2026年11月,总部位于重庆永川的达瓦科技披露,公司年内连续完成Pre-A轮与A轮融资,累计约5亿元人民币,年化经常性收入约1亿美元。这家从2014年运营科技影视片场起家的团队,在2023年转向AI模型,选择了一条与主流视频大模型不同的路径:不拼参数规模,而是在创作意图与画面生成之间加一层”控制层”,把反复抽卡的成本压低50%至60%。
渲染层像相机,控制层像导演
达瓦科技CTO朱子威用一个比喻解释这套架构:渲染层像相机,负责把画面拍出来,对应视频模型中的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、时序上怎么变化。虚拟空间里的桌子、人物、机位都真实存在,只是肉眼看不见,结果符合真实物理环境下的拍摄逻辑,也不会出现抽卡常见的穿帮——比如人走过去一扭头,门口的人突然坐到了沙发上。
朱子威还区分了控制层与视频智能体的差别:智能体解决信息差,帮不会写提示词的人逼近模型上限;控制层解决认知差,也就是模型能否理解完整的物理片场。调暗一盏灯这一个输入应当带来一串输出变化,控制层在渲染之前就处理好这些连锁反应。
多一层计算,为什么反而更省钱

业内衡量成本时往往只算单次生成,却忽略了水面下的隐性成本——一个镜头到底要抽多少次卡。达瓦科技CPO李宗兴给出的账本是:过去要抽十次、二十次,通过控制模型现在三到四次就能拿到可用结果,总体成本下降50%至60%。
模型本身并非从大语言模型改造而来,它按要素组拆解片场,人物动作、镜头、灯光各有专门的专家,整体是混合专家架构(MoE),规模34B参数、单次激活约4B。由于几乎没有纯像素数据,数据压缩做得较好,在剧集和非超大制作的动作戏范围内已展现出较强控制力。
真正的省算力关键在于”稀疏扩散自回归”。李宗兴解释,真实世界真正发生变化的区域只有10%至20%,墙面、地板、天花板等稳定区域可直接复用前一空间状态,把算力集中到变化部分。这套架构能把图形处理器消耗降低约60%,推理速度提升3至5倍,目前在720P下能做到每秒30帧。团队还计划在同一帧里使用不同推理精度和步长,未来希望把硬件门槛压到4090、4080这类显卡上。
片场即数据工厂
控制模型最需要知道画面里的变化由什么条件产生,互联网视频回答不了——它只记录画面最终长什么样,不记录摄影机怎么拍、导演为什么这样改。达瓦科技的做法是把真实片场变成数据来源:从2014年运营至今,团队积累了约180TB结构化”过程数据”,把机位、灯光、道具摆放放在同一时间轴上记录,还用英伟达Omniverse搭建仿真环境,本质上是数字孪生。团队还采购了Cosmos企业授权,批量生成带物理约束的仿真数据。片场未来会从收入来源转变为”数据工厂”,形成数据训练模型、模型回到生产、生产又产生新数据的商业飞轮。
两款产品对应两种场景
| 产品 | 定位 | 核心能力 |
|---|---|---|
| FilmOS | 面向影视、广告、短剧团队的离线创作平台 | 一句话目标生成画面,按交付结果收费,明确抽卡次数 |
| Scenes AI | 面向直播与沉浸交互的实时世界模型 | 摄像头画面实时演化编辑,可在单张消费级显卡上运行 |
在应用侧,直播电商可以让场地随商品切换,卖羽绒服时把背景变成玉龙雪山,卖香薰时把办公室变成玫瑰森林。游戏厂商则设想做实时对战,扔出精灵球就能生成角色。李宗兴把长期目标描述为”世界登录器”——戴上眼镜就能进入完全仿真的世界。
对于竞争,朱子威判断视频基座模型做得越大,对控制层反而是好事,因为渲染上限会被抬高;复制一套完整片场数据需要大量投入,而真实实拍项目越来越少,这个时间差构成壁垒。团队计划2027年先推进直播场景,年中推出游戏化产品。
常见问题
抽卡次数降低靠的是什么?
靠控制层把人物、动作、镜头、灯光、服装、道具等要素拆成可独立修改的状态因子,实现”只改一处、其余冻结”,减少整段重生成的次数。
普通显卡能实时运行吗?
Scenes AI在单张消费级显卡上即可运行,团队目标是进一步下探到4090、4080级别硬件;现阶段先落地在能承担相应硬件成本的商业环境。
这是垂直模型还是通用模型?
控制层本身具有泛化性,团队认为它是通向Physical AI(物理人工智能)的一部分,目前数据集偏影视片场,是为了先在一个领域打出可用性和商业价值。
信息来源:极客公园《重控制、轻渲染,达瓦科技的AI视频工业路线》(2026年11月22日),达瓦科技公开资料。

