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。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。最早的一派是模仿 LLM 的自回归的路线，以 VQ-VAE、VQGAN 为代表。它采用光栅扫描，把 2D 图像强行展平成 1D 长序列，像老式打印机一样，从左上角到右下角一个一个 Token 地预测。这带来的问题，一个是像素间的二维空间联系被切割，AI 并没有真正获得原生的视觉能力；另一个是图像 Token 数量远多于文本，为了重新理解像素间的关系，注意力计算量直接爆炸。另一条路线是以 Midjourney、Sora 为代表的扩散模型，它们的逻辑更符合人类的视觉体验，“先画出模糊的全局轮廓，再精心修饰”。在画面质量上，扩散模型击败了早期自回归模型，统治了视觉生成。但扩散模型也有自己的问题，生成速度太慢，算力消耗巨大，很难用在自动驾驶、实时交互等需要实时响应的场景。而且它和 LLM 的自回归架构根本不是一套体系，做不了原生的多模态统一。田柯宇和当时的团队没有沿袭扩散模型，而是重新回到自回归这条老路，提出了一套叫“下一尺度预测”的新玩法。具体来说，VAR 不再把图像拉成一维，而是保留图像原本的二维结构。它靠多尺度残差 VQ-VAE，把图像拆成一层比一层清晰的分辨率图，从 1×1 的模糊全局轮廓开始，接着是 2×2、4×4、8×8……模型像人类画画一样，由粗到细，一层一层地并行预测出下一级的所有细节。这个思路让生成速度直接涨了 20 倍。更关键的是，它用纯正的 GPT 架构搞定高质量的视觉生成，给多模态大一统铺了路。VAR 也是第一次在视觉生成里跑通了近乎完美的 Scaling Law。当模型参数从 3 亿扩大到 23 亿时，不仅性能跟着提升，还自动“涌现”出了零样本的图像修复、画面外扩和指令编辑能力。然而，就在这篇顶会获奖论文发布的同时，田柯宇个人的争议事件爆发，VAR 项目的代码仓库里出现了大量关于学术伦理和诚信的质疑。字节的起诉、后续法院判决，也让国内外高校、大厂研究机构短期内不敢和他开展公开学术合作，算力支持也成了问题。面对这种局面，田柯宇主动退出传统学术赛道，转身创业，把 VAR 的思路套在更复杂的视频和世界模型上。离开字节后，田柯宇近乎两年销声匿迹，没有再发表过什么令人瞩目的论文。在最新接受彭博社的独家专访时，他主动揭开了当年那场“投毒事件”的更多内幕。关于这个争议事件，当年在互联网上版本众多，且充斥不少夸张细节：某实习生摧毁 8000 张 GPU，造成上千万美元损失，直接让字节大模型训练瘫痪。但结合字节官方声明、法院裁决文件，这件事折射出的问题更像是大厂内部算力资源争夺的真实困境。2024 年 6 月到 7 月期间，田柯宇作为北大在读博士生，在字节商业化技术部门实习，做 VAR 项目。他不满团队算力分配，于是，他编写篡改代码，干扰同事模型训练任务。他采用的技术手段并不复杂，是利用了 Hugging Face 加载模型存档时的一个安全漏洞，在权重文件里偷偷塞进了恶意代码。其他同事只要加载这份文件继续训练，恶意代码会动态改写对方训练用的优化器，让模型朝着错误的方向去优化。另一方面随机插入延时指令，拖慢训练速度。结果就是整整一个季度里，团队 30 多位研究者白干。2024 年 8 月，字节完成内部调查后，解除田柯宇的实习协议，将事件同步北京大学、阳光诚信联盟与企业反舞弊联盟。最初，字节最初考虑到田柯宇博士生身份，并没有把这事闹大，而是交由校方内部处理。2024 年 10 月中旬，“字节实习生给大模型投毒、涉及 8000 多张卡、损失上千万美元”的聊天截图在微信群里病毒式扩散。10 月 18 日，字节公开声明确认有实习生被辞退，同时澄清“涉及 8000 多卡、损失千万美元”言论是严重夸大，受影响的只是内部研究项目，并非字节对外商用大模型。在事件曝光后，田柯宇多次对外否认作案，声称自己遭到嫁祸，甚至报警维权。字节认为对方没有认识到行为问题，11 月 25 日，一纸诉状，把他告到了北京市海淀区人民法院，要求索赔 800 万元，以及 2 万元合理支出，要求田柯宇公开赔礼道歉。随后，戏剧性一幕出现：2024 年 12 月 4 日，NeurIPS 2024 公布最佳论文，田柯宇作为一作的 VAR 上榜，这项成果正是他在字节实习期间和团队共同完成。在人工智能领域的学术殿堂中，NeurIPS 的地位堪比文学界的诺贝尔奖，而这篇论文是第一篇来自中国大陆的 NIPS 最佳论文。天才成就与职场违纪，集中在一人身上，整个国内 AI 圈哗然。后续经过审理，法院最终判决田柯宇违反实习合同，赔偿字节 50 万元，同时返还全部实习工资。在 2026 年彭博社的专访中，田柯宇补充了更多细节。他当时叫停了另一名实习生的项目，是因为他认为对方超额占用算力，所以他用干扰的方式去对抗。回顾这件事，他承认自己做错了，“当时我的做法无异于以暴制暴，”田柯宇说道。“如果能以今天的眼光重新来过，我一定会采取更明智的做法。”不少人指出，技术天赋不能作为突破职业底线的理由。也有媒体认为，这件事暴露出大厂 AI 实验室残酷的算力内卷。在 AI 实验室里，所有人都在排队等 GPU，如何合理分配资源，是当前大厂面临的组织困境。田柯宇的做法固然极端，同时也折射出天才个体和组织规则的激烈碰撞。在创投界，唯人品论还是唯技术论的争议，至今是难解的议题。一方面不少投资人表示“人品有问题的绝对不能再用，越聪明越危险”。另一方面，在世界模型赛道，能够提出底层范式创新的顶尖人才极度稀缺。而田柯宇在视觉自回归、模型压缩上的工程能力，正是赛道刚需。而田柯宇的融资透露了一个赛道新风向，资本开始押注效率。李飞飞创立 World Labs，连续多轮融资累计超 10 亿美元，估值 54 亿美元，近期被 AMD 82 亿美元收购；杨立昆离开 Meta 创办 AMI Labs，种子轮拿到 10.3 亿美元，投后估值 45.3 亿美元；前阿里通义负责人林俊旸的语用科技，首轮拿到高榕、红杉、腾讯等 2.2 亿美元，估值 20 亿美元。作为连接机器人、自动驾驶、具身智能体、交互式虚拟场景的底层物理引擎，世界模型正展现出巨大的产业前景并加速分化，衍生出一些具体的流派。比如，以 Sora、PixVerse 为主的像素渲染派，画面越像现实越好；以 DeepMind Genie3 为代表的几何物理模拟派，能生成可持续几分钟交互一致的 3D 环境；李飞飞 World Labs 属于空间重构派，核心是空间智能，从 2D 还原 3D；还有具身规划派，以宇树、Pragmatik Labs、Momenta 为代表，把世界模型直接当成机器人小脑。五源资本等机构把钱砸给田柯宇，赌的就是“纯自回归路线（VAR）在效率上能降维打击李飞飞的路线”。李飞飞团队走的是“学院派”的优雅路线，重建三维世界，再去理解物理。但重建三维几何工程成本极高，算力消耗是个无底洞。而且这里有个逻辑盲区，AI 知道物体长什么样，不代表懂物理规律。比如一张拱桥的照片，AI 能完美画出每一块砖，但它可能根本不知道，如果抽掉最底下的一块砖，整座桥会塌。田柯宇的思路，完全绕开显式三维重建。用极致压缩的符号去猜下一个画面，凭借 Scaling Law，自己悟出物理规则。AI 圈一直有个共识，智能的本质就是信息压缩。视频数据存在巨量冗余，静止的背景、无意义噪点，占据绝大多数像素。田柯宇的符号系统，本质上就是一个超级压缩包，只留核心动作。压缩效率越高，模型就越容易捕捉到深层的物理因果，推理成本也会成倍下降。在世界模型商业落地的进程中，算力成本是难以逾越的门槛。有的高阶模型算一秒钟的物理模拟，要烧掉十几美金。田柯宇对外披露能将生成一秒钟视频的成本降低至少一个数量级，正是打动投资人的关键。李飞飞 World Labs 被 AMD 收购，证明空间重构路线有巨大产业价值，但不代表这就是唯一答案。田柯宇的纯自回归符号世界模型，代表了另一条更适配硬件、更容易跑通 Scaling Law 的技术叙事。- 仅靠 20 万个符号进行视频的时空压缩，能否在长时序、复杂物理交互中稳定涌现出可靠的物理因果，目前尚未经过大规模的公开验证。
- 1 亿小时高质量视频数据的清洗、去重与质量筛选，本身就是一项庞大的工程。
- 团队规模仅有 10 人，在世界模型赛道，算力调度、基础设施、数据治理的工程压力极大。
- 过往的争议会持续影响人才招募、学术合作、行业信任，一旦技术进展不及预期，资本会快速失去耐心。
在商业与科技的绞肉机里，道德审判往往会让位于工程奇迹。田柯宇能否用一次技术的核爆，来洗刷掉职业生涯的污点？这不仅是对 Scaling Law 的一场豪赌，更是对人性的极限测试。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
