Sand.ai Mengamankan Pendanaan Lebih dari $100 Juta, Berencana Meluncurkan Model Video MoE Open-Source pada Juli 2026

ME AI Berita, menurut pemantauan Beating, perusahaan model generasi video besar Sand.ai (didirikan pada Januari 2024) mengumumkan telah menyelesaikan dua putaran pendanaan dengan total lebih dari seratus juta dolar AS. Investor meliputi Look Capital, Lollapalooza Capital (kantor keluarga Wang Huiwen), Jiukun Venture Capital, Matrix Partners, MSA Capital, Innovent Capital, Yuanma Capital, IDG, dan Baidu Ventures, serta banyak lembaga utama lainnya. Pendanaan ini didampingi oleh StarHan Capital sebagai penasihat keuangan. Pendiri Sand.ai, Cao Yue, dalam wawancara menyatakan bahwa timnya terus berpegang pada pendekatan generasi video autoregresif yang dianggap tidak konsensus, bukan pendekatan Diffusion yang dominan. Model Magi-1 yang sebelumnya dirilis tetap berada di peringkat pertama dalam daftar uji realitas fisik Physics-IQ dari Google DeepMind. Untuk mengatasi segitiga mustahil "biaya, kecepatan, dan kualitas" dalam generasi video, Sand.ai beralih tahun lalu untuk mengeksplorasi arsitektur MoE (Mixture of Experts), dan berencana meluncurkan model generasi video generasi baru berbasis arsitektur MoE pada Juli 2026 (Q3), yang menggabungkan inferensi efisien dengan ukuran parameter terbesar saat ini di ranah open-source, serta akan melepaskan model tersebut secara open-source. Dalam hal komersialisasi, Sand.ai menerapkan strategi dorong ganda antara model dan produk. Produk Agent musik mereka, VidMuse, yang diluncurkan pada Januari tahun ini, hanya dalam dua bulan telah mencapai ARR sebesar 10 juta dolar AS. Selain itu, pustaka operator MagiAttention yang mereka open-source telah digunakan oleh hampir semua tim model multimodal di Tiongkok dan mendapat rekomendasi resmi dari NVIDIA. Mengenai konsep "world model" yang banyak dibahas di industri, Cao Yue berpendapat bahwa konsep ini saat ini masih berada di era sebelum GPT (sebelum munculnya GPT-1), di mana data dan jalur belum terkonsolidasi. Ia menunjukkan bahwa video adalah modalitas data paling penting menuju world model, dan seharusnya memungkinkan model untuk secara mandiri mempelajari hukum fisika melalui prediksi data observasi video mentah (Pixels/Frames), bukan dengan memasukkan prior manusia untuk memodelkan variabel status secara eksplisit. (Sumber: BlockBeats)