在视频生成模型赛道上，Sand.ai 创始人曹越始终坚持“押注非共识”。从最初在 Diffusion 路线大行其道时选择自回归（Autoregressive）架构，到率先探索音画同出，再到2025年果断将架构从 Dense 转向 MoE，曹越的每一步决策都基于对技术第一性原理的独立思考。他认为，一旦过于关注市场共识，往往会偏离对事物本质的判断。如今，Sand.ai 已完成超亿美元融资，其新一代 MoE 架构视频模型即将发布，旨在打破成本、速度与效果的“不可能三角”。
曹越坚信，视频数据是通往“世界模型”最重要的路径。在他看来，视频是对物理世界观测数据中体量最大、信息密度最高的模态，它编码了时间、空间、视觉与听觉，是理解世界运转规律的关键。尽管“世界模型”目前被视为一个被滥用的 Buzzword，行业仍处于“前 GPT 时代”，但曹越认为，真正的世界模型不应依赖人为定义的隐藏状态，而应像孩子认识世界一样，通过预测原始观测数据（Raw Data）来从视频中自我生长出对物理世界的理解。
在商业策略上，Sand.ai 采取“模型+产品”双轮驱动的模式。曹越指出，在视频领域很难仅靠售卖 API 生存，必须通过产品闭环来反哺模型迭代。其推出的音乐 Agent 产品 VidMuse 上线三个月即实现千万美元 ARR，验证了商业化路径的可行性。这种策略不仅能利用自有模型降低成本、提升体验，还能通过端到端收集用户反馈，持续优化模型效果，从而在激烈的竞争中构建护城河。
面对 OpenAI 关停 Sora 等业务调整，曹越认为这是合理的战略收缩。在上市压力下，OpenAI 需要将算力从短期难以变现的视频业务转移至能直接产生现金流的 Coding 模型上。而对于中国团队为何能在视频模型领域迅速跻身全球 Tier 1，曹越分析称，这得益于国内外起步时间差较小，且国内活跃的短视频生态加速了模型的应用落地。未来，视频模型市场将不会像语言模型那样高度垄断，而是会留下三五家核心玩家在牌桌上共分巨大的市场蛋糕。
本篇内容整理自网络，同步发布在 AEX新讯社中文网、希鸥网、斯贝瑞品牌资讯、RCEO创新网、AI联播网、创新日报 等媒体平台。如需删改或发布内容，请联系微信：meisceo29
