2023年爱诗科技选择DiT（Diffusion Transformer）作为视频生成的基础架构时，国内几乎没人用这条路。DiT用Transformer替代了传统扩散模型中的U-Net，通过自注意力机制捕获全局时空依赖，解决了U-Net在处理长视频时「局部细节好、全局结构崩」的痛点。Sora后来也验证了DiT的可行性，如今国内主流的视频生成模型（万相、Seedance、Vidu）全部转向DiT范式。爱诗当年赌对架构路线，是它能在3年内追上OpenAI节奏的关键一步。

爱诗科技创始人王长虎曾从0到1搭建抖音/TikTok的视觉技术体系。字节这套体系的核心不是算法创新，而是「亿级用户实时反馈驱动的工程迭代」——抖音每天处理数亿条短视频，每一帧的用户停留、滑动、点赞都成为视觉模型训练的信号。这种「数据飞轮」让字节的视觉团队在内容理解、特效生成、实时渲染上积累了行业最厚实的工程经验，也解释了为什么王长虎创业后能用「同行10%的研发成本」跑通视频生成模型，本质是把字节的工程方法论搬到了生成式AI赛道。

C+轮由阿里领投，但阿里在AI视频的布局远不止爱诗一家。它同时投了快手可灵（30亿美元）、生数科技Vidu，还自研了万相2.6。这套「全投+自研」的打法与LLM时期如出一辙——阿里云需要把视频生成能力嵌入电商、广告、影视等场景，所以不押单边，而是把赛道里所有头部玩家都变成自己的生态棋子。对爱诗科技来说，这既是加速器（电商场景落地），也是隐忧：阿里随时可以用自研的万相替代掉外部合作。

PixVerse R1的核心卖点是「实时交互」——用户说指令，画面秒改，支持1080P无限时长生成。但这条路的最大变量不是技术，而是算力成本。豆包日均Token调用量超120万亿，日算力成本2-5亿元；实时视频生成的推理成本只会更高。目前爱诗商业化靠的是短剧/广告素材的离线生成（ARR超4000万美元），实时交互场景（游戏、直播、虚拟世界）的买单意愿尚未验证。拐点要看2026年下半年：能不能跑出一个日活百万级的实时交互应用。

王长虎不是唯一从字节出来做AI视频的。快手可灵的核心团队也大量来自字节，Seedance本身就是字节内部的产品。一个值得追问的问题是：为什么视觉技术出身的字节前高管，不约而同选择了「AI视频生成」这个方向，而不是AI绘画、AI助手或具身智能？这背后是字节「短视频+AI」的工程基因在起作用——他们最懂的事情，就是用AI把视频内容的生产成本打下来，然后把生意做到全球。这个判断如果成立，字节的「视频AI化」战略本身就是最大的竞争变数。