如果说大语言模型拉开了人工智能革命的序幕，那么当前人机交互的瓶颈已不再是模型的智能水平，而是人类接收信息的生理带宽。
一个严峻的事实是：人类的阅读极限约为每秒 5 个 Token，而前沿模型的输出速度正迈向每秒上千 Token。当数十个 Agent 协同工作时，庞大的生成内容往往沦为无人能读完的“字符废墟”。
正如 Andrej Karpathy 所言，盯着 ChatGPT 对话框聊天，本质上如同在上世纪 80 年代敲击终端命令行。属于 AI 时代的“图形用户界面（GUI）”尚未真正诞生。文字这根狭窄的“吸管”，正在倒逼人机界面发生彻底的范式跃迁。
创立于 2025 年末的SigmaZ AI，正试图填补这一空白。不同于主流的“数字人视频通话”或高成本、低可控的纯像素扩散路线，这家初创团队提出了一条反共识的技术路径：Coding as Backbone（以代码为骨架）。
利用扩散语言模型（DLM）极高的并发生成速度，SigmaZ AI 让模型直接输出可执行的视觉代码，交由浏览器完成高效渲染。这种架构创新将视频生成的推理成本降至传统像素视频模型的1/100，更让视频从静态消费品转变为“可点击、可提问、实时重塑每一帧”的原生交互界面。
本期深度对话邀请了 SigmaZ AI 两位联合创始人——23 岁的连续创业者 William，以及曾在亚马逊剑桥实验室及 AGI Lab 亲历语音智能与 Generative UI 演进的 CTO Derek，完整拆解了他们从 Chatbot、无限画布试错到确立“实时交互视频”的思考闭环：
- 为何聊天框终将退回 Terminal 的极客角落，而 Interactive Video 才是终局？
- 为何在自回归模型上优化延迟是死胡同，而 DLM 才是打开实时交互大门的钥匙？
- 如何通过“代码高维抽象 + 浏览器免费渲染”实现数量级维度的降本？
- 年轻团队如何在巨头林立的生成式 AI 战场构筑审美偏好与 RSI 壁垒？
以下为对话实录：
从 Chatbot 到实时交互视频：一场人机交互界面的范式跃迁
ZF：欢迎两位。首先请简单介绍自己。
William：我是 SigmaZ AI 的 Founder and CEO William。作为一名 23 岁的连续创业者，我曾创立三家 Startup。我们目前致力于用"Coding as Backbone"打造实时交互视频生成模型。我们认为，未来回顾今天将文字作为 AI 主要交付物的方式会显得很奇怪，因为 AI 默认将以实时视频形式与人类交流。
Derek：我是 SigmaZ AI 的 CTO 兼 Founder Derek。我的职业生涯经历了三代人机交互形态：十年前在 Amazon Alexa 参与第一代语音智能；随后在 Amazon Nova 模型中将 Generative UI 落地，让大模型直接输出可视化 HTML；而现在，我们要做的下一代是实时交互视频。
ZF：创业之初就确定要做实时视频交互吗？
William：我们确定 AI 时代的交互体验会被重塑，但具体形态经历了探索。最初我们做过 Chatbot，但文本限制太大；后来尝试无限画布，但边界太宽，用户难以掌控，连国内头部画布公司 Kuse 也转向了列表管理。
第三次尝试中，我们推出了“交互视频”功能，将课件变为交互式视频课堂。这一形态理解成本低、用户掌控感强，且将生成式页面降维为内容，留存率极高。虽然最早定位为 AI 教育产品，Alpha Launch 后在海外获得千万级曝光，用户平均停留时长达 11 分钟，是同类产品的三四倍。
但我们发现，超 50% 的用户将其用于通用场景，如将小说、商品变为交互式视频。用户反馈生成速度快、准确性强、成本低，适合清晰传达任务。最终，应用户对“实时性”的强烈需求，我们演变成了今天的实时视频形态。
ZF：为什么 Chatbot 不是终极 Interface？
Derek：每一代界面最终都会成为人与 AI 之间的瓶颈。成年人阅读速度约每秒 5 个 Token，而模型输出已达每秒 80 到 240 个 Token，未来专用芯片更可达数千。若未来使用 Agent 团队，输入输出差距将达几百倍，导致大量输出无人阅读。
算力不再是天花板，人才是。Karpathy 曾比喻，跟大语言模型聊天就像使用上世纪 80 年代的 Terminal。GUI 的出现让电脑智能变得可视、可操控，我们现在要做的，就是给 AI 补上这一课。Karpathy 在 2026 年指出，HTML 是当下大模型理想模态，终点是交互式视频（Neural Video）。聊天框不会消失，但会像 Terminal 一样留给极客。
ZF：如何判断一个 Interface 是 Work 的？
Derek：入口型产品应是人使用起来最不费劲的模态。交互范式迁移的开关从来不是“能不能”，而是“快不快、贵不贵”。当现场生成界面比预先做好的更快、更便宜时，范式就会翻页。
需求端是算力和信息过剩，逼着界面升级带宽；供应端则是 AI 需具备驾驭高带宽视觉界面的能力，写出承载信息的视觉代码。供需两端同时到位，范式才会改变。
实时交互视频的定义：一个状态公式，而不是一次生成
ZF：为什么选择现在这个时间点创业？
Derek：2024 年行业缺的是智能；2025 年 Agent 爆发，智能和信息过剩，问题转为规模化落地；2026 年，问题变成了如何让人类不再成为 AI 发展的瓶颈。
同年两件关键事促成了我们的选择：功能性编程相对解决，视觉编程兴起；DLM（扩散语言模型）研究起步，为实时交互提供足够快的计算范式。如今 DLM 商用落地，代码生成速度达每秒一两千个 Token，比自回归 LM 快一个数量级。我的论文也在 ICLR 2026 发表了视觉代码领域的递归自迭代框架（RSI）。
前两年不做是因为自回归 AR 大模型的延迟问题注定被淘汰。我们将精力放在无论换什么模型都值钱的基础设施上，把速度问题留给 DLM 解决。
ZF：你们如何定义“实时视频交互”？
Derek：我们将其实时视频交互定义为状态公式：下一个画面 = 当前画面 + 你的动作 + 上下文。每一次交互都在重塑媒介本身。这与传统一次性生成的视频有本质区别。
ZF：怎么理解视觉代码渲染？
William：主流 Visual AI 分两类：一是 Pixel Diffusion（像素扩散），真实但成本高、可控性低；二是 Visual Code（视觉代码），以代码为核心，成本低、高可控、准确性强。过去受限于自回归模型速度，无法实现实时交互。如今基于 DLM 技术，我们能用代码作为实时交互视频的 Substrate，在新闻等场景中精准呈现 3D 内容或图表。
ZF：与普通用户的体感区别是什么？
William：我们早期没有数字人，不像跟 AI 打视频电话。我们的输出更像 AI 开了一个共享屏幕，展示干活过程并实时生成有信息量的内容。例如健身时实时纠正动作，或解题时实时生成深入讲解。我们称之为“好用又好玩的实时交互视频”。
类比来看，它像一个 AI 原生、实时交互版的 YouTube。用户可对视频内容实时提问，AI 直接用视频方式回复。
ZF：这种形态确实很适合自适应教育。
William：最早我们界面左边是视频，右边是 Chatbot。用户默认 Chatbot 应该能控制视频，这是一个巨大的 Aha Moment。我们发现用户不仅用它学习，还用来理解 AI 输出、看小说、生成商品介绍等，具备很强的泛化性。
Code 负责真实，Diffusion 负责“好看”，双轨技术架构
ZF：完整的技术链路是什么？
Derek：以用户点击视频中耳机为例：第一步是“意图反演”，系统结合点击元素和上下文判断意图。若是事实性问题，推理层异步检索；若是交互，交互层继续视觉演化。
推理层返回新信息后，模型推导出 T+1 状态，对当前场景代码 Template 进行继承式编辑，而非推倒重来，保证场景连续。随后用 DLM 并行起草代码，浏览器执行新场景。状态显式存储在用户的 Exploration Graph（探索图）上，模型本身 Stateless。
ZF：模型本质是代码模型？
Derek：是的，它是一个“写代码的模型”，输出可渲染成视觉内容的代码，类似不断自迭代、更新且带动画的网页。
ZF：代码渲染会限制视觉表现力吗？
Derek：目前审美偏好排名确实靠后，但代码表现力上限很高（WebGL、Shader 等）。问题在于模型还没学会把代码写得美，这是训练问题。DLM 的高速度让我们能通过 RSI 系统在线实时多轮迭代，用速度兑换美感。
终局架构中，会有连续扩散的像素头负责氛围和质感。Code Token 负责真实，Diffusion 负责好看。代码限制了模型撒谎的能力，方程写在代码层就不会渲染错。
ZF：代码生成与传统图生视频逻辑有何区别？
Derek：代码是高维抽象。例如篮球弹跳，代码只需 Import 物理库并设置初速度，渲染引擎免费完成物理计算且符合规律；像素模型需逐帧推理，耗时且不保证物理正确。
ZF：为何代码能做到这些？
Derek：物理规律是硬逻辑，可写入物理库。代码组件可缓存、复用、Remix，而像素世界无组件概念，每次需从头计算。
ZF：为何不选自回归路线？
William：自回归模型上限受硬件显存带宽限制。为突破限制，必须更换解码架构。
Derek：实时交互需要极低延迟。自回归写代码约每秒 100 Token，复杂场景需几分钟，这对实时交互是死刑。我们选择在自回归上抠延迟，还是等待新范式？我们选择了后者，先解决质量和评测，把速度交给 DLM。
DLM 解码不受内存带宽限制，消费级 GPU 即可跑出高吞吐量，且单人单卡即具经济性，无需拼_batch_。
ZF：为何更看好 DLM 的工程优化曲线？
Derek：自回归优化已进入下半场，提升空间有限；DLM 刚进入上半场，处于指数增长早期，一次优化可能就是几倍提升。我们押注的是这条曲线的斜率。
ZF：DLM 会挑战自回归模型地位吗？
William：两者将是分层共存。LLM 处理长程复杂推理，DLM 负责实时 AI 和人眼可见的结构化生成。
Derek：未来技术分层会更精细。激进来看，DLM 在调度效率提升后，吞吐量也将与自回归持平，而用户体验到的延迟将大幅降低，市场自然会选择更快的模型。
1/100 成本不是优化结果，是结构优势
ZF：DLM 对 RSI 有什么作用？
William：DLM 擅长快速生成 Token，可加速 AI 递归自进化（RSI）过程。我们用 VLM 作为奖励信号，DLM 作为 Improver 修改生成的 Artifacts。由于 DLM 速度快，Latency 增加不多。长期看，编辑轨迹可通过知识蒸馏和强化学习进入模型权重，实现自我进化。
ZF：1/100 推理成本的数据准确吗？
Derek：这是实测结果，主要来自四个结构性变化：
- 表示层级：代码是高维抽象，精简表达世界状态。
- 渲染外包：真正的渲染工作交给用户设备上优化最好的免费引擎——浏览器。
- 零编辑帧：代码生成一次即可自行运行，仅在新交互时调用模型，而非每帧消耗算力。
- 代码复用：组件可缓存、复用和 Remix，规模越大缓存空间越大。
ZF：最核心的技术壁垒是什么？
Derek：核心壁垒是视觉代码领域的后训练架构，特别是 RSI Loop 中的 Evaluator（视觉 Judge）。如何让模型理解人类审美和偏好，拥有 Expressiveness 和 Taste，是关键。此外，异步训练系统让 GPU 不因渲染打分而闲置，以及保证 RL 训练 Rollout 时沙盒的稳定性，也是重要壁垒。
ZF：目前产品进展如何？
William：主要在推进三个方向：建立行业缺乏的交互视频 Benchmark；围绕模型和产品做基础能力建设（数据、训练、工程）；与早期合作用户试点，验证真实业务表现。阶段性 Benchmark 和 Demo 已在 X 发布并获得反馈。接下来将整合能力至 production-ready 环境。
ZF：收到过哪些有趣的用户反馈？
William：除了 C 端用户，硬件厂商（桌面智能硬件、机器人公司）主动联系我们，希望将实时交互视频作为物理世界 Agent 的动态界面，如智能健身镜、AI 缝纫机等。硬件难做到千人千面，但界面可以。
ZF：最终产品形态是什么？
William：现阶段优先优化模型。产品路径上，先做 C 端平台建立用户认知和数据飞轮，再向 B 端延伸，成为商业基础设施。商业模式早期降低门槛，后期探索 Premium 订阅和原生广告。
招聘第一标准：好奇心，不是履历
ZF：融资过程中有何故事？
William：首位投资人小小基金（Solo GP）在两小时内决定投资。她并未纠结细节，而是判断方向潜力、团队能力及早期信号。她看到了我们正在 Build 一种可能成为下一代人机交互最优解的新产品形态。
ZF：向投资人解释技术路线有门槛吗？
William：解释新品类重在阐述现有产品缺失。从 YouTube、TikTok 和 Chatbot 切入，说明文本交互效率低，实时交互视频价值易懂。技术路线上，DLM 虽名字含 Diffusion，本质仍是 Language Model，需解释其更快、更低成本的原理。该方向正从非共识走向共识。
ZF：招聘原则是什么？如何吸引资深人才？
William：第一标准是好奇心。在 AI 时代，好奇心和 Agency 比经验更重要。吸引人才靠的是解决足够重要且有挑战的问题、清晰自洽的技术路线，以及足够大的责任Scope。早期团队能让人才定义问题而非仅优化模块。
ZF：团队规模和地点？
William：约 20 人，基本在中国杭州。这里人才密度高，吸引了不少阿里、字节背景的工程师。
ZF：接下来的关键里程碑？
William：一是完成模型训练，上线基于代码的视频生成模型；二是推出 C 端平台，预计明年 Q1 前上线，让用户看到视频从静态变为共同参与的体验。同时招募早期创作者建立内容管线，并展开新一轮融资。
快问快答
ZF：最喜欢的创业者？
William：Steve Jobs。
ZF：因年轻受到质疑吗？
William：我长得比较老，大家常怀疑我是否已经 30 岁了。
ZF：MBTI？
William：ENTJ。
ZF：推荐一本书或电影。
William：推荐《Why Nations Fail》。这本书以建模方式理解人生和社会，对创业和理解技术演变很有帮助。
ZF：最喜欢的 AI 产品？
William：Claude Code。
ZF：希望 SigmaZ AI 成为什么样的公司？
William：希望成为实时交互技术的核心提供方。即使未完全成功，也希望被视为在该领域做出最早核心贡献的公司，对人类未来如何与 AI 交流做出独特且巨大的贡献。
