兔展智能董少灵：不做AI时代的「抖音」，而做千亿美金的Adobe丨多模态十人谈

“泛娱乐AI生成视频工具的终局就是「AI抖音」，初创公司几乎没有机会。 ”     

作者丨胡清文

编辑丨徐晓飞

2024年3月1日，在OpenAI放出Sora的第十二天，GitHub上出现了一个叫Open-Sora Plan的开源项目。

作为全球第一个能下载、能跑、能出片的文生视频开源模型，Open-Sora Plan上线GitHub当周就冲上全球Trending第一，累计收获1.2万颗星标和14万次访问。

王坚院士后来评价，中国人在世界AI史上第一次引领式的开源，并非DeepSeek，而是Open-Sora Plan。

这个项目出自深圳兔展智能，CEO董少灵2013年还在北大读书时就做出了中国最早的H5工具。从H5工具到视觉模型，他始终在技术浪潮来临的时候，自己颠覆自己的过去，组织每个时代的天才去探索前沿。

Open-Sora Plan一炮走红后，董少灵和首席科学家袁粒做了一个让很多人意外的决定：避开以泛娱乐流量为核心的文生视频正面竞争，把商业化重心放在精准可控的视觉生产力，同时持续迭代图像、视频及空间模型能力。

在外看来这几乎是主动放弃一手好牌，董少灵却认为这是提前绕过一条“死路”。

从AI视频赛道激流勇退后，2025年6月，兔展发布了业内最早的理解生成一体的多模态模型UniWorld并开源，早于谷歌 Nano Banana 3 个月发布。

并在2026年4月突破复杂信息准确性、可编辑性的Uniworld V2.5基础上，推出AI设计工具RabbitVis。2026年7月基于理解生成一体架构推出Uniworld View并至今在李飞飞、斯坦福的世界模型榜单World Score上霸榜第一。

在兔展看来，市场上做短剧做娱乐的AI视觉模型很好，却始终没有产品真正攻破Adobe、Figma、Canva的护城河。但这一次，Uniworld和RabbitVis产模一体组合即将做到。

自2024年Sora发布至今，多模态技术路线未定，商业模式未明，行业正进入关键期。接下来，雷峰网将推出「多模态十人谈」系列专访，与这一轮变革中十位最具代表性的当事人深度对话，记录他们的判断、选择与押注。

前不久，雷峰网和董少灵进行了一次两小时的交谈。他语速快，输出密度极高，聊下来他有几个判断让人印象深刻：

• H5、数字内容引擎、视觉大模型，本质是人类叙事在不同技术时期的三种技术载体。

• 泛娱乐AI生成视频工具的终局就是“AI抖音”，初创公司几乎没有机会。

• 只生成但不理解不能慢思考的模型，在理论上就是错误架构，不是智能在视觉空间领域Scale up的方式。

• 选拔AI人才不看名气，只看智力巅峰期有没有赶上这波技术变革。

以下是雷峰网与董少灵的对话，我们在不改变原意的前提下进行了编辑整理。

董少灵：2013年我还在北大读书，当时移动端根本没有一种像样的信息呈现于传递形式，WPS和Office都是为PC而生的，人的注意力到了移动端，但叙事工具没有跟上。于是我们就在宿舍里做了一个，就是后来大家在公众号里常见的那种能翻页、带动画、能交互的H5页面。在此之前，这种表达方式是不存在的，配套工具都是我们从零做出来的。

董少灵：当时市场上前后有一百多款类似工具出来。作为这个领域的开创者，因为我们叫兔展，所以巨头们推出的H5工具都围绕着我们起名字。像某巨头的产品叫玉兔，另一家大厂的叫爆米兔，知名软件企业的叫快展等等。

当时兔展的H5工具积累了四千多万用户，做了几十场用户见面会之后，我们果断放弃SMB市场，往企业级市场转，在国内做价值更深的产品。真正让兔展挣到钱的是一款叫“数字内容引擎”的企业级工具，功能类似高端版的Figma或者平替版的Adobe Experience Management，在2021年做到了2亿收入，在当年SaaS行业里也算头部。

董少灵：其实从我个人视角来看这些年公司没有转型过，一直在做的都是同一件事，就是扎根视觉方向，让人类的叙事更生动高效。H5是视觉内容在移动端的第一次爆发，数字内容引擎是移动互联网时代大中型企业需要更多的数字化内容的生产、协作而Adobe的AEM在中国不适配，有付费意愿的刚需，我们自研的Open Sora Plan和UniWorld系列模型是AI时代的解。虽然载体变了三次，但我们关注的始终是视觉内容怎么更高效地生产出来。

包括我们现在训练底层模型用的数据，有一部分就是兔展做H5和数字内容引擎时期积累的。我自己的评价是，兔展没有做新事，只是找到了这个时代的新引擎，并且不负过往投资人的信任，用老公司完成了这次升级。

董少灵：我们的团队跟北大有很深的渊源，兔展从早期创立时候的核心成员本身就是北大毕业的，2014年做H5的时候就开始跟当年北大的一批年轻老师们合作探索AI生成模版、AI生产艺术字、AI剪辑视频。

2022年的时候这几位年轻老师都已经是学院院长和学术带头人了，大家认为AI在视觉领域具备通用能力的学术基础已经具备，后来我们跟兔展首席科学家袁粒，集结新一代的天才少年师弟们一起突破新时代的命题，也是沿着这条脉络来的。

董少灵：2022年AI这一波起来的时候，我们坚信，一定要找到新生代的科学家，引领技术方向，革新组织，才能上车。北大在计算机视觉领域有丰厚的积累和引领性，袁粒是刚入职北大的年轻博导，也是Vision Transformer领域一篇核心论文的作者，而这是Transformer架构成功引入计算机视觉的关键突破，创新能力产出最旺盛的阶段。对视觉模型下一步该怎么走的精确判断上，我们俩可以说是一拍即合。

2023年，我们俩就开始背靠背一起做AI，袁粒成为了兔展All in AI的联合创始人、首席科学家。

董少灵与兔展首席科学家袁粒

董少灵：如何把图像生成变精准，以及探索视频生成。2023年一整年我们都在做文生视频的技术准备，从三维信息的压缩方法3D VAE，DIT的主干架构、预训练数据管线，这就是Open-Sora-Plan的雏形。

2024年2月Sora放出来时，只有PR稿和演示视频，既不能用也没有API，但我和袁粒看完很兴奋，因为发现我们2023年的方向基本压对了。如果藏着不放，兔展可能是全世界第一家做出体验不错的文生视频工具的公司，但在3月1号我们还是选择开源了。

董少灵：袁粒和我判断，当时的模型架构做不出精准的视觉，只能支撑泛娱乐方向的应用，而这个领域的尽头是AI时代的抖音，所有互联网巨头都会重注，而且大厂在数据基础、用户网络、资金与算力上，实力都比创业公司高出两个数量级。把视频生成模型包装成产品确实容易快速吸引投资人，但不正确的生态位终究难以成功。

我们当时没有推出面向 C 端的产品，但也不想浪费这次关键创新。开源是吸引开发者、汇聚前沿思路、协同算力生态很好的方式，我们想为行业发展做出一些自己的贡献，也希望行业看到兔展是真的all in AI且有核心成绩。当时开源在国内还不是共识，直到DeepSeek之后更多人才真正理解开源的价值。

董少灵：短视频占了人在互联网上70%的时间，字节、快手、阿里、腾讯等大厂都会盯着这一块。而且视觉模型跟语言模型有个根本不同，语言模型笨一点不至于用不了，但人80%以上的信息处理靠视觉，看到丑的立马不想用。所以娱乐类视频的竞争格局是超强马太效应，第一名可能占99%，第三名没必要存在。

泛娱乐分发高度依赖平台流量、推荐和商业化网络，大厂具有显著优势，因此我们选择南辕北辙，宁愿错过2VC的机会，也不想做不具备成功可能性的方向，一直到UniWorld系列模型突破，视觉生产力的AI设计方向才终于孵化出满意的产品RabbitVis。

抖音跟快手今天差100倍以上，2万亿美金对1000亿港币，Seedance在AI时代跟第二名的距离只会更大。只要做一轮田野调研，不难发现100个做AI视频的人里99个都在用Seedance，当然有一部分人同时用可灵，其他视觉模型已经基本退出竞争。在这类属于大厂核心战略、具备核心优势的赛道上硬刚，生态位不成立。

董少灵：其实不是放弃文生视频，而是要选择做哪一类视频生成业务，跟大厂南辕北辙的生态位才成立。视频是每秒24帧图片连起来的，如果模型连一张静态图里的文字和几何结构都生成不对，24帧连在一起也不会突然变对。先在静态图上把理解与生成一体的架构跑通，把准确性、可编辑性和美学打通，再往视频升维，这是更合理的路径。

设计不是生图，设计需要每个实体都有精准的尺寸、坐标和相对关系，需要每个实体都可以很轻松准确地被二次编辑，而这个市场恰恰不是以短剧为核心表现的娱乐类视觉模型能实现的。AI短剧这么火，但是Adobe、Figma、Canva的生意也没受影响，仍然在高速增长。吃掉这个市场，就是我们的战略生态位。

Adobe真正需要被替代的不是“画图”这个动作，而是“画完之后反复改”的整个工作流程，从视觉模型层去解决这个问题是蓝海。

董少灵：2023年我跟投资人讲兔展要做AI时代的Adobe，全线超越它，当时很多投资人要么对Adobe没概念，要么觉得故事不够性感。但战略首先是生态位的问题，在大厂必争的赛道上喊全面领先，听起来性感，最后大概率被碾死。

兔展的处境像两三年前的Anthropic，非共识、叙事不讨喜，但Anthropic讲Coding的时候OpenAI讲的是AI Everything，后来Anthropic用更高的资金效率给我们带来人类最大的IPO。

董少灵：“理解生成一体”是袁粒提出来的，在2024年10月26就把核心的实验做完了，我也坚信这是正确道路。理解是生成的上限，生成是理解的验证。设计，就要做到实体分层、精准编辑、矢量化、有坐标有尺寸的，靠拟合的思路是行不通的，需要理解生成一体的架构去探索。很高兴的是，模型演进到今年确实能做到了。

语言模型目前最大的变现是Vibe Coding，Vibe Design是视觉模型领域的Vibe Coding，市场规模不比Coding小，但更考验模型产品化的能力。

董少灵：今年10月8日，我们发布了RabbitVis，目前在文生设计这个市场里找不到第二款同类产品，它生成的不是一张图，是一整套矢量化、可编辑、有精准尺寸和坐标系的设计稿。

不管是生成海报、PPT，还是UI界面，每个文字、图标、装饰元素都能单独编辑，已有的设计稿也能反向拆解。举个例子，RabbitVis可以将一张复杂的游戏界面拆出九十个独立图层，每个都能二次编辑。而且生成的字体也都带版权授权，设计师可以直接商用，不用担心侵权。这意味着设计师做过的东西不再是用完就扔的图片，而是可以反复修改复用的资产内容。

董少灵：以前挑战Adobe几乎不可能，一个Photoshop都要命。那时候还是传统算法，Adobe靠全家桶捆绑做壁垒，每个领域几乎都是第一。但这次AI大模型洗牌让所有人回到同一起跑线，Adobe的这套结构有机会被完全替代。Figma也一样，以前做UI要先用AI生成参考图，再回到Photoshop、Figma中做精细调整，现在用RabbitVis可以直接实现每个实体独立操作，一步到位。

董少灵：包装印刷设计是Adobe护城河最深的领域，这类设计涉及刀板出血线、虚线、折线结构，既要兼顾美学，又要达到毫米级精度，同时要求矢量化、单元素可持续编辑；想要线上线下输出无色差，还需要适配CMYK色彩体系。

以前这个转换要靠Adobe的系列为基础，AI只能做个别元素生成，而现在兔展的RabbitVis可以全链路替代传统工具与人工模式，据我所知，这是全球唯一能端到端直接输出印刷级刀版图的AI设计工具。拿下金字塔的明珠，是我们验证路线和实力的最好方法。

董少灵：去年以来，谷歌和OpenAI都在下调泛娱乐视频模型的权重，Sora甚至直接暂停服务，同时推出Nano Banana和GPT Image系列模型。这也侧面说明，巨头们意识到：只会生成、缺少理解能力、无法慢思考的模型，并不是视觉模态下高效获取智能的正确架构，转而探索理解生成一体的新架构在图像上的验证，面向更高维信息的视觉空间智能模型，其架构目前仍在摸索阶段。

在2024年10月把主要实验做完后，我们认定一定要把理解和生成统一起来，甚至把慢思考也统一进去，把核心资源全部集中到UniWorld系列模型。去年6月，兔展发了开源模型UniWorld，第一次把理解能力、生成能力和慢思考整合在一个模型里。今年也在持续突破模型在精准尺寸、坐标系、相互关系、复杂信息准确性、单实体的独立图层的能力，也在探索这种架构在视频及四维世界的表现。

董少灵：世界模型在我看来就是四维智能，每个物品有精准的形状和坐标，互动关系正确，可以对部分实体的未来状态进行预测。坦白讲，这个领域完全没有到ChatGPT时刻，大家都还在找什么是正确的模型架构。

现在兔展真正在做的是2.5维往四维过渡的探索，2.5维目前已经探索明白了，接下来要加快产模一体迭代和商业化。也会保持对四维的探索，比如今年7月份发布的UniWorld View模型在李飞飞和斯坦福的世界模型榜World Score上至今都是第一。

董少灵：产模一体最大的优势是有粘性、有数据飞轮、有壁垒。模型层本身会拦住大部分公司，从底层掌握创新的原动力。但单纯模型领先几个月就是很好的成果了，且容易在Api模式下丧失用户粘性陷入到绝对领先或者性价比之争。产品可以锁住用户的使用习惯、历史上下文和过往设计资产，同时又能获取用户反馈数据来做强化学习，持续改进模型。从这个角度，独立模型公司做产模一体是更持续的模式。

董少灵：2024年Open-Sora Plan刚发第一版的时候，华为就主动联系过我们，当时我们就萌生了在华为的芯片上实现原生推理和训练的想法。到Open-Sora Plan 1.5版本，我们的整个训练过程100%跑在华为910C上，没有用过一张英伟达的卡。

主要考虑到两点原因：第一是城堡不建在沙丘上，兔展不想把命脉押在一个随时可能断供的底座上。第二是性价比，高端GPU的国内现货价格已经炒到天价，以兔展的体量肯定抢不过大厂。但国产算力是国家战略刚需，供给一定会越来越多，现阶段愿意用的公司少，反而能拿到更高性价比的国产算力支持，我们去年还获得了巨头和重要实验室的现金捐赠、算力来支持我们拥抱国产算力。

董少灵：是的，英伟达最大的护城河不是芯片本身，而是CUDA。华为对标CUDA的生态系统是CANN，当时还在快速迭代中，有些能力还需要补齐。但这是必然会被解决的问题，兔展依赖国家的体制和华为的支持与华为的工程团队会一起解决这些问题。

董少灵：我觉得我们的核心优势是组织形态的差异化和制度设计，另外袁粒和我本身就在一线与新生代天才少年一起工作，我们自己就是HR。

董少灵：我们的选人标准很简单，show me the code，看结果。而且我反复跟团队强调一个人才选拔标准：比起已有的成就和头衔，我更看重对方是否正处在智力巅峰期，而且正好赶上了这波技术变革。这就好比足球比赛选前锋，我们得找到属于这个时代的罗纳尔多、C罗。

董少灵：其实在早些时候，大厂给AI方向实习生的月薪通常只有5000到9000，那个时候我们就直接开到2万，给股权激励。大厂把这些人当实习生，兔展把他们当主力。现在我们公司里已经将近20个天才少年拿到了合伙人级别的股权激励，公司未来上市之后他们都会实现财富自由。

整场对话下来，董少灵最鲜明的决策特质，是不把热门赛道当作标准答案。比起追逐风口，他更在意一个朴素的问题：这条路长期来看能不能走通，兔展又凭什么赢？

无论是文生视频、英伟达生态，还是其他炙手可热的AI方向，同行眼中不容错过的机会，在他这里，都要先经过一轮终局推演：技术会走向哪里，客户究竟需要什么，商业闭环能否成立，再倒推今天该做什么。那些当时少有人认同的判断，有的半年后便显露出价值，有的则等了两三年，才逐渐得到验证。

AI行业这两年从不缺宏大叙事，真正稀缺的是愿意俯下身来，把生产环节里的“脏活累活”一件件做完的人。CMYK色彩空间、刀版切割线、九十个图层的逐一还原，这些细节也许很难成为发布会上的高光时刻，却决定了一张惊艳的AI生成图能否变成一份真正可编辑、可印刷、可交付的设计文件。它们也是AI进入专业设计流程时，绕不开的硬骨头。

兔展最终能否替代Adobe，现在下结论可能还为时尚早。但AI视觉的竞争，正从展厅里的惊艳演示，走向生产线上的真实交付。谁能率先将AI嵌入生产流程，在效率、成本和质量上交出经得起检验的答卷，谁就更有机会赢得下一程。

如今，兔展已完成股改，上市或将成为其发展的下一个重要节点。静水流深，行稳致远。资本市场的故事如何展开，仍待时间揭晓。而兔展能走多远，最终还要看它能为客户创造多少实实在在的价值。