# 视频智能体是下一个方向：Ethan He 谈 xAI Grok Imagine 的三个月从零到一

> 原标题：Why Video Agent models are next — Ethan He, xAI Grok Imagine

- 来源：Latent Space
- 发布时间：2026-06-01T15:41:48.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/35523
- 原文：https://www.latent.space/p/video-agents

## 摘要

Ethan He 在 NVIDIA 做完 Cosmos 世界模型后跳到了 xAI，带着一个小团队三个月就做出了 Grok Imagine。他有个很直接的观点：视频模型现在的智能主要来自语言模型，不是靠堆视频数据训练出来的。下一个 Sora 级别的突破不会是更好的视频生成模型，而是能规划、生成、修改、反复打磨一个完整创意任务的视频智能体。

## 推荐理由

xAI 的 Ethan He 带小团队三个月做出 Grok Imagine，并判断视频模型的智能主要来自语言模型，下一个突破在能规划、生成、修改完整创意任务的视频智能体。

## 锐评

视频模型的智能来自语言模型，这个判断我信。真按这个逻辑，视频生成的护城河就不在视频数据量上，谁家 LLM 强谁占便宜，那 xAI 拿 Grok 去接视频这条线是顺的。三个月小团队从零做出 Grok Imagine，速度确实快，但访谈里一个 benchmark 分数、一个成本数字都没有，这种路线图预告只能看方向，不能当结论。我比较在意的是他说的视频 agent 要能规划、生成、修改、反复打磨，这活每一步都在烧 token，真跑起来账单比生成模型高一个量级，现在没人聊这个成本。
