田柯宇创业：近3000万美元融资，估值2亿美元

田柯宇创办的这家公司，到现在名字没对外公布，产品也还没有。可投资人先把价码摆了出来：融资近3000万美元，投后估值2亿美元。

五源资本和IDG都在投资方名单里。团队规模10人上下，完整模型打算2027年前后推出。放到当下的世界模型赛道，这个价钱谈不上夸张。

可要是把这件事放在田柯宇这个人身上，味道就不太一样了。

两年前，他还在字节跳动做实习生。字节的说法是他因“严重违规”被辞退；也就在那段时间，他参与的一篇论文拿下NeurIPS 2024最佳论文。

如今，他带着同一份技术履历，转身扎进了世界模型创业。

田柯宇X主页的背景图，截取自电影《降临》。

画面里一片漆黑，几个穿橙色防护服的人站在后头。艾米·亚当斯演的语言学家Louise Banks走到最前，隔着面罩举起一块白板，板上只写着一个词：HUMAN。

她没带武器，也没做长篇解释。面对完全陌生的生命，头一件事是告诉对方：我们是谁。

这张图挂在一个研究世界模型的人主页上，倒也贴题。

田柯宇眼下想做的，恰恰是让机器去处理那些人类语言说不清楚的视觉世界。团队正试着搭一套给AI用的视觉符号系统，拿它来消化海量视频。

这笔钱买的是什么

五源资本今年组织过一场讨论，把世界模型概括成“在动作条件下预测世界状态变化”。

这个说法至今没成为行业共识，但它点出了资本为何盯上这个方向：AI接下来要应付的不只是文字和图片，还有空间、时间和动作。

田柯宇的公司挑这个节点进场，踩的是一个相当明显的时间窗口。

世界模型还没长出稳定的产品形态，行业也没有统一的评测标准。站在投资人角度，风险确实大，可反过来，技术路线、创始人、论文成绩这些，眼下都还能拿来定价。

田柯宇手里最值钱的资产，是一篇论文。

2024年，他以第一作者身份发表《Visual Autoregressive Modeling》，思路是让模型按图像的不同尺度逐层生成，而不是像传统做法那样逐个像素或逐个视觉Token去处理。论文里说，这样能提升图像生成的速度和效率。

这篇论文后来拿到NeurIPS最佳论文奖。之后面对相关争议，NeurIPS回应称论文走的是盲审，评奖看的是科学质量。

这次创业，田柯宇大体上还是沿着这条思路走。

据报道，田柯宇的团队正在给AI搭一套新的视觉符号系统，里头约有20万个符号，用来处理视频信息。他们打算往系统里灌1亿小时的视频，并且希望把视频生成成本压下去至少一个数量级。

这跟今年5月份五源资本组织的一场世界模型社群讨论活动有点像。在那篇《2026年了，我们还在用爱迪生试灯丝的方式评估World Model》里，其强调世界模型说到底是一场效率竞争：谁压缩比更高，谁就占住优势位置。

对技术效率的这种共同追求，或许正是五源资本押人的关键。

毕竟眼下，田柯宇的公司没有公开模型，没有产品，商业模式也不明确。他的打算是先做出技术，2027年左右再发完整模型。

天才少年的以火攻火

2024年10月，AI圈里突然流传起一条关于字节跳动的消息——有实习生攻击了模型训练，一时间被讲成了离经叛道的传奇故事。

当时传得最离谱的版本说，这事牵扯8000多张GPU，字节因此亏掉上千万美元。字节跳动很快出来回应：确实有实习生因严重违纪被辞退，但受影响的只是商业化技术团队下面某个研究项目，大模型没被波及，线上业务也照常运转；8000多张卡、上千万美元云云，属于严重夸大。

第一财经后来的报道提到，字节内部通报认定，这名实习生在2024年6月至7月间因为对资源分配不满，动手编写、篡改代码，干扰了研究项目的模型训练任务。字节据此解除实习协议，并向法院提出了800万元损失、2万元合理支出以及公开道歉等诉求。

不过，网上流传的那些损失金额和GPU数量，字节后来都予以否认。

较新的报道里，田柯宇本人也开口了。他承认自己关掉过另一位实习生的程序，动机是把计算资源腾出来给其他研究人员用。他把这一举动称为“用火攻火”，还说如果再来一次，自己会选择更谨慎的处理方式。

报道同时提到，这件事最后以赔偿50万元、没收全部工资收场。

东方贝尔资本合伙人Vita Gu说：“国家政策对具身智能给予了强力支持，市场上的资金也同样积极。”这家机构参与了田柯宇公司的投资。

Vita Gu还讲，在一众创业者里，田柯宇让她印象格外深刻，原因是再复杂的想法，他都能讲得特别简单。

田柯宇踏上创业这条路的时候，世界模型的全球竞赛正好在提速。

9月，AMD宣布以约82亿美元的全股票交易收购李飞飞创办的World Labs。这家公司此前已完成10亿美元融资，主攻方向是能生成、重建并模拟三维空间的模型。

Google DeepMind的Genie 3则能按文字生成可实时探索的虚拟环境，每秒跑到24帧，场景一致性可以维持几分钟。

国内公司也在把视频生成推向实时交互。PixVerse今年推出R1、R2，打的就是连续生成和可交互的视觉世界。

这些产品表面上还像是视频工具。可行业真正想拿到的东西，已经不止是“画面更逼真”。

视频型模型管的是生成下一帧画面。而更严格意义上的世界模型，得弄懂动作和结果之间的因果：机器人往左挪之后会发生什么，镜头换个角度原来的物体还在不在，某个物体被外力推一把又会怎么动。