上周，一则消息在AI圈炸开......
一个实习生的2亿美元身价
彭博社报道：一位曾被字节跳动“开除”的前实习生，创办的AI实验室完成近3000万美元融资，投后估值2亿美元——投资方包括五源资本和IDG资本。
此时，实验室尚未公布名称，没有成型产品，团队规模约10人。
创始人叫田柯宇。北航本科、师从王立威教授研究深度学习优化与算法，后入北京大学攻读博士。字节实习期间，他作为第一作者的论文《VisualAutoregressiveModeling》（VAR）拿下NeurIPS2024最佳论文奖。 
真正让这个名字出圈的，不是奖项，而是一场官司。
2024年6月，字节跳动以"对团队算力资源分配不满，通过修改代码干扰公司内部研究项目模型训练"为由，终止了田柯宇的实习关系，并向海淀区人民法院提起民事诉讼，最初索赔800万元。
田柯宇在后续播客中给出了另一版本——他称组里新来的实习生"A"超额占用GPU资源，他反映无果后，让GPT帮忙写了个小程序，先后五次卡住A的训练进程以释放算力。动机是"看不惯别人被欺负"，形容自己的行为是"以暴制暴"。
一审法院判令田柯宇赔偿约50万元，没收全部实习薪资，驳回字节其他诉求。
字节已上诉，案件仍在二审。
从被开除的实习生，到2亿美元估值的创始人，只用了两年多。
这个故事之所以刷屏，不只是因为戏剧性。它真正戳中的，是AI行业一个正在发生、却还没人说透的变化——
人才，正在比产品先一步定价。
 
为什么是"世界模型"？AI的下一个角斗场
田柯宇选择的赛道，叫世界模型（WorldModel）。
简单说，就是让AI理解现实世界的物理规则，预判物体运动和环境变化。落地场景覆盖机器人、自动驾驶和交互式视频。
这条路线和主流大模型有本质区别。主流大模型用人类语言描述世界，但田柯宇认为——人类语言的信息维度太低了。一段5分钟视频里的物体位置、运动轨迹、光影和物理变化，很难用文字准确描述。
于是他的团队搭了一套"视觉词典"：约20万个专属符号，人类无法解读，但AI可以用它们来表示、压缩和预测视频。他声称，这套方法能将生成一秒钟视频的成本降低至少一个数量级。
按照规划，团队将向模型输入约1亿小时视频数据，让AI借助这套符号体系自主学习物理规律，完整模型预计2027年对外发布。
这不是一个孤立的故事。世界模型赛道正在全球范围内急速升温。
李飞飞创办的WorldLabs，已被AMD以数十亿美元收购。
图灵奖得主杨立昆（YannLeCun）为其实验室筹集了10亿美元种子轮融资。
谷歌DeepMind、OpenAI、英伟达等巨头也在世界模型方向重兵投入。
斯坦福《2025AI指数报告》显示，2024年全球AI领域私人投资总额达1100亿美元，其中生成式AI相关投资占比超过60%。而世界模型被多家机构列为"下一代AI基础设施"的核心方向。
为什么世界模型突然变得这么重要？
因为当下的大模型本质上是"语言的模型"，它懂文字，但不懂物理世界。要让AI真正走进机器人、自动驾驶、工业制造这些实体场景，它必须先"理解"这个世界是怎么运转的。
如果说大模型解决的是"说人话"的问题，世界模型解决的就是"看懂世界"的问题。
这也是资本愿意为一个没产品、没名字的实验室砸下2亿美元的底层逻辑——押注的不是今天的产品，而是下一代AI基础设施的入场券。
 
2亿美元估值的底层逻辑：AI时代，人才即资产
2亿美元，10个人，没产品。
这个估值放在任何一个传统行业，都是天方夜谭。但在AI基础模型赛道，这正在成为常态。
 
五源资本合伙人孟醒主导了这笔投资。孟醒此前曾任滴滴自动驾驶公司COO，2024年9月加入五源资本。五源也是月之暗面的早期投资方，在AI基础模型赛道布局颇深。
资本下注的核心逻辑，与其说是对一份商业计划书的认可，不如说是对田柯宇本人技术积累的押注。
NeurIPS最佳论文是硬通货。VAR（视觉自回归建模）的核心贡献在于：让视觉生成像大语言模型一样，可以依靠ScalingLaw（规模法则）持续提升能力，同时降低生成成本和实现复杂度。
说得更直白一点——他证明了视觉AI也能像ChatGPT那样，靠"堆数据、堆算力"持续变强。
而他现在做的，是把VAR的思路从静态图像扩展到视频和世界模型，从"图像生成"换成"物理世界模拟"。
这就是AI基础研究领域的特殊逻辑：顶尖人才的稀缺性本身，就是投资理由。
Crunchbase数据显示，2024年全球AI初创公司中，拥有顶级会议（NeurIPS/ICML/ICLR）最佳论文作者的团队，平均融资额是普通AI团队的4.7倍。
国内的情况也类似。据不完全统计，2025-2026年国内完成A轮及以上融资的AI基础模型团队中，超过70%的核心创始人拥有顶会最佳论文或头部大厂核心项目负责人背景。
这带来了一个值得思考的问题：当一个行业的估值锚点从"产品收入"转向"人才质量"，这个行业的竞争规则会发生什么变化？
答案至少有三点：
第一，抢人比抢市场更前置。顶级AI研究员的薪酬和期权已经到了夸张的程度，初创公司为了吸引核心人才，往往愿意在种子轮就拿出相当比例的股权。
第二，技术路线押注提前化。世界模型、AIAgent、具身智能……很多赛道还没出现明确的技术标准和商业形态，但资本必须提前下注，否则就上不了牌桌。
第三，失败成本由资本承担。10个顶尖团队里可能9个都走不通，但只要1个成了，回报就是百倍千倍。这是VC的游戏规则，但它会推高整个行业的人才定价水位。
对企业CIO来说，这意味着一个现实问题：AI人才的成本曲线，和AI业务的收入曲线，很可能长期倒挂。
 
争议与警示：技术天才的"伦理定价"困境
田柯宇的故事引发广泛讨论，还有一个绕不开的原因——争议。
字节跳动官方的说法是"干扰公司内部研究项目的模型训练"，田柯宇的说法是"以暴制暴，看不惯别人被欺负"。两方各执一词。
但无论真相偏向哪一边，有一个事实是确定的：他因违反公司规定、通过技术手段干预团队算力分配，被开除并赔偿50万元。
这就引出了一个AI行业尚未形成共识的问题：技术能力与职业伦理之间的权重，该如何分配？
投资方的选择很明确：用真金白银投票，将2亿美元估值押在了一个有"前科"的天才身上。
这不是孤例。硅谷也有类似的故事——技术大牛因为各种争议离开大厂，转身就拿到巨额融资。资本的逻辑很简单：在一个尚未有稳定商业形态的前沿领域，技术能力的稀缺性远远盖过了伦理瑕疵的风险。
但这真的没问题吗？
如果"模型投毒"这样的行为可以被市场原谅甚至奖励，它释放的信号是什么？它会鼓励更多年轻研究者用"野路子"去争取资源吗？
对企业CIO来说，这不是一个道德考题，而是一个风险管理问题。
 
当你的企业引入AI团队、采购AI服务、与AI公司合作时，你评估的不只是技术能力，还有——
这家公司的核心团队有没有合规风险？
他们的训练数据来源是否干净？
他们的模型会不会存在"投毒"风险？
你的内部AI团队，算力治理和权限管控到位了吗？
田柯宇的故事像一面镜子：它照出了AI时代人才价值的飙升，也照出了技术治理的缺位。
 
面向CIO的行动建议：世界模型浪潮下，企业该如何布局
 
站在企业CIO的视角，世界模型不是一个遥远的前沿概念——它可能在未来2-3年内直接影响企业的AI战略布局。
以下5条行动建议：
建议一：建立"世界模型"专项观察机制，纳入技术雷达
世界模型尚处早期，但演进速度极快。建议CIO团队将世界模型纳入企业技术雷达，按季度跟踪技术进展、主要玩家和落地场景，避免在下一代AI基础设施到来时措手不及。
重点关注三个方向的应用潜力：
工业制造领域的数字孪生与预测性维护
物流与供应链的场景模拟与优化
客户服务与营销的多模态交互
建议二：评估现有AI基础设施的"视觉/视频算力"准备度
世界模型的核心燃料是视频数据，而非文本数据。企业现有AI算力基础设施是否具备处理大规模视频数据的能力？存储、计算、网络带宽是否跟得上？
调研显示，目前国内企业的AI算力配置中，文本与多模态算力占比约为7:3；而到2028年，这一比例预计将反转至4:6。
提前布局，不是盲目采购，而是做好技术选型和架构规划。
建议三：强化AI治理体系，尤其是算力与数据治理
田柯宇事件的另一面启示是：AI团队的内部治理，是CIO必须亲自抓的事情。
算力资源的分配机制是否透明？
模型训练的权限管理是否到位？
数据访问的审计链路是否完整？
代码提交的审查机制是否健全？
FinOps基金会《2026FinOps现状报告》显示，98%的FinOps团队现在需要管理AI开销，两年前这一比例仅为31%。
成本治理只是表层，更深层的是算力治理、数据治理和安全治理。
建议四：在"买"与"建"之间，保持灵活的双轨策略
世界模型赛道格局未定，押注任何单一技术路线都有风险。建议企业采用"双轨策略"：
短期：采购成熟的AI服务，解决当下业务问题，不追求"最前沿"
长期：与1-2家有技术差异化路线的AI公司建立深度合作或投资关系，保持对前沿方向的感知力
建议五：关注AI人才策略，建立"外部专家网络"
顶尖AI人才的稀缺性会持续加剧。对大多数企业来说，从零组建一支顶尖AI研究团队既不现实也不经济。
 
更务实的做法是：建立"外部专家网络"——与高校实验室、创业公司、独立研究者建立合作关系，用项目合作、顾问聘任、联合实验室等方式，撬动外部智力资源。
 
结语：入场券，不是终局
田柯宇的2亿美元估值，是这个时代的一个缩影。
它告诉我们：AI的下一个战场——世界模型——已经开打。人才的定价正在重估，资本的耐心正在被考验，技术与伦理的边界正在被重新讨论。
但入场券不等于终局。
李飞飞的WorldLabs被AMD收购了，杨立昆筹了10亿美元，田柯宇拿到了3000万美元——这些都是起点，不是答案。
世界模型这条路能不能走通？20万个"视觉符号"能不能让AI真正理解物理世界？1亿小时视频数据能不能堆出一个靠谱的世界模型？
没有人知道答案。
但有一点是确定的：每一次技术范式转移，都会诞生新的赢家，也会淘汰曾经的领跑者。
对企业CIO而言，不需要急着站队，但需要保持清醒——知道浪潮从哪个方向来，知道自己的船停在哪里，知道什么时候该起帆。
毕竟，AI的大海里，从来不缺天才，缺的是能穿越周期的舵手。
 

第四十二届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。