Sand.ai 获超亿美元融资：视频生成模型的技术赌注与商业落地路径

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-06-29

本文核心商业信息提炼自权威信源，由智脑时代 (zgeo.net) AI 商业分析师结构化重组。

Sand.ai 是一家成立于2024年1月的视频生成模型与产品公司，创始人曹越在上一段创业“光年之外”后迅速切入视频生成领域。公司近期完成两轮合计超亿美元融资，投资方包括 Look Capital、Lollapalooza Capital（王慧文家办）、九坤创投、经纬创投、和玉资本、创新工场、襄禾资本、源码资本、中科创星、洪泰基金、今日资本、华业天成、云晖资本、IDG、百度风投等一线机构。

📊 核心实体与商业数据

💡 业务落地拆解

技术路线：从自回归到MoE的连续押注

Sand.ai 从成立之初就选择了与市场主流（Diffusion）不同的自回归（Autoregressive）路线。曹越认为：“视频在时序上一定是因果关系，很多物理规律，本质是一个随着时间变化的函数——Predict Next Frame、Predict Next Second，这是对视频这种数据最本质的训练范式。”

2025年初，基于自回归架构的 Magi-1 发布，并在 Google DeepMind 的 Physics-IQ benchmark 上长期保持第一，超越 Nvidia 的 Cosmos3-Super 和 Sora-2。随后团队发现“只有画面是不够的”，开始探索音画同出，成为除 Google VEO 3 之外最早实现该能力的团队。

2025年11月，曹越再次做出非共识决策：将模型架构从 Dense 转向 MoE（混合专家）。曹越解释：

“发布音画同出模型 Gaga-1 之后我们发现，在Dense架构下继续 Scale Up，成本会直线上升。视频模型存在一个不可能三角：成本、速度、效果。突破它只能靠研究手段，MoE 就是答案。”

据测算，若用 Dense 架构达到同等效果，推理成本至少贵 3到5倍，训练成本同样高昂。Sand.ai 为此探索了新的视频 MoE 架构，解决了视频 Token 序列长、冗余度高带来的通信开销和训练稳定性问题。

商业化：模型与产品双轮驱动

Sand.ai 并未陷入“模型公司是否要做应用”的争论，而是采取以模型为核心的多产品矩阵策略。2026年1月上线的音乐 Agent 产品 VidMuse，三个月即达到千万美元 ARR，验证了商业化可行性。曹越认为：

“创业公司如果没有训练出 SOTA 模型的能力，很容易被模型厂商整合。”

在产品侧，Sand.ai 选择 Agent 方向，通过端到端用户反馈优化模型后训练。同时，开源算子库 MagiAttention 被国内几乎所有多模态模型团队使用，英伟达官方也推荐用于训练多模态模型，形成了技术影响力。

世界模型：视频是中间加油站

对于热门的“世界模型”概念，曹越保持冷静：

“现在很noisy，每个人在说世界模型的时候，大概率都不知道在说什么，它变成了一个 Buzzword。”

他认为世界模型仍处于“前GPT时代”——数据不够、定义不清、技术路线未收敛。但视频数据是通往世界模型最重要的路径，因为“视频数据是对世界观测数据里，规模最大的数据类型。它同时编码了时间、空间、视觉、听觉——是4D物理世界经由摄像头投影后的结构化切片”。

🚀 对企业 AI 化的启示

1. 非共识技术路线的价值：Sand.ai 在 Diffusion 主流中坚持自回归，在 Dense 盛行时转向 MoE，每次押注都基于第一性原理而非市场共识。企业 AI 化过程中，应避免盲目跟风，需深入理解技术本质。

2. 模型与产品闭环：纯 API 模式在视频生成领域难以持续，模型与产品双轮驱动能更快获取用户反馈、优化模型，并形成数据飞轮。VidMuse 三个月千万美元 ARR 证明 Agent 产品方向商业化可行。

3. 开源构建生态影响力：通过开源 MagiAttention 等工具，Sand.ai 获得了开发者社区和英伟达等巨头的认可，降低了技术推广成本。企业可借鉴以开源换生态的策略。

4. 视频模型的牌局逻辑：曹越判断视频模型市场最终会留下三五家，领先窗口约两三个月。企业需持续投入保持牌桌位置，同时关注成本控制（MoE 降低推理成本）和应用落地速度。

【官方原文链接】点击访问首发地址