字节"干扰模型训练"实习生融资近2亿元

出品 | 网易智能

作者 | 小小

编辑 | 王凤枝

两年前，田柯宇因干扰模型训练被字节跳动解聘，并被起诉索赔800万元。

如今，他创办的公司还没有正式产品，就拿到了近3000万美元融资，估值达到2亿美元。

据彭博社10月7日报道，投资方包括五源资本、IDG资本等机构。两家机构均向该媒体确认参与投资，未透露更多细节。这家公司尚未公开名称，团队约10人，其中包括几名前字节员工。

这支十人团队瞄准的，是李飞飞也在押注的世界模型领域：让AI学习物体如何运动、环境如何随行动变化，用于机器人、自动驾驶和交互式视频等场景。

田柯宇准备从自己擅长的图像生成研究入手。他以第一作者身份发表的论文，曾获NeurIPS 2024最佳论文奖。据他介绍，团队如今已构建了一套约20万个符号的“视觉词典”，用于帮助AI处理视频信息。

01被起诉的实习生，也是最佳论文作者

田柯宇与字节跳动的纠纷，始于2024年夏天。

据第一财经此前援引字节内部通报的报道，当年6月至7月，田柯宇因对团队资源分配不满，通过编写、篡改代码干扰研究项目的模型训练任务。字节在8月将其辞退，并把相关情况告知其就读学校和行业联盟。

消息传到网上后，出现了“涉及8000多张GPU、损失上千万美元”等说法。字节随后澄清，受影响的是商业化技术团队某研究项目的模型训练，不涉及字节大模型等其他业务，也没有影响正式项目和线上业务，网传规模严重夸大。

到了11月，字节提起诉讼，要求田柯宇赔偿800万元、承担2万元合理支出，并公开道歉。

据彭博社查阅的判决书，法院后来判令田柯宇因违约赔偿50万元。

在此次接受彭博社采访时，田柯宇给出了自己的解释：他关闭了另一名实习生的程序，希望把计算资源腾出来，交给其他研究人员。他承认做法不当，同时将自己的行为形容为“以暴制暴”。

“如果能重来一次，我肯定会选更明智的做法。”他说。字节发言人没有回应彭博社就这次解聘提出的置评请求。

这场纠纷之外，田柯宇的研究也在同一年获得了关注。他作为第一作者发表的《Visual Autoregressive Modeling》获得NeurIPS 2024最佳论文奖，提出了一种更高效的图像生成方法。

他的职业行为争议也让这次授奖受到讨论。

NeurIPS在官方评奖说明中强调，委员会依据论文的科学价值独立作出决定，不单独考虑作者身份等因素。

当时，田柯宇正在北京大学求学，曾于2021年至2024年在字节跳动实习。

如今参与投资的机构中，还有钟鼎资本。该机构合伙人Vita Gu向彭博社表示，田柯宇能够把复杂的技术想法讲得足够清楚，这让他在众多创业者中给人留下了深刻印象。

X用户@Geet Govil则把这笔融资看成对未来的下注：获奖论文已经摆在那里，新公司仍像一张白纸。在他看来，如果视觉符号系统能把生成成本降低一个数量级，2亿美元的估值就有了想象空间；如果做不到，投资者买下的主要还是创始人的研究能力。

02 20万个符号，怎样帮助AI处理视频

田柯宇的创业项目，延续了他对视觉信息处理效率的关注。

在获奖的VAR研究中，模型生成图像的顺序发生了变化。此前的一类自回归方法，会按固定顺序逐个预测视觉token；VAR则采用由粗到细的多尺度预测，先得到低分辨率的图像表示，再逐级生成更高分辨率的结果。

可以把这个过程理解为：先确定画面的整体轮廓，再一层层补充细节。

逐个预测时，后面的token要等前面的生成完；VAR可以在同一尺度内并行生成token，减少逐个等待的步骤。

论文在ImageNet的256×256图像生成测试中报告，相比所选的自回归基线，VAR的推理速度约为其20倍，图像质量也有所提升。研究团队还展示了图像补全、扩图和编辑等能力。

这项成果出自合作研究。论文列有田柯宇等5位作者，署名机构包括北京大学和字节跳动，相关模型与代码已经公开。

现在，田柯宇想把研究推进到视频。相比一张静止的图，视频还要处理连续画面之间的变化：物体在移动，视角在改变，前后帧中的内容需要彼此衔接。

比如生成一段人物走过房间的视频，房间的布局要保持稳定，人物在转身、被遮挡之后也得对得上。每一帧单独看着漂亮，并不足以让整段动作连贯。模型还得处理这些画面之间的关系。

他把团队正在构建的系统称为一套供AI使用的“语言”。

其中约20万个符号并不是人类能够直接阅读的单词，而是帮助模型表示、处理视频信息的编码。

文字提示词告诉模型用户想要什么，画面本身则由专门的视觉表示来处理。现有视频模型已经在使用这类内部表示，田柯宇希望进一步提高它的效率。

“你永远不可能用人类语言完美地描述一段视频。”他向彭博社表示，团队先为AI建立这套语言，接下来计划用约1亿小时的视频进行训练。他希望借此降低视频生成的计算成本。

投资方五源资本也关注这一问题。据BigGo报道，五源在今年5月组织了一场世界模型讨论，强调视觉信息压缩和计算效率的重要性。压缩得更高效，意味着模型有机会用更少的计算处理同样多的视频信息。

从图像走向视频，还要进一步走向世界模型，任务也随之变化。

生成一段连贯的视频之外，模型还需要预测：机器人向左迈一步，眼前的环境会怎样改变；一个物体受到外力后，会向哪里移动。

这也是机器人和自动驾驶研究者关注世界模型的原因。假如模型能够较准确地预测不同动作的后果，智能体就有机会先在模拟环境里尝试，再选择下一步怎么做。

对交互式视频而言，观众一旦能控制方向，画面也要随新的操作继续变化。田柯宇此前的图像生成成果，为新项目提供了研究起点，后面这些能力还需要通过新的实验来展示。

03李飞飞、杨立昆已经入场

李飞飞创办的World Labs研究空间智能。按照AMD的介绍，其模型可以根据文字、图像和视频生成、重建与模拟可交互的三维环境，相关技术还面向机器人学习和仿真。

9月28日，AMD宣布签署收购World Labs的协议，拟以约82亿美元完成全股票交易。交易预计在2026年底前完成，仍需获得监管批准等。苏姿丰在公告中表示，World Labs的模型研究经验将帮助AMD更好地理解下一代AI对硬件、软件和系统的需求。

据彭博社报道，Meta前首席AI科学家杨立昆创办的AMI Labs已获得10亿美元种子融资。

从AMI Labs的种子轮到World Labs的收购协议，世界模型的研究团队已经成为投资机构和芯片公司的争夺对象。

谷歌DeepMind的Genie 3则展示了另一种产品形态：根据文字生成虚拟环境，用户可以在其中实时探索。据DeepMind发布时介绍，Genie 3能够以每秒24帧生成720p画面，并让环境在数分钟的交互中大体保持一致。

DeepMind特别提到，用户离开一个地方、一分钟后再回来，模型需要找回之前的相关信息。它既要记住已经生成的环境，又要响应眼下的新动作。

用户转身之后，不能一等就是几十秒；这让视觉信息处理的效率，直接关系到交互是否流畅。

国内的PixVerse和3D AI公司Vast，也在研究交互式世界模型。它们希望把视觉生成从观看一段预先生成的内容，推进到能够随用户操作持续变化的环境。

钟鼎资本的Vita Gu向彭博社表示，政策对物理智能的支持力度很大，市场资金也同样热切。

田柯宇获得融资时，同行已经开始展示各自的模型，但这支十人团队还没有发布完整模型。

04先把模型做出来

田柯宇给新方法定下的成本目标，是把生成一秒视频的费用降至原来的十分之一甚至更低。

目前，报道没有给出这项预期对应的测试结果；要比较节省了多少，还需要知道生成视频的画质、时长和分辨率。

围绕这笔融资，X用户@SmaeiliVahid提出了另一层关切。他更想知道的是，世界模型实验室获得资金之后，将用什么数据训练模型，又怎样把模型放到实际环境里检验。

这比单看估值多追问了一步：模型最终要模拟的那些变化，能否与现实对得上？

田柯宇披露的约1亿小时视频，是接下来的训练计划。报道没有展开数据来源、筛选方式和训练配置。

对这套视觉符号系统而言，训练之后能保留多少细节、能否连续生成合理的运动，将比“词典里有20万个符号”更直观。

田柯宇目前没有把精力放在消费级产品或商业模式上。他向彭博社表示，团队优先要做的是把技术交付出来。

田柯宇的X账号背景图选用了电影《降临》的画面：语言学家隔着防护罩举起一块白板，上面写着“HUMAN”。他的简介仍把“NeurIPS 2024最佳论文第一作者”放在最前面，下面写着“been in [lab mode]”，再下一行是“more soon”。

他准备先通过现场活动演示团队的技术。完整模型，则计划在2027年发布。