當年「字節投毒實習生」田柯宇，估值 2 億美元，要挑戰李飛飛做世界模型

2026 年 10 月，AI 創投圈迎來一筆頗具戲劇感的融資。一家 10 人規模的神秘實驗室，沒產品、沒名字，成了資本市場冰火兩重天的風暴眼。一方面，業內進行著道德審判，“人品不行的公司絕對不能投”，另一方面，頂級 VC 機構五源資本和 IDG 卻暗中追捧，偷偷塞了 3000 萬美金，把估值推到 2 億美元。而這家公司的創始人，正是 2024 年震動國內 AI 圈、被稱作 “字節投毒實習生” 的北大博士生田柯宇。彼時，他身陷字節跳動索賠 800 萬元的訴訟風波，卻同時以第一作者身份拿到 NeurIPS 2024 最佳論文獎。

這樣一個爭議與天才並存的人，如今又拿到了頂級 VC 的鉅額押注，要在世界模型領域另闢蹊徑，與李飛飛較量。在世界模型熱的當下，路線之爭加速分化且日趨複雜，資本押注技術團隊時，也在技術爆發力和歷史汙點中重新權衡。01田柯宇的公司在做什麼？田柯宇切入世界模型賽道的角度確實獨特，他想讓 AI 發明一套自己的語言，重新理解現實世界。在他看來，人類語言並不適合完整描述物理世界，它的信息維度太低，會丟失了海量物理信息，也會白白消耗算力。比如，一段橘貓從桌上跳下的五分鐘視頻，很難用文字準確描述物體的位置、運動軌跡、光影和物理變化。因此，他的思路是創造一套 AI 專屬的符號語言。

目前，團隊已經搭建了一套包含 20 萬個符號的“視覺詞典”。這些符號人類看不懂，但 AI 可以用它們表示、壓縮和預測視頻。據他介紹，這種方法能將生成一秒鐘視頻的成本降低至少一個數量級。然後，他們準備喂進去大約 1 億小時的視頻，讓模型通過這套自己的語言去學習現實世界。最終，田柯宇希望打造一個機器人、自動駕駛和交互式視頻等領域的基座模型，計劃於 2027 年正式發佈。他透露，團隊目前不急於商業化，重心仍放在基座模型研發上。有網友指出，這個想法並無新意，本質上就是把圖像和動作換成了機器自己的符號。

不過，這套“新語言”對視覺模型有一個實打實的用處，能徹底解決“指代不清”的混亂，讓 AI 在長時間模擬物理世界時保持絕對的穩定，從而真正改良視覺模型的底層架構。這個想法並非憑空誕生，如果溯源，其實繞不開兩年前，他以第一作者身份拿下的那篇 NeurIPS 2024 最佳論文，《Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction》，這篇論文正是他在字節參與的項目，開發新一代的視覺生成模型 VAR。

在當年 NeurIPS 上萬篇投稿中，這篇論文能殺出重圍，關鍵在於它讓視覺生成像 LLM 一樣，可以依靠 Scaling Law 持續提升能力，同時降低生成成本和實現複雜度。在 VAR 出現之前，視覺生成一直在兩條彎路上內卷。最早的一派是模仿 LLM 的自迴歸的路線，以 VQ-VAE、VQGAN 為代表。它採用光柵掃描，把 2D 圖像強行展平成 1D 長序列，像老式打印機一樣，從左上角到右下角一個一個 Token 地預測。這帶來的問題，一個是像素間的二維空間聯繫被切割，AI 並沒有真正獲得原生的視覺能力；另一個是圖像 Token 數量遠多於文本，為了重新理解像素間的關係，注意力計算量直接爆炸。

另一條路線是以 Midjourney、Sora 為代表的擴散模型，它們的邏輯更符合人類的視覺體驗，“先畫出模糊的全局輪廓，再精心修飾”。在畫面質量上，擴散模型擊敗了早期自迴歸模型，統治了視覺生成。但擴散模型也有自己的問題，生成速度太慢，算力消耗巨大，很難用在自動駕駛、實時交互等需要實時響應的場景。而且它和 LLM 的自迴歸架構根本不是一套體系，做不了原生的多模態統一。田柯宇和當時的團隊沒有沿襲擴散模型，而是重新回到自迴歸這條老路，提出了一套叫“下一尺度預測”的新玩法。具體來說，VAR 不再把圖像拉成一維，而是保留圖像原本的二維結構。

它靠多尺度殘差 VQ-VAE，把圖像拆成一層比一層清晰的分辨率圖，從 1×1 的模糊全局輪廓開始，接著是 2×2、4×4、8×8……模型像人類畫畫一樣，由粗到細，一層一層地並行預測出下一級的所有細節。這個思路讓生成速度直接漲了 20 倍。更關鍵的是，它用純正的 GPT 架構搞定高質量的視覺生成，給多模態大一統鋪了路。VAR 也是第一次在視覺生成裡跑通了近乎完美的 Scaling Law。當模型參數從 3 億擴大到 23 億時，不僅性能跟著提升，還自動“湧現”出了零樣本的圖像修復、畫面外擴和指令編輯能力。

然而，就在這篇頂會獲獎論文發佈的同時，田柯宇個人的爭議事件爆發，VAR 項目的代碼倉庫裡出現了大量關於學術倫理和誠信的質疑。字節的起訴、後續法院判決，也讓國內外高校、大廠研究機構短期內不敢和他開展公開學術合作，算力支持也成了問題。面對這種局面，田柯宇主動退出傳統學術賽道，轉身創業，把 VAR 的思路套在更復雜的視頻和世界模型上。02當年投毒事件更多細節離開字節後，田柯宇近乎兩年銷聲匿跡，沒有再發表過什麼令人矚目的論文。在最新接受彭博社的獨家專訪時，他主動揭開了當年那場“投毒事件”的更多內幕。

關於這個爭議事件，當年在互聯網上版本眾多，且充斥不少誇張細節：某實習生摧毀 8000 張 GPU，造成上千萬美元損失，直接讓字節大模型訓練癱瘓。但結合字節官方聲明、法院裁決文件，這件事折射出的問題更像是大廠內部算力資源爭奪的真實困境。2024 年 6 月到 7 月期間，田柯宇作為北大在讀博士生，在字節商業化技術部門實習，做 VAR 項目。他不滿團隊算力分配，於是，他編寫篡改代碼，干擾同事模型訓練任務。他採用的技術手段並不複雜，是利用了 Hugging Face 加載模型存檔時的一個安全漏洞，在權重文件裡偷偷塞進了惡意代碼。

其他同事只要加載這份文件繼續訓練，惡意代碼會動態改寫對方訓練用的優化器，讓模型朝著錯誤的方向去優化。另一方面隨機插入延時指令，拖慢訓練速度。結果就是整整一個季度裡，團隊 30 多位研究者白乾。2024 年 8 月，字節完成內部調查後，解除田柯宇的實習協議，將事件同步北京大學、陽光誠信聯盟與企業反舞弊聯盟。最初，字節最初考慮到田柯宇博士生身份，並沒有把這事鬧大，而是交由校方內部處理。2024 年 10 月中旬，“字節實習生給大模型投毒、涉及 8000 多張卡、損失上千萬美元”的聊天截圖在微信群裡病毒式擴散。

10 月 18 日，字節公開聲明確認有實習生被辭退，同時澄清“涉及 8000 多卡、損失千萬美元”言論是嚴重誇大，受影響的只是內部研究項目，並非字節對外商用大模型。在事件曝光後，田柯宇多次對外否認作案，聲稱自己遭到嫁禍，甚至報警維權。字節認為對方沒有認識到行為問題，11 月 25 日，一紙訴狀，把他告到了北京市海淀區人民法院，要求索賠 800 萬元，以及 2 萬元合理支出，要求田柯宇公開賠禮道歉。隨後，戲劇性一幕出現：2024 年 12 月 4 日，NeurIPS 2024 公佈最佳論文，田柯宇作為一作的 VAR 上榜，這項成果正是他在字節實習期間和團隊共同完成。

在人工智能領域的學術殿堂中，NeurIPS 的地位堪比文學界的諾貝爾獎，而這篇論文是第一篇來自中國大陸的 NIPS 最佳論文。天才成就與職場違紀，集中在一人身上，整個國內 AI 圈譁然。後續經過審理，法院最終判決田柯宇違反實習合同，賠償字節 50 萬元，同時返還全部實習工資。在 2026 年彭博社的專訪中，田柯宇補充了更多細節。他當時叫停了另一名實習生的項目，是因為他認為對方超額佔用算力，所以他用干擾的方式去對抗。回顧這件事，他承認自己做錯了，“當時我的做法無異於以暴制暴，”田柯宇說道。“如果能以今天的眼光重新來過，我一定會採取更明智的做法。”不少人指出，技術天賦不能作為突破職業底線的理由。

也有媒體認為，這件事暴露出大廠 AI 實驗室殘酷的算力內卷。在 AI 實驗室裡，所有人都在排隊等 GPU，如何合理分配資源，是當前大廠面臨的組織困境。田柯宇的做法固然極端，同時也折射出天才個體和組織規則的激烈碰撞。在創投界，唯人品論還是唯技術論的爭議，至今是難解的議題。一方面不少投資人表示“人品有問題的絕對不能再用，越聰明越危險”。另一方面，在世界模型賽道，能夠提出底層範式創新的頂尖人才極度稀缺。而田柯宇在視覺自迴歸、模型壓縮上的工程能力，正是賽道剛需。而田柯宇的融資透露了一個賽道新風向，資本開始押注效率。03世界模型熱潮中，資本為什麼押注效率路線2026 年的世界模型，融資消息不斷傳來。

李飛飛創立 World Labs，連續多輪融資累計超 10 億美元，估值 54 億美元，近期被 AMD 82 億美元收購；楊立昆離開 Meta 創辦 AMI Labs，種子輪拿到 10.3 億美元，投後估值 45.3 億美元；前阿里通義負責人林俊暘的語用科技，首輪拿到高榕、紅杉、騰訊等 2.2 億美元，估值 20 億美元。作為連接機器人、自動駕駛、具身智能體、交互式虛擬場景的底層物理引擎，世界模型正展現出巨大的產業前景並加速分化，衍生出一些具體的流派。

比如，以 Sora、PixVerse 為主的像素渲染派，畫面越像現實越好；以 DeepMind Genie3 為代表的幾何物理模擬派，能生成可持續幾分鐘交互一致的 3D 環境；李飛飛 World Labs 屬於空間重構派，核心是空間智能，從 2D 還原 3D；還有具身規劃派，以宇樹、Pragmatik Labs、Momenta 為代表，把世界模型直接當成機器人小腦。五源資本等機構把錢砸給田柯宇，賭的就是“純自迴歸路線（VAR）在效率上能降維打擊李飛飛的路線”。李飛飛團隊走的是“學院派”的優雅路線，重建三維世界，再去理解物理。但重建三維幾何工程成本極高，算力消耗是個無底洞。

而且這裡有個邏輯盲區，AI 知道物體長什麼樣，不代表懂物理規律。比如一張拱橋的照片，AI 能完美畫出每一塊磚，但它可能根本不知道，如果抽掉最底下的一塊磚，整座橋會塌。田柯宇的思路，完全繞開顯式三維重建。用極致壓縮的符號去猜下一個畫面，憑藉 Scaling Law，自己悟出物理規則。兩者最大差異，落在壓縮效率和算力成本上。AI 圈一直有個共識，智能的本質就是信息壓縮。視頻數據存在巨量冗餘，靜止的背景、無意義噪點，佔據絕大多數像素。田柯宇的符號系統，本質上就是一個超級壓縮包，只留核心動作。壓縮效率越高，模型就越容易捕捉到深層的物理因果，推理成本也會成倍下降。

在世界模型商業落地的進程中，算力成本是難以逾越的門檻。有的高階模型算一秒鐘的物理模擬，要燒掉十幾美金。田柯宇對外披露能將生成一秒鐘視頻的成本降低至少一個數量級，正是打動投資人的關鍵。李飛飛 World Labs 被 AMD 收購，證明空間重構路線有巨大產業價值，但不代表這就是唯一答案。田柯宇的純自迴歸符號世界模型，代表了另一條更適配硬件、更容易跑通 Scaling Law 的技術敘事。但這條路線，同樣有巨大不確定性。僅靠 20 萬個符號進行視頻的時空壓縮，能否在長時序、複雜物理交互中穩定湧現出可靠的物理因果，目前尚未經過大規模的公開驗證。

1 億小時高質量視頻數據的清洗、去重與質量篩選，本身就是一項龐大的工程。團隊規模僅有 10 人，在世界模型賽道，算力調度、基礎設施、數據治理的工程壓力極大。過往的爭議會持續影響人才招募、學術合作、行業信任，一旦技術進展不及預期，資本會快速失去耐心。在商業與科技的絞肉機裡，道德審判往往會讓位於工程奇蹟。田柯宇能否用一次技術的核爆，來洗刷掉職業生涯的汙點？這不僅是對 Scaling Law 的一場豪賭，更是對人性的極限測試。▼推薦閱讀▼Jev 火遍全網後，我們解答了幾個疑問2026-09-21當流量稅被 API 拿走，字節和谷歌的護城河還剩什麼？2026-08-12