夜雨聆风曹越又在押注了。
这位 Sand.ai 的创始人，清华博士、光年之外的前联合创始人，过去两年每一次关键决策都在赌一个"非共识"。自回归路线、音画同出、MoE 架构——三次 All in，三次与市场主流对着干。
现在他带着超亿美元新融资回来，说七月要开源一个新模型，每个维度都要做到 SOTA。
一个连续赌对的人
2024 年 1 月，曹越成立 Sand.ai。那时候视频生成赛道的主流叙事是 Diffusion，几乎所有人都在这条路上挤。曹越选了自回归——Predict Next Frame，一帧一帧地预测视频。
说实话，当时没几个人觉得这是正解。
但 2025 年初 Magi-1 发布后，Google DeepMind 搞了个 Physics IQ benchmark，专门测模型对物理规律的理解。Magi-1 直接拿了第一，而且长期霸榜，把英伟达的 Cosmos3-Super 和 OpenAI 的 Sora-2 都甩在后面。
这个结果挺有意思。它说明在视频生成这件事上，"一帧帧预测"可能比"一步步去噪"更贴近世界的运行方式。物理规律本身就是时间上的因果关系——球会下落是因为重力持续作用，不是因为某个噪声被去掉了。
画面不够，声音来凑
Magi-1 之后，曹越很快意识到一个问题：只有画面是不够的。
这个直觉其实很好理解。你看一部电影如果把声音关掉，哪怕画面再精美，沉浸感也少了一半。反过来，一段带声音的视频，哪怕画质一般，你也会觉得更"真实"。
Sand.ai 从去年 5 月开始做音画同出，成了 Google Veo-3 之后第二个拿出这个能力的团队。曹越说了一个观点我觉得很有意思：音画同出之后，只看画面，真实感也会显著提升。因为两个模态在训练时会互相帮助，画面生成会"参考"声音信息来调整自己。
这有点像你闭眼听一段雨声，脑子里自然就有雨滴落在树叶上的画面。感官从来不是孤立工作的。
不可能三角和 MoE 的答案
视频模型有个不可能三角：成本、速度、效果，三者最多取两个。
Sand.ai 之前用的是 Dense 架构，就是所有参数每次都参与计算。效果确实好，但成本压不下来。曹越说，如果继续用 Dense 做到同样效果，推理成本至少要贵 3 到 5 倍。
2025 年 11 月，他决定转向 MoE——Mixture of Experts，每次只激活一部分参数。这个思路在语言模型上已经验证过了（比如 DeepSeek-V3），但视频领域没人做。
为什么没人做？因为视频 MoE 比语言 MoE 难得多。视频的 Token 序列比文本长得多，冗余度也更高，通信开销、负载均衡、训练稳定性全被放大了。Sand.ai 在架构上做了多项创新，首次实现了超大规模视频 MoE 的稳定训练。
七月要发的新模型就是这个方向的结果：MoE 架构，兼顾高效推理和开源领域最大参数规模。曹越说有信心做到头部水准，而且要开源。
世界模型？先别急
聊到世界模型，曹越直接说了一句狠话："每个人在说世界模型的时候，大概率都不知道在说什么。"
他给了一个判断：世界模型还在"前 GPT 时代"——数据不够、定义不清、技术路线远没收敛。
但他确定一件事：视频是通往那个终局最重要的路径。
为什么？因为视频是对世界规模最大的观测数据。它同时编码了时间、空间、视觉、听觉，是 4D 物理世界经由摄像头投影后的结构化切片。你要找一种最接近"世界原始观测"的数据，视频就是答案。
曹越还提到了 The Bitter Lesson——每次人类试图用先验知识去拆解世界，本质上都在低估它的复杂度。LLM 已经演示过一遍了：多少人试图显式建模词的表征、句子的结构，最终全被 predict next token 杀死了。
"我们不应该在多模态建模上重蹈覆辙。"
他打了个比方：一个孩子认识世界，没人给他塞物理课本告诉他重力是 9.8。他就是从看到的、听到的越来越完整的观测里，自己搞明白了世界怎么运转。视频模型走的是同一条路。
边做模型边做产品
曹越没被"模型公司要不要做应用"这个讨论困扰。他的逻辑很直接：创业公司如果没有训练 SOTA 模型的能力，很容易被模型厂商整合。
Sand.ai 今年 1 月上线的音乐 Agent 产品 VidMuse，三个月做到了千万美元 ARR。这个数字说明 AI 视频 Agent 的商业化是成立的。
他的策略是"以模型为核心的多产品矩阵"。VidMuse 是其中一个探索，之前也做过数字人。用户每天生成内容，端到端收到反馈——什么好、什么不好——这些数据又能帮助模型后训练。
说实话这个飞轮逻辑是通的。模型解锁一个能力，产品就少搭一层脚手架。以前没有多镜头，产品侧就得想办法解决；现在模型原生支持了，产品侧就能做更上层的事。
牌桌上见
曹越对竞争格局的判断挺清醒：视频模型的垄断程度不会比语言模型更高。现阶段领先窗口大概两三个月，很快都会被追上。最终大概率是三五家一起分这个巨大的市场。
"重点是只要你一直在牌桌上，就有机会吃到可观的一部分。"
OpenAI 关了 Sora App，他觉得合理——主营业务在 Coding 上落后了，把算力平移到 Codex 更可能撑起上市业绩。战略收缩而已。
至于中国为什么能在视频模型上做到 Tier 1，曹越认为主要是起步时间差距不大。语言模型国外从 GPT-1 就开始积累了，国内 2023 年才启动。但视频模型大家差不多同时起步，加上国内短视频生态更活跃，落地速度反而快。
三轮融资、三代模型、三次非共识。曹越的底牌摊开了：七月开源新模型，目标每个维度 SOTA。
这次他还能赌对吗？
