梅涛认为，图片是多模态的入口，视频是过程，世界模型是终局。他对比了 OpenAI 与 Anthropic 的不同路线，指出在中国创业需兼顾长期愿景与短期商业化。在技术层面，他回顾了从 GAN 到 DiT 再到其团队独创的 UiT 架构的演进，强调创业公司必须通过架构创新以十分之一的人力物力逼近巨头效果，但架构领先仅能维持约六个月。当前多模态视频仍处于 GPT-2 阶段，视觉信号缺乏统一的 Token 定义，Scaling Law 尚未形成统一范式。梅涛认为，世界模型并非单一模型，而是多条路径的集合，视频模型因其数据通用性最有可能成为基础底座。在商业化上，多模态已出现表现力涌现，智能未至但变现先行，创业公司应聚焦 Agent 和垂直应用，避免与大厂在同等规模竞争。