达瓦科技走「重控制、轻渲染」路线,自研LatentStage基座模型降低AI视频生成成本
重庆达瓦科技从科技影视片场出发,转向AI视频生成领域,提出“重控制、轻渲染”技术路径,通过自研控制层基座模型Latent Stage实现局部精准编辑,减少反复生成(抽卡)需求。公司已获约5亿元融资,推...
AI视频生成正快速进入大众视野:短剧、换脸、场景合成等内容在各平台 proliferate,但一个现实瓶颈始终未解——生成一条满意视频往往需反复“抽卡”,算力与时间成本居高不下;更关键的是,当前主流模型在专业影视工业管线中仍难承担核心任务。
面对这一挑战,行业分化出两条技术路径:其一是持续堆叠参数与算力,寄望通用大模型自然跨越工业门槛;其二是深入真实制作场景,从具体需求出发自下而上构建能力。达瓦科技选择后者,并将其凝练为“重控制、轻渲染”的差异化路线。
达瓦科技总部位于重庆永川,其前身自2014年起运营科技影视片场,积累了大量一线拍摄经验。2023年正式成立达瓦科技,全面转向AI视频模型研发。截至目前,公司已完成Pre-A轮与A轮融资,累计融资约5亿元人民币。其核心产品包括面向专业团队的离线生成平台FilmOS,以及可在单张消费级显卡上实时运行的世界模型Scenes AI。
该技术路线的核心在于分层架构设计:将视频生成拆分为“控制层”与“渲染层”。CTO朱子威将其类比为“导演”与“相机”——渲染层负责最终画面输出(如DiT扩散模型或英伟达DLSS),而控制层则决定场景中的物体布局、人物动线、灯光逻辑与时序关系。达瓦自研的基座模型Latent Stage即为这一控制层,它建模的是一个可被理解、可被编辑的虚拟物理空间:桌椅、人物、机位等要素均以结构化方式存在,仅在渲染前才转化为可见画面。
这种设计直接回应了传统AI视频生成中的“认知差”问题。例如,当导演希望仅调整一盏灯的亮度时,常规流程可能触发整段视频重生成,导致人物位置错乱、穿帮频发;而控制层能在渲染前就推演光照变化引发的连锁反应(如阴影移动、反射变化、环境色温偏移),确保修改结果符合物理一致性。
与之对比,“Agent”类工具主要解决的是用户端的“信息差”——即提示词撰写、运镜术语理解等操作门槛问题;而达瓦强调的控制层解决的是模型自身的“认知差”,即是否真正理解片场的完整物理语义。
支撑这一架构的,是达瓦在真实片场积累的约180TB结构化“过程数据”。这些数据不仅包含成片画面,更记录了从剧本分镜、机位设置、灯光参数到动作捕捉的全流程元信息。这种深度结构化数据使模型能学习到“导演意图→执行动作→画面结果”的映射逻辑,而非仅拟合像素级分布。
以FilmOS为例,该平台作为AI Agent影视创作系统,支持用户通过一句话指令生成高质量画面,并显著减少“抽卡”次数。其底层依赖Latent Stage对人物、动作、镜头、灯光等要素的独立建模能力,使得修改可精确到局部——比如仅替换服装、调整走位、变更背景植被,而无需重拍整个镜头。
另一款产品Scenes AI则聚焦实时交互场景,采用稀疏扩散自回归架构与世界模型技术,目标是在消费级GPU上实现摄像头输入画面的实时演化与编辑。该产品定位为Physical AI,适用于影视预演、直播增强、文旅互动等低延迟需求场景。
达瓦科技CPO李宗兴在访谈中指出,公司年ARR(年度经常性收入)约为1亿美元,表明其技术已在专业内容生产环节落地变现。其客户覆盖影视制作、直播电商、文旅数字展陈等多个垂直领域。
从技术经济性角度看,“多一层计算”反而更省钱。传统扩散模型每次生成需全帧重算,而达瓦方案中,稳定区域(如墙面、天花板、地面)可复用Latent Cache,仅对变化区域(人物、手部、衣摆、光影动态部分)进行增量计算——根据内部分析,典型场景中真正参与计算的区域仅占10%—20%。这大幅降低了推理开销,也为在边缘设备部署提供了可能。
值得注意的是,达瓦并未追求“端到端生成一切”,而是承认渲染层仍有优化空间,转而将精力聚焦于提升控制精度与可编辑性。这一思路与工业界对AI工具的务实期待高度契合:创作者不需要“全自动导演”,而需要一个可靠、可控、可干预的智能协作者。
目前,AI视频生成仍处于从“能用”向“好用”过渡的关键阶段。主流模型在创意探索与草稿生成层面已展现强大能力,但在工业化生产中,稳定性、可控性与成本效率仍是硬指标。达瓦科技的路径提供了一种新范式:不盲目追逐更高分辨率或更长时长,而是回归影视制作的本质需求——可编辑性与物理合理性。
随着FilmOS与Scenes AI的持续迭代,以及更多真实片场数据的注入,该路线能否在中长期形成技术壁垒并拓展至动画、游戏资产生成等领域,值得关注。
