登录

重控制、轻渲染:达瓦科技的AI视频工业路线


速读:控制层是在渲染之前就把这些问题解决掉,像一个全知的导演助手,在你花大价钱渲染之前先把事办好。
2026年11月19日 18:5

把 AI 视频真正带进工业生产。

作者|连冉

编辑| 靖宇

今年以来,视频生成模型的进步肉眼可见,AI 短剧、换脸、场景合成在各个平台越来越多,但一个现实问题始终存在:生成一条满意的视频,往往要反复「抽卡」,算力和时间成本都不低;而一旦进入专业影视管线,今天的模型能承担的工业级工作仍然有限。

关于这个问题,行业有两种思路。一种堆参数、扩算力,相信通用大模型终会跨过工业门槛;另一种扎进真实片场,从具体需求自下而上生长。达瓦科技走的是后一条路径。

达瓦科技总部位于重庆永川,团队从 2014 年开始运营科技影视片场,2023 年成立达瓦科技,转向 AI 模型,今年已连续完成 Pre-A 轮、A 轮融资,累计融资约 5 亿元人民币。

他们选择的路线是「重控制、轻渲染」:自研控制层基座模型 Latent Stage,把对人物、动作、镜头、灯光、场景的理解和控制单独做成一层,再交给渲染层出画面。围绕这条路线,公司有两款产品:面向专业内容团队、做离线生成的 FilmOS,以及在单张消费级显卡上就能实时运行的世界模型 Scenes AI。

这套架构的底气来自数据。达瓦在真实片场中积累了约 180TB 的结构化「过程数据」,记录的不只是成片画面,还有从剧本、机位、灯光到动作捕捉的完整拍摄过程。

以下为极客公园创始人张鹏与达瓦科技 CTO 朱子威和 CPO 李宗兴对谈实录,由极客公园整理。

01

从科技片场出发,做「控制层」

张鹏:过去一年视频生成模型进步很快,大家都能刷到 AI 短剧,很多人也开始自己生成视频玩。但成本一直很高,对算力需求大,真正放进专业影视工业,能发挥多少作用,还是个问题。

今天我们就看看,在主流的视频大模型之外,有没有别的技术路线。先请宗兴介绍一下达瓦科技。

李宗兴: 达瓦科技最早是一家科技影视公司。可以讲个故事:1975 年卢卡斯想拍《星球大战》,发现很多电影技术实现不了,就创办了工业光魔,专门去解决这些技术问题。需求会推动技术发展,就像游戏玩家推动了 GPU 的进步。

我们的片场经常给技术团队提真实的问题,比如导演只想改画面里的一小部分,为什么要重新拍整个镜头?能不能只保留这个人物、这个动作,只改其他部分?在这些需求推动下,我们走向了控制层,做一个控制层基座模型,让视频真正可编辑、可理解。

我们有两款核心产品。一款是  FilmOS ,一个 AI Agent 影视创作平台,基于一句话的目标就能生成高质量画面,得益于控制模型,它可以让你少抽卡就能拿到合适的画面。另一款是正在研发的实时世界模型  Scenes AI ,基于稀疏扩散自回归架构和世界模型,能把摄像头画面实时演化、编辑,是一个 Physical AI 产品。公司财务口径上,我们一年的 ARR 大概在 1 亿美元左右。

张鹏:收入很可观。你们本质上是在控制层做模型,解决的就是「少抽卡」——哪不行就局部改,不用整条重拍。

02

控制层像导演,渲染层像相机

张鹏:「少抽卡」的目标,要用什么技术实现?你们的架构和路线是什么?

朱子威: 先分层看。渲染层像相机,负责把画面拍出来,渲染层越好,画面效果越好,比如英伟达的 DLSS 5,用神经网络把老游戏渲染出很真实的效果,对应视频模型里的 DiT 扩散部分。控制层更像导演,决定场景里有哪些物体、演员从哪走到哪、有什么道具和交互、时序上怎么变化。 渲染层像相机,控制层像导演。

可以把它理解成一个虚拟空间,里面的桌子、凳子、人物、机位都真实存在,只是肉眼看不见。控制层根据导演的需求把这些要素匹配进去,再把结果交给渲染层,得到一个不用再花大力气修改的结果。它符合真实物理环境下该有的拍摄逻辑,也不会出现抽卡常见的穿帮——比如人走过去一扭头,门口的人突然坐到沙发上了。

张鹏:这里有个关键区别:你们是一个基座模型,不是一个视频 Agent。这两者怎么理解?

朱子威: Agent 解决的是信息差。很多人拿到视频模型不会用,会写提示词、懂升格、推拉摇移、zoom in/zoom out 这些术语的人,结果就能逼近模型上限,Agent 是帮人补上这个信息差。控制层解决的是认知差:模型能不能理解一个完整的物理片场。 Agent 解决信息差,控制层解决认知差。

张鹏:比如这盏灯突然灭了,空间里会发生哪些连锁反应,这就是认知。我调暗一个灯光,这一个输入应该带来一串输出的变化。

朱子威: 对。Agent 遇到这种情况,可能会重新生成一堆图片,再想办法交给视频模型,中间走很多弯路,每次处理都在增加不必要的信息熵,最后拿不到高维认知下直接控制的结果。控制层是在渲染之前就把这些问题解决掉,像一个全知的导演助手,在你花大价钱渲染之前先把事办好。

03

多一层计算,为什么反而更省钱

张鹏:搞基座模型肯定要花钱。作为一家做模型的公司,现在融资情况怎么样,有多少弹药?

李宗兴: 我们最近连续完成了 A 轮和 Pre-A 轮融资,大概 5 亿元人民币。现阶段肯定够用,因为我们训的不是特别大的模型,而是控制基座。在我们看来,控制层会革新内容形态的交互,是特别值得投入的方向。

张鹏:投资人主要看重什么?

李宗兴: 核心有两点。第一,我们有真实业务收入,不是完全靠外部融资推动,商业飞轮已经在转,我们不是一家还在找 AI 场景的公司。

第二,我们在解决影视行业的真实需求:现在做任何小修改都要重新生成整个画面,而我们用局部控制大幅降低抽卡次数。行业往往只算单次生成的成本,但水下有很多隐性成本——一个镜头到底要抽多少次卡?把抽卡次数降下来,才是真正降低影视生产的成本。

另外,我们能基于一张消费级显卡做实时内容,比如把会议室铺满海浪、把衣服实时换成汉服或钢铁侠。如果要靠数百万、上千万的 GPU 集群实现,就没有经济适用性;一张一两万的显卡能做到,落地的可能性就很大。未来还能把画面推到 AR 眼镜里,整个房间都能被重新渲染。

主题:控制层|视频生成模型