牛道配资中国 AI 视频赛道最大单笔融资，为什么给了爱诗科技

APPSO 获悉，爱诗科技近日完成 3 亿美元 C 轮融资，创下国内 AI 视频生成赛道单笔融资的最高纪录。

领投方鼎晖香港基金联合鼎晖 VGC、鼎晖百孚重金押注；产业资本中国儒意、三七互娱紧随入场；国内政府引导基金、险资、家族办公室，还有 UOB Venture Management、Lion X 基金。参投名单横跨两个半球，不同领域的资本默契涌向了同一个方向。

3 亿美元融资放在当下 AI 行业似乎没有什么好惊讶的，这还不到 OpenAI 融资的零头。但你得把这个数字放进 AI 视频赛道的坐标系里看：成立于 2018 年的 Runway，花了七年才在上个月完成 3.15 亿美元的 E 轮融资。而爱诗科技从种子轮走到同等量级的 C 轮，只用了不到三年。

A 轮，达晨财智领投，蚂蚁集团跟进；B 轮，阿里巴巴领投逾 6000 万美元，彼时已是国内视频生成赛道最大的一笔钱；C 轮，3 亿美元，纪录再次被自己改写。

每一轮都有新的顶级机构首次入场，每一轮金额都在翻倍。节奏越来越快，筹码越押越重。

实际上，这笔融资反映出的信号大于数字本身：AI 视频不再是大模型叙事的配角，资本已经把它当作一条独立的、值得重仓的赛道来押注。

爱诗科技创始人王长虎曾在 2024 年表示，视频生成一定是被低估的。爱诗科技用不到三年时间，将这个非共识变成了资本共识。

非共识的起点：2023 年，为什么是视频

「我不会创业，但没关系，创业就是边做边学。」2023 年 4 月，爱诗科技创始人王长虎决定创业时，就是带着这句话出门的。

2023 年 4 月，爱诗科技创始人王长虎带着一个在当时看起来相当「偏科」的判断出来：当所有人都在追大语言模型，他要押注视频生成。

要知道一年之后 OpenAI 的 Sora 才正式亮相，可以想象当时王长虎这个选择有多么反常识。

在微软亚洲研究院待了 8 年、在字节跳动做了 4 年 AI Lab 总监之后，王长虎比大多数人更清楚视频 AI 的技术节奏。「2023 年初很多人都不认同做视频这件事，大家都在看大语言模型，」他后来回忆，「但这就有了非共识：我们觉得视频生成是大事，而我们过去在视频和 AI 方面有经验，能赢在全球。」

这个判断在当时要承受不小的压力。相比语言模型，视频生成的算力消耗更大，生成质量更难控制，产品化路径也更模糊。早期的投资人需要相信的，不是现在能看到什么，而是三年后那张尚未成型的蓝图。

2024 年 3 月，达晨财智率先领投 A1 轮，完成了第一次押注。随后一个月，蚂蚁集团以逾 1 亿元人民币跟投，是彼时国内 AI 视频领域单笔最大机构投资。至此，爱诗科技基本完成了从「技术方向」到「资本方向」的验证。

王长虎在创业之初就明确了愿景：「帮助每个人成为生活的导演」。海外产品 PixVerse 和国内产品拍我 AI，都是在这个方向上的落地——前者于 2024 年 1 月上线，后者于 2025 年 6 月推出，两款产品针对不同市场独立运营。

DiT 架构：那个没人看好的选择

要理解这笔 3 亿美元的 C 轮，需要先看懂爱诗科技的技术路线。

把爱诗科技的技术路线从头捋一遍，会发现 DiT（Diffusion Transformer）架构这个选择，是整个故事的原点，也是很多结果的前提。

2023 年，国内主流视频生成方案普遍采用 U-Net 架构。这也没问题，U-Net 经过了图像生成领域多年实践的充分验证，稳定、成熟，调参经验相对成熟，可以较快地跑出效果。对大多数想先做出来再说的团队，这是理所当然的选择。

可以爱诗科技选了 DiT，成为国内首家将这一架构用于视频生成的创业公司。

DiT 是 Diffusion（扩散模型）与 Transformer 的组合架构。Transformer 的核心优势在于注意力机制（Attention Mechanism）——它让模型在处理数据时，能够同时「感知」序列中任意位置的信息，而不是像卷积网络那样只能处理局部区域。

对于视频生成这个任务来说，这种能力的价值是决定性的：视频的本质是时间轴上的连续帧，每一帧的内容与上下帧存在复杂的时空依赖关系。人物的动作要连贯，物体的运动轨迹要符合物理规律，光影变化要在跨帧时保持一致——这些要求，需要模型能够捕捉「跨帧的长程时空关联」，而这正是 Transformer 天然擅长的事。

但这个选择在 2023 年要付出不小代价：DiT 在训练初期对算力和数据量的要求更高，起步阶段几乎必然要经历「效果不如成熟 U-Net」的阵痛期。对一家刚起步的创业公司，这是不小的风险，钱可能在效果变好之前就烧完了。

事实证明，这个判断是对的。2024 年 Sora 发布时，OpenAI 公开的技术路线正是 DiT。在视频生成这个方向上，DiT 架构确实是更接近正确答案的那条路。

当 Sora 发布时，爱诗已经在 DiT 架构上积累了一年多的训练经验、数据处理流程、工程优化方案。这种时间差，在技术迭代速度极快的 AI 领域，十分关键。

模型产品两手抓，被低估的核心逻辑

在 AI 视频领域，大多数公司的做法是先把模型训练好，再去想产品怎么做。这是一条看起来稳妥的路，模型成熟了，产品化的风险就小得多。

但这种路线有个致命问题：等模型「训练好」的时候，你已经错过了最关键的反馈窗口。用户真正需要什么样的生成效果？哪些场景的需求最强烈？模型应该在哪些维度上优先优化？这些问题，只有产品跑起来、用户用起来，才能得到真实答案。

爱诗从一开始就把模型训练和产品迭代放在同一个循环里。

PixVerse 网页版 2024 年 1 月上线时，模型还远未到「完美」状态，但产品已经可以让用户生成视频、给出反馈。每一个版本的模型升级，都直接来自上一个版本用户的真实使用数据，哪些 Prompt 成功率低、哪些特效最受欢迎、哪些场景容易出错，这些信号实时回流到训练流程，指导下一轮模型优化的方向。

更重要的是，这种模型-产品的协同进化，会随着时间推移形成复利效应：用户越多，反馈越密集，模型优化越精准，产品体验越好，又吸引更多用户——这是一个正向飞轮，而不是单向的技术推进。

「这就是创业公司的优势所在，没那么复杂，所以效率高，」爱诗联合创始人谢旭璋说。这句话听起来轻描淡写，但背后是对技术路线、产品节奏、组织能力的高度整合。大厂可以投入更多算力、更大团队，但很难做到这种模型与产品的深度结合，流程太长，部门太多，反馈链条一旦拉长，速度优势就会被稀释。

这种效率优势最终体现在成本结构上。谢旭璋在接受晚点采访时透露，爱诗「平均每月用的训练资源不到千卡，成本大概只有同行的 10%」。

这是一种结构性的成本优势，而不是靠压缩预算换来的短期节省。用谢旭璋的话说，是模型架构、算法、工程、产品能力的综合优势。

当模型优化方向始终贴着真实需求在走，就能减少在错误的方向上浪费算力；产品反馈能实时指导训练策略，每一次迭代的投入产出比都会更高。

从 2024 年 1 月 PixVerse 网页版正式上线，到 2026 年初 V5.6 发布，爱诗科技连续更新 8 个主要版本，平均每两个月就有一次大的模型升级。

这种迭代密度的背后，正是模型与产品一起训练的方法论在起作用：

V2（2024 年 7 月）：多段视频生成与局部重绘笔刷上线，用户从单纯「生成一段」开始走向「编辑与创作」；

V3（2024 年 10 月）：特效模式上线，「抽卡概率」从随机提升至接近确定性，这是 PixVerse 从创作工具迈向大众产品的真正节点；

V3.5（2024 年 12 月）：生成时间压缩至 10 秒内，极大降低用户等待成本；

V4（2025 年初）：「准实时生成」能力出现，5-7 秒生成 5 秒视频；

V4.5（2025 年 5 月）：参数量与训练数据集指数级扩张，全球用户达 6000 万；

拍我AI （2025 年 6 月）：PixVerse 国内版「拍我AI」发布，同步上线网页端及移动端应用；

V5（2025 年 8 月）：Agent 创作助手上线，用户不再需要学习 Prompt 语法，口语化意图自动转化为模型指令，API 生态同步开放；

V5.5（2025 年 12 月）：「分镜 + 音频」一键生成，国内首次实现画面与声音的同步协同，完整叙事能力成型；

V5.6 （2026 年 1 月 26 日）：模态大模型，支持分镜和音画同步生成。

在权威 AI 评估机构 Artificial Analysis 最新发布的视频生成模型排行榜中， PixVerse V5.6 位列全球第 2 位，持续领跑全球视频生成模型第一梯队。

这种迭代密度在 AI 视频行业里相当罕见，爱诗跟很多同类产品的策略不同：持续往前推，每一版解决真实用户在当下遇到的真实问题，同时在架构层面为下一次跃升保留余量。

背后的可行性，恰恰是 DiT 架构的可扩展性所赋予的，每次模型升级，不需要推倒底层重来，而是在既有基础上加宽加深。

3 亿美元，押注不只是 AI 视频

但鼎晖最终决定领投这次 C 轮，押注的不只是 V5 的榜单排名，可能还有 2026 年 1 月刚刚发布的 PixVerse R1。

R1 可以说是爱诗科技迄今最激进的一次产品技术迭代。

过去的视频生成，无论做得多精致，本质上都是「把指令翻译成一段视频文件」，是一次性的、离线的渲染过程。用户输入指令，等待生成，拿走一段固定的视频文件。这像是在冲洗胶卷，你拍完就拍完了，要等冲洗出来才能看，看完也无法再改。

R1 不是这个逻辑，它不再只是「生成一段视频」，是一个能实时响应用户交互指令的「世界模型」：用户可以在视频播放中输入指令，改变光影、替换背景、控制角色走向，系统响应延迟约 2 秒，输出为 1080P 超高清实时视频流。

背后依赖的是爱诗自研的「瞬时响应引擎（IRE）」，它将计算步骤从数十步压缩至 1-4 步，实现从「离线渲染」到「实时交互」的重要升级。

谢旭璋判断，未来视频和游戏的边界一定会越来越模糊。一旦视频变得能交互了，全新的内容、用户和创作机会就会涌现。

谢旭璋在采访中透露，R1 发布后，游戏行业的 B 端客户来得最多，「以后的游戏开发不用再像过去那样熬漫长的大周期了，无论是玩法、画面还是剧情，AI 都能让它变得更轻量、更具想象力。更重要的是，它能帮那些不懂代码但有创意的人，把点子变成真正的游戏。」

R1 的潜在价值，已经超出了「更好的视频生成工具」这个范畴。如果说 PixVerse V5 是在争视频生成工具的头部位置，R1 是在定义是一个完全不同的品类——实时交互式内容体验的操作系统。它的竞争对手，不再是 Runway 或可灵，是 Unity、Unreal Engine，甚至是尚未出现的内容消费形态。