Sand.ai ha raccolto 200 milioni di dollari. Il suo modello base per video è il vero prodotto.

Il 5 novembre, Sand.ai, l'azienda cinese di foundation model per video, ha annunciato un round di Serie A+ da 200 milioni di dollari guidato da CAS Capital e Wangsu Data Technology, con la partecipazione di China Time Capital, Guofang Capital, Green Pine Capital e altri. È il terzo round dell'azienda quest'anno, che porta il totale in dieci mesi a 300 milioni di dollari, e colloca ufficialmente Sand.ai nella categoria degli unicorni.
I soldi sono il titolo. La parte più interessante è ciò che l'azienda ha costruito con i due round precedenti: MAGI-2 Preview, un modello video con pesi aperti che tratta audio, video e testo come un unico problema invece di tre.
Un Transformer per tre modalità
MAGI-2 Preview è descritto come un modello unificato di generazione audio-video. Testo, video e audio entrano tutti nello stesso Transformer, e le informazioni continuano a scambiarsi tramite self-attention a ogni layer. L'architettura divide uno stato nascosto a 3.072 dimensioni in 12 head da 256 dimensioni, le fa passare attraverso 36 strati di un mixture of experts multi-head e assegna a ogni head 256 esperti, con sei selezionati per head. Un token finisce per attivare 72 piccoli esperti in totale.
Gli esperti condivisi gestiscono ciò che le modalità hanno in comune. Gli esperti specifici per modalità gestiscono ciò che non condividono. Attorno a questo si collocano MagiMoE, una libreria di kernel MoE personalizzata, e MagiMuon, un ottimizzatore distribuito costruito per il percorso di addestramento e inferenza.
Sand.ai lo ha rilasciato come uno dei primi modelli base video della sua dimensione con pesi aperti, e il prezzo è stato aggressivo: circa 0,5 yuan per una clip 1080p da dieci secondi. L'azienda ha anche rilasciato MAGI-1, un modello autoregressivo di generazione video, e MagiHuman, entrambi open source. Il suo prodotto consumer, VidMuse, avrebbe superato i 10 milioni di dollari di ricavi ricorrenti annualizzati due mesi dopo il lancio.
Questa sequenza conta. MAGI-1 era autoregressivo, MAGI-2 Preview è passato a un design diffusion mixture-of-experts, e la prossima release, MAGI-2 final, è descritta come una versione più grande di quell'architettura MoE. Questo è un laboratorio che sta percorrendo un percorso di scaling e pubblicando i checkpoint man mano, un atteggiamento diverso da quello delle aziende che tengono i pesi bloccati e vendono chiamate API.
Perché il mercato del video vale questi soldi
Guardate dove si trova davvero la domanda. Kuaishou ha riportato ricavi di Kling AI pari a 850 milioni di RMB nel secondo trimestre del 2026, oltre il 200% su base annua, con utenti globali oltre i 100 milioni. Seedance 2.5 di ByteDance guida 13 delle 20 categorie nella video arena di Artificial Analysis, e OpenAI ha già chiuso Sora, sia l'app sia l'API. Google ha spostato gli sviluppatori dall'endpoint Veo 3.1 Preview a ottobre e li ha indirizzati verso Gemini Omni Flash.
Nel frattempo i prezzi stanno crollando. Alibaba ha una promozione di circa il 30% su Wan 3.0, che porta il 1080p a circa 0,14 dollari al secondo. Su OpenRouter, ByteDance detiene il 26,1% delle richieste video, HeyGen il 19,7%, Google il 18,5%. Il modello mischief 1 di TBC, un derivato di Wan 2.2 proposto a mezzo centesimo al secondo, è balzato del 481% da una settimana all'altra nel momento stesso del lancio.
Quando i prezzi unitari scendono verso zero, i soldi si spostano verso chi possiede il modello base. Un'azienda che può addestrare ed erogare generazione video al margine cattura il volume che tutti gli altri stanno affittando da Google, ByteDance e Alibaba.
Perché l'audio-video unificato conta dal punto di vista commerciale
Un solo Transformer per audio e video elimina passaggi di produzione, ed è questa la ragione per costruirne uno.
La pipeline standard per uno spot di prodotto oggi funziona così: generare l'immagine, generare o registrare la voce, tagliare la musica, mixare e sincronizzare le labbra con il dialogo. Ognuno di questi passaggi è uno strumento separato con il proprio costo e la propria modalità di fallimento, e il passaggio di sincronizzazione è dove i progetti si bloccano. Quando un modello produce dialogo, suoni ambientali e suoni delle azioni nello stesso passaggio dell'immagine, il lip sync è una proprietà della generazione anziché un montaggio eseguito dopo.
Ogni fornitore in questa categoria ora rivendica quella capacità, ed è ciò che decide se il video AI può reggere un video esplicativo di prodotto con un volto parlante o uno spot narrativo di marca. È anche la capacità in cui un'architettura unificata ha il vantaggio teorico più chiaro, dato che il modello non deve descrivere il suono in testo e sperare che l'immagine corrisponda.
MAGI-1 di Sand.ai era autoregressivo. MAGI-2 Preview è passato a un mixture of experts basato su diffusion. Entrambi sono stati rilasciati, il che significa che chiunque può vedere come cambia la qualità della generazione tra un modello sequenziale e uno parallelo, e cosa succede alla sincronizzazione audio quando cambia l'architettura.
Come si confronta con il resto del settore
Confrontate i punti di prezzo anziché le dichiarazioni. Alibaba offre Wan 3.0 a circa 0,3, 0,6 e 1,2 yuan al secondo a 480p, 720p e 1080p, con una promozione di circa il 30% che porta il 1080p a 0,14 dollari al secondo sui canali di rivendita. MiniMax ha reso open source H3-Base in agosto con output 2K, clip da 15 secondi e stereo nativo, e lo ha prezzato a circa un terzo dei modelli flagship comparabili. TaoMate-H3, un'iniziativa open source del lato commerce di Alibaba, è andato oltre e ha reso il time-to-first-segment la sua metrica di punta anziché il prezzo al secondo.
Ognuno di questi è un attacco alla stessa voce di costo. I 0,5 yuan di Sand.ai per una clip 1080p da dieci secondi si collocano dentro quella fascia anziché sotto di essa, il che suggerisce che la strategia sia ampiezza e apertura anziché una guerra dei prezzi che non può vincere contro un'azienda con l'infrastruttura di Alibaba.
Le domande scomode
Niente di tutto questo è verificato in modo indipendente. Sand.ai riporta il proprio ARR e la dimensione del proprio round, e i confronti in stile PresentBench che contano per gli acquirenti sono di solito pubblicati dai fornitori. L'architettura MAGI-2 è davvero interessante, ma un Transformer audio-video unificato con 72 piccoli esperti attivati per token è anche costoso da addestrare, e l'azienda lo finanzia con i soldi raccolti anziché con i ricavi guadagnati.
C'è anche un aspetto delle licenze da tenere d'occhio. Diversi modelli video aperti cinesi sono stati rilasciati nel 2026 con termini che escludono gli Stati Uniti dall'uso commerciale, il che spinge gli sviluppatori occidentali verso alternative chiuse e complica qualsiasi racconto di un ecosistema aperto. Le release aperte esistenti di Sand.ai sembrano seguire il percorso permissivo più standard, il che è in parte il motivo per cui il round è stato sovrasottoscritto dagli investitori nominati.
E il prodotto commerciale è la parte da tenere d'occhio. Il raggiungimento di 10 milioni di dollari di ARR da parte di VidMuse due mesi dopo il lancio è un numero reale, ma le piattaforme di creazione video hanno l'abitudine di crescere grazie a campagne una tantum e poi appiattirsi una volta esaurita la novità. Il modello aperto è ciò che rende l'azienda duratura; l'app è ciò che finanzia la ricerca.
Cosa tenere d'occhio in seguito
MAGI-2 final è descritto come imminente, con un MoE più grande e lo stesso design audio-video unificato. Se mantiene il prezzo di 0,5 yuan per 1080p da dieci secondi spingendo su clip più lunghe e un lip sync migliore, il modello diventa un plausibile obiettivo di training per chiunque costruisca prodotti video con un budget limitato.
Tenete d'occhio tre cose in particolare. Se i pesi vengono effettivamente rilasciati con una licenza permissiva. Se la traccia audio regge quando una clip contiene dialogo, dato che l'audio nativo ora è un requisito minimo in questa categoria. E se i ricavi di VidMuse continuano a salire dopo il trimestre di lancio, o se seguono la curva generale di spesa in video AI su cui sta cavalcando ogni piattaforma di questo mercato.
Per ora, il punto utile è più semplice del titolo sulla raccolta fondi. Sand.ai sta costruendo modelli base video nel modo in cui la comunità aperta si aspetta che i laboratori li costruiscano: pubblicare i checkpoint, pubblicare i dettagli dell'architettura, competere sul prezzo e vendere la versione hosted per finanziare la successiva.
Articoli correlati
La spesa in AI non si è fermata: la regge l'1% delle aziende
Il volume di token è cresciuto del 37.1 per cento e i prezzi sono scesi del 26.8: la differenza spiega perché i ricavi dei fornitori sembrano fermi.
Claude ora legge i tuoi estratti conto. Anthropic gli ha tolto le mani di proposito
Il design in sola lettura è il prodotto, e scollegare una banca non ritira ciò che è già finito in una chat.
Adobe ha smesso di chiedere ai marketer di aprire Adobe
Per un decennio la strategia è stata possedere l'interfaccia. Adobe ha appena scommesso il contrario.
CrowdStrike ha rilasciato un kill switch per gli agenti AI. La parte difficile è sapere cosa terminare.
Un kill switch trasforma una supposizione in qualcosa di applicabile. L'applicazione richiede un elenco, e l'elenco è la parte che nessuno ha.