当年「字节投毒实习生」田柯宇，估值 2 亿美元，要挑战李飞飞做世界模型

2026 年 10 月，AI 创投圈迎来一笔颇具戏剧感的融资。 一家 10 人规模的神秘实验室，没产品、没名字，成了资本市场冰火两重天的风暴眼。一方面，业内进行着道德审判， “人品不行的公司绝对不能投”，另一方面，顶级 VC 机构五源资本和 IDG 却暗中追捧，偷偷塞了 3000 万美金，把估值推到 2 亿美元。 而这家公司的创始人，正是 2024 年震动国内 AI 圈、 被称作 “字节投毒实习生” 的北大博士生田柯宇 。彼时，他身陷字节跳动索赔 800 万元的诉讼风波，却同时以第一作者身份拿到 NeurIPS 2024 最佳论文奖。这样一个争议与天才并存的人，如今又拿到了顶级 VC 的巨额押注， 要在世界模型领域另辟蹊径，与李飞飞较量。 在世界模型热的当下，路线之争加速分化且日趋复杂，资本押注技术团队时，也在技术爆发力和历史污点中重新权衡。 01 田柯宇的公司在做什么？ 田柯宇切入世界模型赛道的角度确实独特， 他想让 AI 发明一套自己的语言，重新理解现实世界。 在他看来，人类语言并不适合完整描述物理世界，它的信息维度太低，会丢失了海量物理信息，也会白白消耗算力。比如，一段橘猫从桌上跳下的五分钟视频，很难用文字准确描述物体的位置、运动轨迹、光影和物理变化。 因此，他的思路是创造一套 AI 专属的符号语言。目前， 团队已经搭建了一套包含 20 万个符号的“视觉词典”。 这些符号人类看不懂，但 AI 可以用它们表示、压缩和预测视频。据他介绍， 这种方法能将生成一秒钟视频的成本降低至少一个数量级。 然后，他们准备喂进去大约 1 亿小时的视频，让模型通过这套自己的语言去学习现实世界。最终，田柯宇希望打造一个机器人、自动驾驶和交互式视频等领域的基座模型，计划于 2027 年正式发布。 他透露，团队目前不急于商业化，重心仍放在基座模型研发上。 有网友指出，这个想法并无新意，本质上就是把图像和动作换成了机器自己的符号。不过，这套“新语言”对视觉模型有一个实打实的用处，能彻底解决“指代不清”的混乱，让 AI 在长时间模拟物理世界时保持绝对的稳定，从而真正改良视觉模型的底层架构。 这个想法并非凭空诞生，如果溯源，其实绕不开两年前，他以第一作者身份拿下的那篇 NeurIPS 2024 最佳论文， 《 Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction 》， 这篇论文正是他在字节参与的项目，开发新一代的视觉生成模型 VAR。 在当年 NeurIPS 上万篇投稿中，这篇论文能杀出重围， 关键在于它让视觉生成像 LLM 一样，可以依靠 Scaling Law 持续提升能力，同时降低生成成本和实现复杂度。 在 VAR 出现之前，视觉生成一直在两条弯路上内卷。 最早的一派