AI视频生成模型在过去一年取得显著进展,但生成一条令人满意的视频往往需要反复抽卡,算力与时间成本居高不下,进入专业影视管线后能承担的工业级工作仍然有限。在这一背景下,总部位于重庆永川的达瓦科技选择了一条不同于通用大模型的技术路线,以「重控制、轻渲染」为核心理念,自研控制层基座模型Latent Stage,并已连续完成Pre-A轮与A轮融资,累计融资约5亿元人民币。
达瓦科技团队自2014年起运营科技影视片场,2023年正式成立达瓦科技转向AI模型研发。公司CTO朱子威将技术架构分为两层:渲染层类似相机,负责将画面生成出来,对应视频模型中的DiT扩散部分;控制层则类似导演,决定场景中的物体、人物动作、镜头运动、灯光变化与时序逻辑。控制层在渲染之前完成对物理片场的理解与要素匹配,再将结果交由渲染层输出,从而减少反复生成带来的不确定性。
围绕这一架构,达瓦科技推出两款产品。面向专业内容团队的离线生成平台FilmOS基于一句话目标生成高质量画面,借助控制模型降低抽卡次数;正在研发的实时世界模型Scenes AI则基于稀疏扩散自回归架构,可在单张消费级显卡上实时运行,对摄像头画面进行演化与编辑。公司方面披露,其年度ARR约为1亿美元。
朱子威在区分控制层与视频Agent时表示,Agent解决的是信息差,帮助不熟悉提示词与镜头术语的用户逼近模型上限;控制层解决的是认知差,即模型能否理解一个完整的物理片场。他以灯光变化为例说明,调暗一盏灯应带来空间内一系列连锁反应,而Agent遇到此类情况往往需要重新生成多张图片再交由视频模型处理,中间环节增加信息熵,难以获得高维认知下的直接控制结果。
数据是这套控制层模型的基础。达瓦科技在真实片场中积累了约180TB的结构化过程数据,记录内容不仅包括成片画面,还涵盖从剧本、机位、灯光、道具摆放到动作捕捉的完整拍摄过程。朱子威将此比喻为主流视频模型通过观看视频学习炒菜,而达瓦的过程数据真正进入过厨房,片场中各要素的状态被放置在同一时间轴上,形成可量化的训练素材。
在成本层面,达瓦科技强调其衡量标准并非单次生成成本,而是完成一次有效交付的系统成本。朱子威称,控制层带来的是一致性与精准度:在长视频内容中保持创作意图的连贯,并在修改局部要素时不影响其他部分。据其披露,原本需要十到二十次的抽卡可降至三到四次,总体成本下降50%至60%。李宗兴表示,行业往往只计算单次生成成本,而抽卡次数等隐性成本才是影视生产真正的负担。
投资方关注的重点集中在两方面:一是公司具备真实业务收入,商业飞轮已开始运转;二是其技术路线针对影视行业的实际需求,通过局部控制降低生成次数。此外,基于单张消费级显卡实现实时内容生成的能力,也被视为具备经济适用性的落地路径,未来可延伸至AR眼镜等终端场景。
从行业视角看,达瓦科技代表的是一种自下而上的路径:不追求参数规模与算力堆叠,而是从真实片场的具体需求出发构建控制层能力。这一路线能否在专业影视工业中形成规模化替代,仍取决于控制模型的泛化能力与片场数据的持续积累,但其对「少抽卡、可编辑」这一核心痛点的回应,为AI视频生成进入工业管线提供了另一种技术参照。
该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。