关于 AI 烧钱 ，业内流传着各类令人瞠目结舌的数字。xAI 花了超过 10 亿美元建起 Colossus 超算集群；OpenAI 的月度算力账单据称高达数亿美元；Anthropic 最近几轮融资拿到的钱 ，在公家眼里险些已经和「GPU 时数」直接画上了等号。
但最近 ，我听了一期 Latent Space 播客 ，采访对象是 xAI 前钻研员 Ethan He——Ethan 在 2025 年中参与 xAI 时 ，面对的是一个没有基础设施、没罕见据、没有现成模型的白纸状态 ，而后用三个月功夫和一支幼团队 ，从零搭建出了 Grok Imagine 视频天生系统 ，做到了其时业内的一流水准。
从零到一 ，起头训练一个视频大模型 ，必要花几多钱？先如果你的团队有矿 ，GPU 算力轻易用。即便如此 ，你可能依然低估了这件事的巨量成本。
如果你要训练一个世界级的视频天生模型 ，去网上爬取了 10 亿条视频 ，每条均匀 5MB——这已经是相当守旧的估计了。光这一项 ，你就必要 5PB（拍字节）的存储空间。依照 AWS S3 的定价 ，5PB 尺度存储 ，每个月约莫 10 万美元。
在训练视频模型之前 ，业界通畅的做法是吓酌 VAE（变分自编码器）把视频压缩成「潜在空间」的特点向量——由于一段视频发展成像素 ，可能有几十亿个 token ，任何 Transformer 都处置不了 ，必须先压缩成模型能理解的陆续向量。
Ethan 说 ，从互联网下载 10 亿条视频的带宽用度 ，在 AWS 上比存储这些视频还贵。每次训练 ，数据都要从存储层拉到推算层跑一遍。视频模型的训练不像说话模型那样训完就完了——要迭代 ，要调参 ，要测试分歧的数据配比 ，每一次尝试都意味着把全量数据再过一遍。尝试跑得越多 ，这笔钱就乘以相应的倍数。
大说话模型的训练数据是文本 ，体积相对轻量 ，并且训练实现之后 ，原始数据根基就实现了使命——你不必要反复拉取全量语料来做推理或微调。但视频数据齐全分歧：体积是文本的几个数量级 ，并且每一次训练尝试都要把全量数据齐全过一遍。
这就形成了一个相互咬合的困局：你必要急剧迭代来提升模型质量 ，但急剧迭代意味着频仍搬运数据 ，而频仍搬运数据在公有云上的账单会把你压垮。
Ethan 自己的轨迹就是一个注脚。他在 NVIDIA 参加构建了 Cosmos 世界模型 ，做着做着意识到 ，视频模型存在和说话模型类似的「规模定律」 ，还有很大的提升空间。他其时面对的选择 ，表表看是「我必要更多 GPU」 ，但同样关键的一句话他没明说——他必要一个不用按 AWS 账单算钱的处所 ，来存放和搬运数据。这也是他去 xAI 的底子原因之一 ，而 Colossus 给了他那个环境。
对于没有自建基础设施的团队来说 ，这笔账是怎么算的？每个月几百万美元的数据成本 ，叠加在 GPU 算力之上 ，意味着哪怕你有一流的算法团队 ，哪怕你募到了足够的资金 ，只有你还在用公有云 ，你就是在用一个无底洞的账单跟敌手的自建机房竞走。
在大说话模型领域 ，「开源 vs 关源」的竞争打得相当强烈 ，Llama 系列的出现让好多幼团队也能在说话模型上打出有竞争力的产品 ，甚至逼着 OpenAI 和 Anthropic 不休压低 API 价值。但在视频天生领域 ，我们看到的格局截然分歧：能持续做出顶尖视频模型的 ，根基只有 Sora、Veo、可灵这些背靠巨量资源的团队 ，没有一家是靠开源社区在车库里跑出来的。
好多人把这综合为「数据和算力的差距」。这当然没错 ，但 Ethan 揭示的这组数字通知我们 ，问题比这更深：视频 AI 的基础设施成本 ，从一路头就把竞争的门槛 ，锁死在了极少数玩家的高度上。
这和半导体行业的逻辑有几分类似。台积电之所以难以撼动 ，不只由于它们有更好的设计 ，更由于一座新晶圆厂必要几百亿美元的前期投入 ，这路门槛自身就是最好的护城河。视频 AI 的护城河 ，就是那数十 PB 的数据基础设施和每月滚动产生的带宽账单。
视坡珐散模型相对「痴钝」 ，它只会依照文字描述照单全收地天生画面 ，描述写「一只猫」 ，它就天生一只猫 ，站在纯白布景前 ，纹丝不动——由于你没有通知它布景是什么、猫在做什么。
真正理解用户意图、把「一只猫」扩写成一段精密的镜头说话描述的 ，是背后那个做「提醒词沉写」的大型说话模型。Ethan 说 ，在 Cosmos 时期 ，他已经用一个「欢乐的羊」做测试：不经过提醒词沉写 ，天生出来的画面极其 CGI、毫无质感；加上沉写之后 ，成效判若云泥——而整个视坡珐散模型自身 ，并没有产生任何扭转。
这意味着 ，决定一家公司在视频 AI 领域能走多远的 ，不只是视频模型的参数规模 ，而是能否同时撑起说话模型和视频模型这两套基础设施 ，并让它们有效协同。
提醒词沉写的 Agent 化、让说话模型像「指挥官」一样调度多个视频天生工具、用 FFmpeg 这类传统软件处置中央环节——这些方向的共同逻辑是 ，把「说话模型的推理成本」和「视坡珐散模型的天生成本」分层推算 ，让每一次视频天生的挪用越发精准 ，削减无效的推算和数据搬运。
Ethan 对「视频 Agent」的走向相当笃定。他预测今年年底将出现一个拐点——当 Agent 天生的视频质量可能不变达到「可投放贸易告白」的水准 ，企业才会真正愿意为之买单 ，整体的成本结构也会随之演变。
在 AI 这个赛路上 ，「真正的壁垒」每隔一段功夫就会轮换一次。先是参数量 ，而后是训练数据规模 ，而后是对齐技术 ，而后是推理效能。此刻 ，视频 AI 在揭示下一路壁垒——不是某种神秘的算法突破 ，而是一份冷冰冰的基础设施账单。
WWDC26 开场 ，6 月 9 日午间 12:00 ，极客公园直播间带你解读：会发光的 Siri 来了 ，换上谷歌大脑还算苹果吗？一贯把门关得最紧的苹果 ，为什么自动向模型厂敞开大门？库克在 AI 落后的节点交班 ，留给CA88又会是一个什么样的苹果？
韩剧《要先接吻吗》6月3日，向金元在接受澎湃新闻专访时，分享了当地救灾与灾后重建情况，以及她“从不内耗”的处世哲学与“开弓没有回头箭”的事业信念。不过我知道，因为留下了很多照片，再加上鲁迪经常讲述这些故事，这里是他为德国国家队打进最后一个国家队进球的地方，而且他当时在这里打进了两球。所以我们队里有鲁迪这样一位优秀的导师，他在这里拥有很多美好的回忆，至少大部分都是如此。球场本身也很漂亮，我们都觉得这里令人印象深刻，因为这里的球场风格和德国的球场完全不同，也许明天我们也能找到一个在这里打进两球的人。韩剧《要先接吻吗》WW我的欢乐在哪里冬晓：既然小舰长讲到这了，我们稍微也提一嘴。辽宁舰这次前往西太平洋后，央视军事频道陆续跟进报道，还推出了一个系列专题，叫“辽宁舰全新实战演训，歼-35能否实现滑跃航母起降？”。这个话题之前网友就有很多猜测，而这一次大型官方媒体专门拿出来单独做专题讨论，确实很有意思。这将是皮克福德参加的第三届世界杯，也是他的第五次大型国际赛事。上周，他与妻子以及三个孩子在加勒比海度假，随后于周一在西棕榈滩与国家队会合。
20260608 ? 韩剧《要先接吻吗》到了因果推理环节，模型表现进一步下滑。研究人员要求 AI 解释一组战术或一个回合为什么会以某种方式发生，平均成功率只有约 40%。公主前后被两个师傅欺负的幼说灵犀作为全国首批“双智”城市，即智慧城市基础设施与智能网联汽车协同发展的试点，北京目前正深入推进“双智”城市4.0阶段建设。其中就包括让交通路口具备自主感知和实时分析的能力，让红绿灯变得越来越“聪明”。去年启动试点的海淀智慧交通场景，今年迎来了规模化落地。
20260608 ? 韩剧《要先接吻吗》硬核运动，被她们轻松拿下。攀岩、拳击、越野跑、Hyrox、斯巴达等曾经被贴上“阳刚”标签的运动里，如今挤满了肌肉线条明显，力量爆棚的女性。意大利赛仑《羞耻诊所》百度网盘智能体的工作负载与传统应用有很大区别，提出了六个全新挑战。一是任务的短生命周期——一个智能体任务可能只存活数秒到数分钟，用完即消，要求运行时足够轻量、可毫秒级拉起、即用即弃。二是无规律的突发负载——智能体何时发起、并发多少都无法预测，要求资源能够应对超大规模突然的负载。三是动态的环境依赖——每个任务所需的工具、依赖和执行环境各不相同且实时变化，要求运行时能按需组装、动态注入。四是复杂的数据模态与存储形式——智能体对数据质量、语义、实时检索要求高，需要统一的数据平面支持多级记忆存储、多模态数据摄取以及会话状态存储。五是大规模的动态编排——成千上万智能体并行协同，要求编排层自动拆解任务、动态路由，在长链路中维持状态不漂移、指令不丢失。六是任务级的安全管控——每个智能体的每个动作都要落到身份、权限和审计，要求运行时级别的隔离、数据保护和机密计算，把治理与安全嵌进每一次调用。阿里云已经全面升级云服务，为智能体负载提供坚实的基础设施。
京公网安备11010202000001号
