xAI Ethan He：影片模型的智慧源自 LLM，下一個 Sora 是影片 Agent

前 NVIDIA Cosmos 世界模型主導工程師 Ethan He 加入 xAI 後，率小型團隊在三個月內從零建出 Grok Imagine，並在 Latent Space podcast 拋出反直覺核心論點：影片模型的「智能」主要來自 LLM，不是來自看更多影片訓練資料。這個判斷直接改寫了影片生成的下一步路線圖。

Ethan He 曾主導 NVIDIA Cosmos 世界模型，隨後加入 xAI。三個月衝刺 Grok Imagine 留下的工程教訓只有兩條：迭代速度高於幾乎一切，最大的效能躍升往往來自修掉資料集與訓練 pipeline 裡的微小 bug，而非架構大改。技術棧涵蓋 VAE、diffusion transformer、音影對齊與推論加速，以及大規模影片資料集移動的隱性成本。

He 認為影片生成將複製 coding AI 的演化弧線，從比拚單次輸出品質與成本，走向多輪規劃、生成、編輯、批評、迭代的 agent 系統，最終瓶頸落在「編排」而非單次生成能力。對做多模態或生成式媒體的團隊，訊號已經很清楚：當 realism、一致性、prompt 遵循達到門檻後，該押注的是能跨整個創作任務統一調度的完整系統。He 同時點名 Flipbook 是影片即時客製 UI 的早期訊號，隨推論成本持續下降，這個方向比多數人預期的更近。