没有现成的，2025年上半年，我们找到了十几个大家没注意到的数据源，其实是一个三元组合，包括几个维度的数据：过去发生了什么（理解）；人类是怎么交互的（交互）；下一秒会发生什么（生成）。

游戏天然就是交互式内容，所有游戏的录屏和仿真环境里，replay 只靠记录初始状态和所有人的操作方式，就可以把整个游戏从头到尾回溯一遍。这些数据天然就是展现人是怎么对内容做交互、为什么做交互、以及做完之后内容会发生什么变化的。

人类怎么跟内容交互，不应该先被翻译成文字。我们的做法是把这些原生的 raw data 直接扔给模型,让它自己去理解。模型的智能上限，不应该被人类的自然语言框住。

我们现在的数据量大概跟最好的视频生成模型的语料量级相当，部分是带交互的内容。

这次的W1是一个中等规模版本，核心是验证理解、交互、生成一体化能跑通、能泛化；数据量放大两个数量级的W2，四季度发布。先把模型喂饱，再去scale参数和框架。

成本要打到刷抖音的水平

为什么以前没人做实时视频交互?

算笔账就明白，人消费文本，每秒十几个token ；而视觉类内容的Token量可能是数千到数万。在这个密度上做实时，大多数团队认为不现实。

而C端用户有两个典型特征：不愿意为内容付费，也没有耐心。

这决定了互动内容的底层模型必须又快又便宜。快其实简单，堆卡就行，用一千张卡服务一个用户，什么模型都能"近实时"，但那没有意义。

我们创立之初给infra团队定的最核心指标，不是任何模型指标，是成本对标 YouTube：我们每看一小时 YouTube，Google 要为全球 CDN 和带宽付大概 0.2 美元，这是互联网时代内容平台的成本地板。只有当成本降到我们刷抖音、看 YouTube 的水平，实时、可交互的内容才可能被大众消费。

我们的曲线是：2025年3月到今年4月，一年降了两个数量级，而且这个数不只包含生成，还包含对过去视频和多轮交互的理解，是整个系统的成本。

速度上，我们内部有个指标叫 TTFF (Time to First Frame)：人给一个reaction，写一段prompt，或在屏幕上点一下，多久能看到下一帧的内容。

我们现在是300到600毫秒，而且是在一个理解、交互、生成一体化的激活参数 30B 的模型上做到的。

不说参数量，光说延时，是耍流氓。

创业公司的机会，在认知差

很多人问我怎么看跟大厂的竞争？大厂一定会做交互内容。

但大厂的决策机制，决定了它对概率的追求是无止境的：这个事有多大概率，就投多大资源。这是资源足够大的组织最高效的方式。

创业公司资源没那么多。老话说光脚不怕穿鞋的，但光脚的本质不是赌。创业公司真正要追求的是认知差：你必须找到一个你跟大厂管理者之间认知不同的点，在这个点上，你的概率显著高于他们。

对他们是10%的事，对你是30%。30%也不高，但你愿意把全部的资源、时间、精力押进去。而大厂的管理者，手里可能有一百个10%概率的事，每一个只分到他百分之一的时间，一周开一小时会，问问创新团队"你们有什么进展"。他的认知迭代是远远不够的。

只有在这样的点上，创业公司才有机会：在概率提升到大厂愿意下场跟你PK之前，形成足够大的推动力和足够大的壁垒。否则，没有独特认知，在相同概率下跟大厂卷胜率的创业公司，没有任何机会。

至于当下，我们 so far 没什么竞争者。原因很简单：这个赛道还没证明是work的，何谈竞争？

这个时间点收敛到假共识上意义不大，把自己定义的事从 PMF、从技术、从模型上定义成功，是我们唯一要考虑的事。

另外，还很多人问我会不会担心大家把我们定义成一家世界模型公司。**我挺介意的。**我不太想讲世界模型，一方面这个词被讲得太泛滥了；更深层的原因是，我觉得它太神圣了，我们现在还不配去谈。

我对世界模型本质的定义是：**它要能表征、甚至重建这个物理世界的状态和运动的动力学。**而人类对世界的理解，全部基于自己的感官：视觉是电磁波;触觉是神经元的电信号，压感的本质是原子之间的斥力；嗅觉的本质是化学，化学的本质还是电磁力。

这个世界可能有万亿种模态，人类只能感受到其中几种。 我们收集的所有语料、视频、音频，都是人类因为能看到、能听到才录下来的。

用这些东西训一个模型，说它能表征世界的动力学，我觉得有点搞笑。我们想做的事情其实更实用主义一些，就是利用 AI 的能力，为人类的精神消费创造价值。

一号位没有退路

我在商汤的前六年，管的是研究院最上游的模型团队；后三四年带事业部，对收入、毛利、销售结果负责。

研究团队和交付团队的管理方法论差别非常大，有些点是相反的：研究团队要对失败有极大的容忍，给足空间和放权；这套模式放到交付团队就不work了：人是有惰性的，你无限宽容，标准就会逐渐降低。

我觉得自己的基因在前者。所以创业之初，我确实是带着创新团队的模式在带整个公司。好处是我们在技术和原型的推陈出新上做得不错；问题是，在要对结果负责的交付线上，我的管理是不够的。

创业对一号位的历练是最快的，没有之一。 只要你不是一号位，上面一定有人帮你兜底，做错了，最多bonus降一点。

一号位没有退路。

当你已经为这个公司放弃了常人不能想象的东西，你就不会再对不该容忍的事给太多容忍度了。

对资源、时间、人的判断，会干脆利索得多。

我觉得在管理上，每个月的我跟上个月都不太一样，一直在进化，这个月变的是对人的判断，下个月变的是组织模式，底层驱动力都一样：你是一号位了，你已经押上全部了。

也有人问，创业是不是一个很难的决定，机会成本这么高。但对我来说，创业不是一个选择，就是一种生活状态，这是一个最容易的决定。

目前，我们每两到三个月在模型和infra上都有一个重要突破——不是50%到70%的渐进，是从"没人相信能实时生成"到"实时生成做出来了"的跨越。

我们一直在deliver大家没见过的东西，希望接下来也是。