截至目前，田柯宇的初创企业既未公开命名，也未推出正式产品。然而，投资方已为其标定价值：融资规模接近3000万美元，投后估值达到2亿美元。

五源资本与IDG均参与本轮投资。团队规模约10人，计划于2027年前后推出完整模型。在当前世界模型市场中，这笔投资并不显得异常。

但就田柯宇个人而言，这确实颇具特殊性。

两年前，他仅是字节跳动的一名实习生。字节方面称其因“严重违规”被解雇，与此同时，他参与撰写的论文荣获NeurIPS 2024最佳论文奖。

如今，他带着同一份技术背景，投身世界模型创业领域。

田柯宇在X平台上的主页背景图取自电影《降临》。

画面中，漆黑的空间里，几名身着橙色防护服的人员站在后方。艾米·亚当斯饰演的语言学家路易斯·班克斯走到最前，隔着面罩举起一块白板，上面仅写着一个词：HUMAN。

她没有携带武器，也未进行长篇解释。面对完全陌生的生命体，首要步骤是告知对方：我们是谁。

这张图片出现在一位研究世界模型的研究者主页上，显得颇为贴切。

田柯宇当前的目标，正是让机器处理人类语言难以描述的视觉世界。他的团队正致力于构建一套专供AI使用的视觉符号系统，以期处理海量视频数据。

这笔投资所购买的价值

五源资本在今年组织的一场讨论中，将世界模型定义为“在动作条件下预测世界状态变化”。

该定义尚未成为行业共识，但它揭示了资本为何开始关注这一方向：AI下一步需要处理的，不仅限于文字和图片，还包括空间、时间与动作。

田柯宇的公司选择在此刻进入，把握住了一个明显的时间窗口。

世界模型目前尚未形成稳定的产品形态，行业也缺乏统一的评估标准。对投资者而言，这意味着高风险，但也意味着技术路径、创始人资历以及论文成果仍可作为定价依据。

田柯宇最具价值的资产，是一篇论文。

2024年，他以第一作者身份发表了《Visual Autoregressive Modeling》，提出让模型按图像的不同尺度逐层生成，而非像传统模型那样逐个像素或逐个视觉标记处理。论文称，这种方法能提升图像生成的速度与效率。

该论文随后获得NeurIPS最佳论文奖。面对相关争议，NeurIPS回应称，论文采用盲审，奖项依据科学质量评定。

此次创业方向，田柯宇基本延续了这一思路。

据报道，田柯宇的团队正为AI建立一套新的视觉符号系统，包含约20万个符号，用于处理视频信息。他们计划向系统输入1亿小时的视频，并希望将视频生成成本降低至少一个数量级。

这与今年5月五源资本组织的一场世界模型社群讨论活动类似。在一篇名为《2026年了，我们还在用爱迪生试灯丝的方式评估World Model》的文章中，强调世界模型本质上是一场效率竞争：谁的压缩比更高，谁就能占据优势位置。

对技术效率的共同追求，可能是五源资本押注田柯宇的关键因素。

毕竟，目前田柯宇的公司没有公开模型、没有产品，也没有明确的商业模式。他的计划是先攻克技术，再于2027年左右发布完整模型。

天才少年的以火攻火

2024年10月，关于字节跳动实习生攻击模型训练的消息在社交媒体上迅速传播，一度成为AI圈内离经叛道的传奇。

当时最夸张的说法是：事件涉及8000多张GPU，给字节造成上千万美元损失。

字节跳动随后回应，称确有实习生因严重违纪被辞退，但受影响的仅是商业化技术团队的某个研究项目，不涉及字节的大模型，也未影响线上业务；8000多张卡和上千万美元损失的说法被严重夸大。

第一财经后来报道称，字节内部通报认为，该实习生在2024年6月至7月因不满资源分配，通过编写、篡改代码等方式干扰研究项目的模型训练任务。字节因此与其解除实习协议，并向法院提出800万元损失、2万元合理支出及公开道歉等诉求。

之后，字节否认了网上流传的损失金额和GPU数量。

最新报道中，田柯宇也给出了自己的说法。他承认曾关闭另一名实习生的程序，目的是释放计算资源给其他研究人员。他将此行为形容为“以火攻火”，并表示若重新来过，会采取更谨慎的方式。

报道还称，最终结果是赔偿50万元，并没收全部工资。

“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。”东方贝尔资本合伙人Vita Gu表示。该机构参与了田柯宇公司的投资。

她还指出，在众多创业者中，田柯宇给她留下了特别深的印象，因为他能将复杂的想法阐述得简单明了。

田柯宇开始创业之际，全球范围内的世界模型竞争正在加速。

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。World Labs此前已完成10亿美元融资，专注于生成、重建和模拟三维空间的模型。

Google DeepMind的Genie 3可根据文字生成能够实时探索的虚拟环境，运行速度达到每秒24帧，并在几分钟内维持场景一致性。

中国公司也开始将视频生成推向实时交互。PixVerse今年发布R1、R2，主打连续生成和可交互的视觉世界。

这些产品看起来仍像视频工具，但行业追求的目标已不仅限于“画面更逼真”。

视频模型负责生成下一帧画面。更严格意义上的世界模型，还需理解动作与结果之间的关系：机器人向左移动后会发生什么，摄像机换一个角度后原来的物体是否依然存在，某个物体受到外力后会如何运动。

本文来自微信公众号“数智奔流”，作者：周易，36氪经授权发布。