剛剛，國內 AI 應用層最大的一筆融資落定了，但你很可能并沒有聽過這家公司的名字——演語。

演語科技，英文名 Evoken。這是它第一次用集團品牌的身份對外發聲。在此之前，外界更熟悉的，是它旗下的 LiblibAI。

今天，演語科技完成了近 3 億美元的 B+ 輪融資，投后估值超過 20 億美元。本輪由 Granite Asia、騰訊、順為資本聯合領投，HT Investment、時代資本參與投資，高榕資本、螞蟻集團、渶策資本、明勢創投、源碼資本、紅杉中國等一眾老股東繼續加碼。

它的成長一直走得很「悶聲」。2023 年從一個 AI 繪畫的模型分享社區起步，一路長成今天橫跨圖片、視頻、設計的 AI 內容平臺。這次啟用「演語」這個集團品牌，更像一場「成人禮」，它要從一個被叫做哩布哩布的社區，正式變成一家以 AI 創意內容為核心的科技集團。

AI 應該同時為人和 Agent 服務

這次融資故事里最大的亮點，莫過于今年 3 月上線的 AI 視頻創作平臺 LibTV。

在 LibTV 出現之前，用 AI 做視頻的人普遍有個共同的痛點：生成好看的鏡頭已經不難，難的是把幾十個鏡頭組織成一支完整的片子。市面上的工具大致分兩類，一類是對話式的，給一句話就出片，上手快，但能力天花板很低；另一類是純節點式的工作流，能力很強，門檻卻高到能勸退大半創作者。

LibTV 真正特別的地方，不在于又接入了多少個視頻大模型，而在于它的設計哲學。這可能是市面上第一個從第一天起，就同時為人類創作者和 Agent 設計的視頻工具。

相比于強調徹底的解放雙手，LibTV 保留了「兩條路徑」。一條路給創作者，一塊無限畫布，就把文本、圖片、視頻、音頻、腳本幾類素材，用節點式的工作流串成一條確定的生產線。

一個做 AI 漫劇的人，可以把自己的畫風、固定鏡頭、人物 IP 打包成一條流水線，稍作調整，就能按既定風格批量出片。

另一條路則留給 Agent。這里說的 Agent，指的是能聽懂任務、自己調用工具、跑完一整段流程的智能體。LibTV 把自己的能力打包成了一個個 Skill，也就是技能接口。你可以讓自己的 Agent，比如 OpenClaw 這類產品，直接學會調用 LibTV，用一句話就生成一支五分鐘的短劇。

為什么要設計兩條路徑？OpenClaw 走紅之后，行業里慢慢形成一個判斷，一個產品未來的用戶，可能有一半不是人，而是 Agent。當大多數公司還在為人優化界面時，LibTV 已經提前把 Agent 當成了自己的用戶，版本領先。

按公司這次統一披露的口徑，LibTV 上線首月就出現過單日收入超過百萬美金的表現，到了 5 月，月收入已經是上線首月的 13 倍以上，服務了近千個短劇團隊、影視制作機構、廣告公司和品牌客戶。

集團旗下還有一款叫星流的產品，是國內用戶規模領先的 AI 設計 Agent，累計服務用戶超過千萬，負責把創意從構思一路帶到設計交付。三款產品看似分散在社區、視頻、設計三個領域，背后卻是同一個命題，AI 創意內容。

比「3 億美元」更重要的事

這是演語再一次刷新國內 AI 應用層單輪融資的最高金額。過去兩年，錢大多砸向訓練底層大模型的公司，而現在，資本的注意力正在從「卷模型」轉向「卷應用」。能把模型能力真正落進創作、生產、消費場景的應用公司，重新成了資本眼里的香餑餑。

這次的特殊之處還在于「集團化」的戰略布局，在國內大多數 AI 公司還停在單一產品、單一場景的階段，演語已經跑通了從單點產品到業務矩陣的一躍：LiblibAI 管社區和素材，LibTV 管視頻生產，星流管設計交付，這在國內 AI 應用行業里，是少見的、相對完整的一張商業版圖。

不過，戰略的有效性仍然業績作為支撐，這也是最關鍵的一件事：賺錢。演語當前的 ARR（每年可持續收取的經常性收入），已經接近 3 億美元，公司預計 2026 年底突破 6 億美元。2026 年 5 月，集團整體收入的同比增速超過了 3000%。

即便是放進全球 AI 應用公司的坐標系，演語也已經有資格和 Cursor、Suno、HeyGen、Higgsfield 這些公司放在第一梯隊里比較，而和這些海外同行相比，它的估值，仍停在一個明顯的洼地里。

也因此，這次演語融資真正的看點不在于金額，更在于它背后的意義：過去兩年，AI 創業的默認敘事，是誰的模型更大、參數更多、跑分更高，應用層一度被當成模型能力的附庸。

演語用一份能賺錢的成績單給出了相反的答案，當訓練大模型越來越成為少數巨頭燒錢的游戲，能把模型能力穩定翻譯成真金白銀的應用公司，正在成為這一輪 AI 敘事里新的價值錨點。離用戶和場景最近的那一層，往往才是價值最后沉淀下來的地方。

至于那個估值洼地能不能被填平，還要看它在 Agent 時代能不能守住今天的生態位，也要看現實能否證明它對于「人與 Agent 并重」的預判。但至少此刻，它把「應用層到底值不值錢」這個被反復質疑的問題，回答得相當有底氣。