曾因字节跳动实习争议被中国网友称为「AI 投毒实习生」的研究员田柯宇，如今以创业者身份再次进入公众视野。
据彭博 10 月 7 日报道，田柯宇已成立一家专注于世界模型（World Models）的 AI 实验室。该公司尚未正式命名，也没有公开产品，团队规模约 10 人，但已获得五源资本、IDG Capital 等机构近 3,000 万美元融资，投后估值达到 2 亿美元。
计划构建不依赖人类语言的视觉表示系统
田柯宇的目标，是打造一套不依赖人类语言的 AI 视觉表示系统，让模型通过约 1 亿小时视频理解真实世界。这一路线将与李飞飞、杨立昆等研究者投入的世界模型技术形成竞争。
他认为，当前大型语言模型使用的人类语言，并不是描述物理世界最高效的方式。以一段视频为例，如果只靠文字完整描述，除了人物和物体，还要交代每个对象的位置、运动轨迹、光影变化以及物理互动，自然语言很难完整保留这些信息。
基于这一判断，田柯宇选择反过来设计系统：不是让 AI 学习用人类语言描述视频，而是直接为 AI 建立一套更适合处理视觉信息的符号体系。
按照他的说法，团队已经建立了一套类似字典的视觉表示系统，其中包含约 20 万个人类无法直接识读的符号。这些符号类似大型语言模型中的 Token，但处理对象不是文字，而是图像和视频中的视觉信息，用于以更适合机器计算的形式表示、压缩和预测视频内容。
田柯宇表示，人类无法用自然语言完美描述一段视频，因此团队首先要为 AI 建立自己的语言，再让模型学习约 1 亿小时的视频数据。
这套技术延续了他过去在视觉自回归生成（Visual Autoregressive Modeling）上的研究方向，试图让视觉模型像大型语言模型一样，通过可规模化的表示和预测机制完成训练。
他还称，这种方法目前已能把每秒视频生成成本至少降低一个数量级，也就是降到原来的十分之一或更低。不过，这一效率提升仍有待公开技术成果验证。
团队计划先通过线下活动和公开展示介绍模型能力，完整基础模型预计于 2027 年推出。田柯宇强调，现阶段并不急于开发消费级产品，商业模式也不是优先事项，团队会先集中资源完成底层技术。
字节跳动实习争议与法院判决
2024 年，田柯宇在字节跳动实习期间，被指控擅自修改或干扰其他研究人员执行的模型训练程序，随后遭公司开除。事件很快在中国 AI 社群发酵，网络上还出现了他破坏大型基础模型训练、影响超过 8,000 张 GPU、造成数千万美元损失等传言。
不过，字节跳动当时曾公开澄清，部分网络说法存在严重夸大或误导。
田柯宇在接受彭博采访时承认，自己当时确实关闭了另一名实习生的程序，原因是他认为对方超额占用了计算资源，希望释放算力供其他研究工作使用。
他将这次行为描述为用不当手段处理不当问题，并表示如果可以重新选择，自己应该采取更明智的处理方式。
字节跳动事后向田柯宇提出 800 万元人民币损害赔偿请求。根据彭博查阅的法院判决文件，法院最终判令田柯宇因违反合同赔偿 50 万元人民币，并返还其在字节跳动取得的薪资。
离开字节后获得 NeurIPS 2024 最佳论文奖
尽管卷入争议，田柯宇在 AI 研究领域仍有获得国际学术社群认可的成果。2024 年，他以第一作者身份发表论文《Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction》，并获得 NeurIPS 2024 最佳论文奖。
这篇论文提出名为 VAR 的视觉自回归建模方法。其核心思路是，AI 不再按传统方式逐个预测图像 Token，而是从低分辨率到高分辨率，逐步生成不同尺度的图像内容。
这种「下一尺度预测」方法，让视觉生成更接近大型语言模型的自回归建模框架，同时改善了传统方法在图像生成上的效率和可扩展性。
田柯宇当前的创业方向，就是把这一路线从静态图像延伸到视频和物理世界建模。他的目标并不只是开发另一款 AI 视频生成工具，而是建立能够理解空间、物体运动和物理规律的基础模型，用于支撑机器人、自动驾驶和交互式虚拟环境等场景。
世界模型成为 AI 研究和产业的新焦点
世界模型正逐渐成为大型语言模型之外，AI 研究者和科技公司集中投入的方向。与主要处理文字、代码和知识推理的语言模型不同，世界模型试图让 AI 建立对外部环境的内部表示，理解物体如何移动、彼此如何影响，并预测不同操作可能带来的结果。
在这一领域，由「AI 教母」李飞飞创立的 World Labs 是空间智能方向的重要团队。ABMedia 文中提到，AMD 已于今年 9 月 28 日宣布，将以约 82 亿美元全股票交易收购 World Labs，希望借助该公司的空间智能技术和研究人才，强化其在机器人、物理 AI 以及新一代计算基础设施上的布局。该交易仍需通过监管审查，预计于 2026 年底完成。
另一边，前 Meta 首席 AI 科学家杨立昆也在持续推进世界模型研究，Google DeepMind 的 Genie 系列同样在探索可实时生成、供用户交互的虚拟环境。
对于目前仅约 10 人、尚未推出公开产品的田柯宇团队来说，近 3,000 万美元的早期融资，显示出创投机构对其研究能力和技术路线的期待。至于这套 20 万视觉符号体系，以及大规模视频训练，能否最终转化为真正理解物理世界并支持实际任务的基础模型，仍要等待后续公开展示和技术测试结果。