9月15日，总部位于旧金山的AI互动内容公司Flam宣布完成4000万美元B轮融资，由QED Investors领投，Claypond Capital、Martin Chavez、Olivier Pomel、Venky Harinarayan以及沙鲁克·汗参与本轮，老股东RTP Global与Dovetail继续加注。资金将用于自有AI模型研发、产品套件扩展与全球企业销售。公司未披露本轮估值。
这家2021年由Shourya Agarwal、Malhar Patil与Amit Gaiki创立、团队分布在旧金山、印度与日本的公司在六个季度内签约了超过100家企业客户，公开提到的名字包括谷歌、Grab与肯德基，另有多家媒体报道提到州立农业保险与帝亚吉欧，不过各方披露的客户名单存在差异。它还与印尼的Emtek达成合作，把技术带给东南亚品牌。
Flam的产品结构由三种格式组成。Flicks是互动视频，观众可以在播放过程中切换人物、产品或场景，背后依赖一套专利压缩算法，以程序化方式交付，首帧缓冲时间约50毫秒。Forge是编辑模型，接收图像参考后只改动指定元素，其余部分保持不变。Airboards则是相机界面上的高保真3D内容，支持触摸、语音交互与触觉反馈，3D内容流式加载约300毫秒，用户无需安装应用。
把三种格式放在一起看，思路是把内容从单向观看变成可操作的对象。传统视频一旦发布就固定下来，观众只能被动接受；互动格式则让同一条素材可以承载多种结果，营销素材、产品演示与培训内容都能按用户选择实时切换。公司创始人Shourya Agarwal对此的表述是，内容经历过文本、图像、视频几波浪潮，每一波都是创作者到观众的单向流动，而互动会是互联网的下一个默认形态。
三种格式中与数字人关系最直接的是视觉智能体。官方把它定义为类人角色，能够进行对话并执行智能体动作，形态是一次视频通话，而不是一个聊天窗口。这个形态差异决定了技术栈的复杂度：聊天窗口只需要处理文本，视频通话要同时处理面部表情、口型、语音与实时响应，任何一环的延迟都会被观众直接感知。
把延迟压到2秒以内，本质上是在为交互争取节奏。真人视频通话里，超过一秒的停顿就会让人怀疑对方卡住，而数字人如果每次回应都要等三到五秒，对话就会退化成轮流发言。这条时间线决定了哪些环节必须本地化、哪些可以放到云端，也决定了模型规模的上限。
为此Flam搭了一条模型链。Fantom负责面部表情，通过身份保持与动作迁移让角色的表情既像真人又保持稳定的身份特征；Finesse负责任意语言的语音；Falcon是一个260亿参数的混合专家语言模型，首Token时间30毫秒；整条流水线能在2秒内返回答案。公司称拥有15项以上专利，这些专利大多集中在压缩、流式加载与实时渲染这类工程环节，而不是模型本身。
客户结构说明了这类产品的真实需求在哪里。公开信息显示，Flam的产品被用于营销、产品可视化、学习与发展、娱乐、粉丝互动、客户支持与销售等场景。这些场景的共同点是内容量大、更新频繁，且对多语言、多版本有持续需求，而传统制作方式需要反复组织拍摄、配音与后期，边际成本很难压下来。
拍摄成本之所以成为主要卖点，与企业内容生产的结构有关。一段三分钟的产品讲解视频，背后是场地、模特、灯光、导演、剪辑与反复重拍的组合，任何一次文案调整都可能触发新一轮拍摄。数字人方案把边际成本压到接近零，代价是画面表现力的上限。企业真正在权衡的，是哪些内容值得用真人拍，哪些内容交给数字人跑量。
互动格式在其中的价值是复用。同一套素材可以通过切换人物、产品与场景生成多个版本，数字人形象一旦建立就能持续输出内容，不需要每次都重新组织团队。这也是过去两年数字人直播在跨境电商领域快速铺开的原因：人力与语言是最大的两道坎，而数字人恰好能同时绕开。需要说明的是，Flam没有披露收入、盈利能力与活跃客户数，也没有提供独立第三方对其延迟数据的验证，因此目前能确认的是客户数量与产品形态，而不是商业规模。
从技术难点看，Flam这类平台要同时处理四类彼此制约的工作负载：低延迟媒体分发、实时3D渲染或流式加载、生成式素材创建，以及数字人对话推理。任何一环的延迟超标，用户体验都会崩掉，因为视频通话场景对卡顿的容忍度远低于点播。真正难的不是把某一项做到极致，而是把生成、压缩、网络传输、语音与界面渲染串成一条稳定的延迟预算。
QED Investors联合创始人Nigel Morris在谈到这次投资时说，几乎每一家前沿AI内容公司都在优化已经存在的东西，而Flam指向的是内容生态里仍未被触及的部分。这个判断如果成立，那么接下来的竞争焦点不会是模型参数，而是实时性与一致性这两个工程指标，以及能不能把互动内容变成企业可规模化采购的标准品。对数字人行业来说，这或许比再发布一个更像真人的模型更有决定意义。