一个在英伟达造出 Cosmos 世界模型、又在 xAI 三个月从零搭出 Grok Imagine 的人，离职时说的理由是：视频模型最大的瓶颈，其实是语言模型。
Laten Space最近访谈了Ethan He，内容很不错，让AI转写一篇文章。
他是谁，做过什么
Ethan He 是一位多模态 AI 研究员，职业轨迹横跨图像识别、自监督学习、大规模模型训练和视频生成。
在英伟达期间，他是 Cosmos 视频基础模型的核心作者之一。
Cosmos 是一个大规模视频生成模型，目标是模拟物理世界，作为机器人研究的基础底座，于 2024 年底发布。
2025 年中，他加入 xAI，主导 Grok Imagine 的视频和多模态方向，包括：
音频视频联合生成（Grok Imagine 0.9）
视频扩展（Video Extension，支持完整历史上下文的长视频生成）
参考视频生成（Reference-to-Video，支持上传最多 7 张图片作为角色或场景条件）
内部世界模型团队（专注实时长时程视频生成）
访谈时他刚刚离开 xAI，准备转向语言模型方向的研究。
三个月从零到视频模型，靠的不是算法
加入 xAI 时，团队没有数据、没有基础设施、没有现成模型，只有几个工程师。
三个月后 Grok Imagine 0.9 发布。
他总结了两个关键因素。
第一是人的密度，而非人的数量。
团队里每个人都很强，目标高度一致，沟通成本极低。
每天只有一个例会，其余时间全部用来构建。
他的观察是：小团队减少沟通带宽，反而比大团队更容易快速迭代。
第二是迭代速度，而非单次训练质量。
他的核心判断是：训练模型最重要的指标，不是某次实验的结果有多好，而是每天能跑多少轮实验。
迭代越快，发现 bug 的机会越多。
而且他特别强调：模型质量最大的提升，往往不来自新算法，而来自数据管道和训练流程里那些不起眼的小 bug。
这听起来有点怪，但这是他在英伟达和 xAI 两次从零搭建视频模型的共同经验。
他还提到一个时间节点：2025 年中加入时，代码模型还不够好，写出来的代码经常是几千行的"意大利面条"，连模型自己都搞不清楚怎么维护。
到 2025 年 12 月，代码模型已经强到可以快速实现任何想法。
这带来了一个新的瓶颈反转：以前是写代码慢，现在是算力跟不上想法的速度。
代码几小时就能写完，但训练一个新模型可能要等好几周。
视频模型是怎么炼出来的：完整路径
第一步：先训图像模型，再训视频模型
原因很实际，图像比视频便宜得多，而且语言和图像之间的对应关系更密集。
举个具体数字：训练 10 亿张图文对，和训练 10 亿个视频文本对，成本完全不在一个量级。
但前者能给模型打下更扎实的语言理解基础。
视频模型对语言的理解，完全来自这种文本到视觉内容的映射关系。
如果映射数量不够，模型就不能充分理解人类意图。
所以标准做法是：先训图像扩散模型，再用它作为基础，迁移到视频模型。
第二步：解决数据对齐问题
互联网上的视频天然缺少精准的文字描述。
YouTube 上的标题和评论，和视频内容本身几乎没有关联。
一段山川自然风光，标题可能是"今天真开心"，二者毫无关系。
所以必须用 VLM（视觉语言模型，能同时理解图像和文字的 AI 模型）给视频打字幕，生成合成的文本视频对。
但 VLM 本身在早期也需要人工标注来冷启动。
Cosmos 的标注要求非常具体：描述要详细到让一个盲人听完文字，就能在脑海中重建出这段视频。
所有物体、角色、互动、对话，都要覆盖。
这个标准直接决定了后来视频模型能不能真正理解人类意图。
第三步：训练 VAE（变分自编码器，一种把图像压缩成低维表示再还原的压缩器）
原始视频帧的像素量太大，1000×1000 的图像就有 100 万个像素，Transformer（一种主流的 AI 模型架构）根本无法直接处理。
VAE 把图像映射到一个低维的连续潜空间（latent space，可以理解为图像的"压缩编码"），再从潜空间还原回图像。
具体做法是把图像切成小块（patch），每个小块映射成一个向量，这样一张图就变成了几十个向量，而不是 100 万个像素。
时间维度的压缩比例是个关键决策。
Wan 2.1 采用 8×8×4 的压缩率，时间维度压缩 4 倍，上下文长度大幅缩短，训练效率更高。
但代价是实时性：如果要做实时交互，时间维度的压缩会引入固定的延迟，无法做到即时响应。
如果不压缩时间维度，只做帧内压缩（8×8×1），上下文长度会是 4 倍压缩方案的 4 倍，计算量大得多，但可以支持帧级别的实时输出。
第四步：训练扩散 Transformer（Diffusion Transformer）
流程和语言模型非常相似，区别只是输入输出换成了视觉 token（图像的压缩表示），以及加入了去噪过程：向视觉 token 加入随机噪声，训练模型把噪声去掉，推理时从纯噪声开始迭代生成干净的图像或视频。
推理侧的主要优化手段是步骤蒸馏（Step Distillation）：用完整模型跑 100 步生成高质量结果，再训练一个只需要 10 步的小模型去模仿它。
这背后的逻辑是：完整模型要学的是整个互联网的图像分布，极其复杂，蒸馏模型只需要学老师模型的分布，简单得多。
Cosmos 的生产版本已经可以做到 4 步甚至 1 步生成（针对图生图等简单任务）。
训练一个视频模型到底要花多少钱
Ethan He 做了一个粗略的估算，数字很有参考价值。
模型规模： 视频模型和中等规模语言模型相当。
LTX 是 19B（190 亿）参数的稠密模型，也有人在探索 MoE（混合专家模型，一种让模型只激活部分参数的架构），激活参数约 20B，总参数可能达到数百 B。
Cosmos 公开披露的视觉 token 数量也在数十万亿量级，和语言模型的训练规模接近。
存储成本： 假设有 10 亿个视频，每个视频 5MB，光存储就需要 5PB（5000TB）。
加上 VAE 提取的特征文件，总存储量翻倍，达到约 10PB。
在 AWS S3 标准存储上，5PB 的月存储费用约 23 万人民币，加上数据出口费用，每月总成本可能达到数百万人民币，还没算 GPU 训练成本。
他特别提到：数据出口费用（把数据从云端传输出去的费用）比存储本身更贵。
每次训练都需要把数据拉取一遍，如果多次训练，费用成倍叠加。
这也是为什么大规模训练团队通常会自建存储基础设施，而不是完全依赖公有云。
I/O 瓶颈： 视频训练天然是 I/O 密集型任务，数据加载速度很容易成为 GPU 利用率的瓶颈。
Ethan He 在英伟达做 Cosmos 时专门做了大量 I/O 优化。
世界模型的定义：三个缺一不可的条件
Ethan He 给世界模型下了一个工程意义上的定义，三个维度。
交互性： 模型可以响应键盘、鼠标、语音等多种输入，并给出合理的反馈。
实时性： 响应延迟要足够低。
CS 职业选手需要亚 3 毫秒的响应（300FPS 对应约 3 毫秒每帧），60FPS 游戏需要 16 毫秒，实时语音交互的容忍上限大约是 200 毫秒。现有视频模型大多达不到这个要求。
长时程： 不是生成几秒钟的片段，而是能持续生成几分钟甚至几小时的内容，同时保持角色、场景、声音的一致性。
三个条件同时满足，才算世界模型。
目前的视频模型在任何一个维度上都还有很大差距。
长时程的工程难题
Cosmos 里 5 秒视频就有约 55K 到 60K 个 token，50 秒就是 500K token，再长就很难处理。
现有视频模型的上下文窗口大约在几百万 token 量级，但实际使用中很快就会爆炸。
Ethan He 在 xAI 主导的视频扩展（Video Extension）功能，是迈向长时程的第一步：让模型在生成下一段视频时，能访问之前所有视频的完整历史上下文，而不只是最后一帧或最后一秒。
这解决了多次扩展后视频质量退化、人物声音漂移的问题。
参考视频（Reference-to-Video）是另一个折中方案：允许用户上传最多 7 张图片作为条件，让模型在生成时参考特定角色或场景。
Ethan He 自己也承认这是个"作弊"方案，真正的解法是让模型自己学会从历史中选择性地提取相关上下文。
FramePack（一篇论文提出的方法）提供了一个启发式思路：最近的历史保留完整分辨率，越早的历史压缩得越小，总 token 数保持固定上限。
这和人类记忆的工作方式有些相似，但 Ethan He 认为更理想的状态是让模型自己决定哪些历史值得保留，而不是靠人工设计的规则。
视频模型最大的进步，来自语言模型
这是整个访谈里最反直觉的判断，也是 Ethan He 离职的核心原因。
扩散模型本身其实很"笨"
扩散模型（Diffusion Model，一种通过去噪生成图像或视频的模型）在训练时被要求按照极其详细的文字描述生成视频，所以推理时也会字面理解用户的输入。
你说"一只猫"，它就生成一只猫，白色背景，静止不动，因为你没说背景，没说动作。
它取的是训练数据里那种极度详细的描述风格，用户的简短输入和这个分布完全不匹配。
提示词重写器才是真正的智能来源
真正让模型变聪明的，是提示词重写器（Prompt Rewriter），一个更大的语言模型，负责把用户的简单描述扩展成极其详细的视频描述。
Cosmos 用的是 Llama 或 Mixtral，而且提示词重写器比视频扩散模型本身（7B 参数）还要大。
他举了一个具体例子：同样是生成一只快乐的羊，不经过重写，结果看起来像 CGI；经过重写之后，画面质量有质的飞跃，而且这个提升不需要任何联合训练。
GPT Image 生成一张图需要 3 分钟，其中大部分时间不是在生成像素，而是在"思考"，也就是提示词重写和规划阶段。
语言模型的角色还在扩展
提示词重写只是第一步。
现在语言模型在视频生成中的角色已经扩展到：
工具调用： 生成图片前先联网查今天的新闻，处理后再生成
智能体协调： 调用视频生成、视频编辑、图像处理、FFmpeg 等多种工具，迭代生成高质量内容
布局规划： 决定视频的结构、时间线和内容组织
Grok Imagine 已经有了一个智能体模式的早期版本，可以通过调用不同工具来生成更长的视频。
音频：被低估的难题
Grok Imagine 0.9 是 Ethan He 认为业内首个大规模部署的音频视频联合生成模型。
音频的难点在于它有两个截然不同的成分：
语音部分： 接近离散 token（可以理解为有限词汇表里的单词），可以用类似语言模型的方式处理
音乐部分： 完全连续，无法离散化，现有语言模型对音乐的理解非常有限
让语言模型描述音乐细节，就像让盲人描述颜色一样困难。
大多数语言模型可以识别"这是哪首歌"，但无法描述音乐的节拍、音调和细节，更无法生成高质量的音乐。
更大的挑战是时间对齐。
文本和图像之间的对应是松散的，你可以用一段话描述整张图。
但音频和视频必须在时间轴上精确对齐：哪一秒有什么声音，必须和画面严格同步。
这种精确的时间感知，是现有多模态模型普遍缺失的能力。
生成式 UI：扩散模型作为前端
访谈中展示了两个产品案例，代表了 Ethan He 对未来交互方式的判断。
Flipbook： 一个用图像生成模型实时渲染的浏览器界面。
页面里的所有内容都是模型生成的，公司不存在，场景是虚构的。
用户点击链接，模型就生成新的子页面。
比如点击"金字塔建造技术"，模型会生成一个详细介绍杠杆技术的新页面，配有对应的生成图像。
Neural OS（神经操作系统）： 用视频模型模拟一个完整的操作系统，可以运行 Doom、Firefox 等应用，所有画面都是模型实时生成的。
Ethan He 的预测是：随着推理成本下降，扩散模型会成为人机交互的前端层，语言模型和确定性代码在后端运行，用户看到的所有界面都由生成模型实时渲染。
每个用户可以有完全不同的界面，邮件可以像 TikTok 一样滑动，Instagram 可以去掉你总是误触的点赞按钮。
他估算了一下成本：如果每 100 个请求 1 美元，每天用 8 小时，每月大约 240 美元。
现在确实贵，但推理成本每年大约下降 2 倍，他认为这个未来会到来。
他还提出了一个关于人机带宽的判断：人类的最大输入带宽是视觉（看），最大输出带宽是语音（说）。
所以未来最自然的人机交互方式，是用户说话，AI 用生成式画面回应，这是神经链接（Neuralink）出现之前的最高带宽交互形式。
为什么离开 xAI
Ethan He 的回答很直接：有些研究在公司里做不了，而且公司的优先级会快速变化。
他想做的，是语言模型方向的研究，特别是模型如何自主管理自己的上下文。
他的具体预测是：语言模型很快会出现真正的上下文感知能力，模型知道自己的上下文窗口用了多少，能主动决定压缩、丢弃或保留哪些内容，而不是依赖外部 harness（智能体框架，一种包裹模型的工程系统）的启发式规则。
他举了一个例子：现在 Claude（Anthropic 的 AI 模型）在上下文接近上限时会自动触发压缩，但模型本身对这个过程毫不知情，还在按照原来的方式工作。
理想状态是模型自己感知到"我快到上限了"，并主动调整策略。
他认为视频模型在这方面的探索某种程度上比语言模型更超前，因为视频的长时程问题更紧迫，研究者被迫更早面对这个问题。
他还提到一个更激进的想法：如果把智能体框架的代码直接放进模型的上下文，让模型能够修改自己的运行规则，比如决定"读长文档时我要分块处理还是只读前 200 行"，这种自我修改的智能体框架可能是一个值得探索的方向。
职业轨迹：每一次转型都是主动押注
Ethan He 的职业路径本身也值得单独说一下。
十年前他在做 ResNet（残差网络，一种经典的图像识别模型架构）时代的图像识别和目标检测研究，同时做模型压缩。
他当时想当教授，已经有几篇顶会一作论文，自信地申请了顶校博士，结果全部被拒。
被迫进入工业界，反而让他在 Facebook FAIR（Meta 的 AI 研究院，由 Yann LeCun 领导）做了自监督学习，之后到英伟达做 Cosmos 和 MoE（混合专家模型）扩展，再到 xAI 做视频多模态。
他在英伟达的另一个重要工作是 Megatron MoE，这是第一个开源的、能够高效训练超大规模 MoE 模型的框架，支持从 1000 亿参数到万亿参数的训练，MFU（模型浮点利用率，衡量 GPU 利用效率的指标）达到约 40%。
他的结论是：在机器学习内部切换方向，比大多数人想象的容易。训练大模型的核心原则是通用的，换个方向并不需要从零开始。
很多人觉得"我做计算机视觉，就只能做计算机视觉"，但他的经验证明这个边界没有那么硬。
关键判断汇总
判断 | 具体内容 |
|---|---|
视频模型的核心瓶颈 | 语言模型的智能，而非扩散模型架构本身 |
下一个爆发点 | 视频智能体，预计 2026 年底达到制作级质量 |
世界模型的三要素 | 实时性（语音交互 200ms 以内）、交互性、长时程 |
长时程的核心难题 | 5 秒视频约 55K token，上下文很快爆炸 |
推理成本趋势 | 每年约下降 2 倍，生成式 UI 长期可行 |
语言模型的下一步 | 自主上下文管理，模型感知并控制自己的记忆 |
音频的最大难点 | 音乐无法离散化，且需要与视频精确时间对齐 |
局限性和没说清楚的地方
这篇访谈有几个地方值得注意：
信息不对称： Ethan He 在涉及 Grok Imagine 具体架构时多次说"不方便评论"，比如它是否是端到端扩散模型还是语言模型加扩散头的组合。这意味着一些关键技术细节仍然不透明。
成本估算是粗略的： 他的存储和训练成本计算是信封背面的估算，实际情况会因数据规模、训练次数、基础设施选择而有很大差异。
"语言模型是瓶颈"这个判断有边界： 他承认扩散模型本身的改进仍然重要，只是说在当前阶段，语言模型的改进带来的增益更大。这不等于视频模型架构研究没有价值。
世界模型的定义是他个人的： 他在访谈开头就声明，世界模型有很多定义，他只是分享自己的视角，不打算辩论谁对谁错。
本文根据 Latent Space 播客对 Ethan He 的访谈整理重写。
Ethan He 曾任英伟达 Cosmos 视频基础模型核心作者，xAI Grok Imagine 视频多模态负责人。