「階躍星辰」的一次豪賭

文｜丹恩詠儀

編輯｜蘇建勳

5月8日，久不露面的階躍星辰CEO薑大昕，出現在北京的一場媒體溝通會上。

「在多模態領域，如果任何一個方面有短板，都會延緩探索AGI進程。」薑大昕給出了一個鮮明的判斷。過去一年中，他在不同場合都在反復提及：多模態是實現AGI的必經之路。

在六小龍中，比起在融資、市場聲量上有烈火烹油之勢的其他選手，階躍星辰的低調格外顯眼。

這家公司最不聲不響，但又能有獨特的身位而被記住——過去兩年中，它沒有參與應用投流的狂熱之中，在To C應用上也僅是有所試水。

多模態如今成為了階躍最亮眼的標籤，這家公司正在傾注大部分力量探索這一道路。

成立兩年，階躍一共發佈了22款自研基座模型，覆蓋文字、語音、圖像、影片、音樂、推理等。這其中，有16款是多模態模型，佔比超7成。階躍也因此在行業內被稱為「多模態卷王」。

但多模態的發展階段和語言模型並不相同。

在技術路線已經收斂的語言模型領域，幾乎所有公司都已經沿著差不多的技術路線迭代，但多模態的技術探索尚在早期。從頂尖大廠到AI初創，都像在迷霧中穿行。

在2024年Sora震撼全球時，不少AI創業者就有著不一樣的意見。「Sora出來的時候，其實我們比較失望，我們覺得它的主線應該是做理解生成一體化，但他們只做了生成，沒怎麼做理解。」薑大昕表示。

薑大昕對《智能湧現》表示，如果對標語言模型的技術演進時間線，階躍所押注的「理解+生成一體」的原生多模方向，可能還處在GPT 1.0之前，Transformer剛出來時的階段。

多模態的一大難點，是融合過程中不能損失單個模態的性能，尤其是不能降智。階躍採取的技術路線可以說是「難上加難」：同一個大模型，既要做理解，也要做生成。這是階躍星辰從成立之初，就定下的發展主線。

做理解和生成，是原生多模方向的一體兩面，這意味著：

能理解：模型能理解畫面中的物體關係，這需要生成端來監督

能生成：生成的內容，也需要理解來控制，保證其不是超出物理世界認知的

直到2025年GPT-4o image的發佈，吉卜力、擬人化的風格濾鏡點燃全球，多模態又重回全球AI舞台的中心。而DeepSeek為代表的推理模型的進步，也能夠為多模態的技術探索，補足一塊重要的拚圖。

多模態和Agent，是2025年當仁不讓的兩個關鍵詞。在過去一年中，薑大昕也在不同場合反復強調：多模態是AGI的必經之路。而Agent，則是當下業界在AGI道路上探索出來的初始形態。

當前，階躍也在重點佈局Agent這一領域。在汽車、手機、具身智能、IoT等關鍵應用場景里，階躍已經和Oppo、吉利汽車集團、千列高技等企業合作，將Agent應用在關鍵場景中。

在DeepSeek一飛衝天，引爆全球之後，它的另一面是——當原來堅如磐石的技術壁壘被擊穿，所有人都不得不走到了一個焦慮的十字路口上：接下來，技術路線該怎麼走？

大廠有存量的場景和用戶，尚有充足的時間騰挪方向，加大火力。對大模型初創而言，這個拷問尤為緊迫。短短兩個月時間內，大模型六小虎有裁撤團隊、砍To C應用者；也有停止投流者，重新將重點放到語言模型中。

對創業公司而言，去探索更前沿、更未知的領域，或許是這個階段更重要、也更確定的事。

對階躍而言，這也是一場豪賭——現在，階躍內部已經組織起不同技術路線的數支團隊。「哪一條路線都有可能出現突破，要形成併發的狀態。」薑大昕說。

在這次溝通會上，薑大昕除了披露了未來的模型和產品計劃外，也對當下的多模態領域給出了關鍵判斷，經《智能湧現》編輯整理：

多模態任何一個方面有短板，都會延緩AGI進程

• 追求智能的上限仍然是當下最重要的一件事。我也在很多場合不停的重覆：多模態是實現AGI的必經之路。

  過去兩年，我們看到整個行業的模型進化，基本上還是遵循了這個路線圖：模擬世界—探索世界—歸納世界。

  從技術路線上講，眼下的發展，也是從單模態到多模態，從多模融合到理解生成一體化，再從強化學習到AI for Science。

• 階躍從一開始就始終認為：多模態對通用人工智能非常重要。為什麼？

  首先，AGI對標的是人類的智能，人的智能是多元化的，每個人除了有來自語言的符號智能，還包括視覺智能、空間智能和運動智能等等，這些智能是需要通過視覺和其他模態來進行學習的。

  從應用角度來講，我們無論做什麼應用，都需要AI能聽、能看、能說，這樣它才能更好地理解用戶所處的環境，並且和用戶進行更為自然的交流。多模態可以讓智能體充分地理解和感知這個世界，這樣它可能更好地理解用戶的意圖。

  所以，在多模態領域，任何一個方向出現短板，都會延緩實現AGI的進程。

• 在多模態層面，下一步的模型發展趨勢有兩點：一是，在預訓練的基礎模型上加上強化學習，可以激發模型推理的時候產生長思維鏈，極大地提高模型的推理能力。

• 從OpenAI發佈o1，到春節前DeepSeek R1發佈，我覺得這是一個標誌，推理模型從一個趨勢變成了範式，現在語言模型基本上是推理模型一統天下。

  這是非常火熱、大家都爭前恐後在做創新的地方。稍微更新一點的，大家不太注意的一個能力，其實是如何把推理引入到多模態領域。

  比如，我給一張這個圖片（足球比賽），問這個模型這張圖片是誰的地方，是誰的主場？這是把模型的感知能力和內部知識能結合起來，一起去做推理，就比原先的視覺理解就強化了很多。

• 第二個趨勢是多模理解生成一體化，更準確的講，是視覺領域的理解生成一體化，理解和生成都用一個模型來完成。

  為什麼一定要做一體化？比如這個影片中，老師寫板書，老師的手的姿勢，粉筆在黑板上寫的痕跡，比如Sora是可以去模擬之後的樣子的。但是老師寫了一半停下來說他以後會寫什麼內容，這是需要理解模型來預測的。

  生成的內容是需要理解來控制的，你為了保證生成的內容是有意義的、有價值；

  而反過來，理解是需要生成來監督的。只有當我能夠生成，生成的時候，我才知道我是真正地理解了。

  理解生成一體化，能更好地幫助生成的推理。

  我舉個例子：人在畫一幅大畫的時候往往不是一下子就全畫完的，現在模型畫圖的時候一次性就出圖了，但人畫的時候會有一個構思，可能想大的結構是什麼樣的，後面再畫細節，是一步一步畫出來。

  畫圖實際上是一個思維鏈的過程，為什麼我們模型生成的時候不是思維鏈？就是沒有理解生成一體化，我要畫一個框架根據這個框架再畫點東西再生成、根據生成的東西再生成，甚至覺得這筆畫得不太好，反過來改一改再生成，現在就還是堵到這個問題上，就是理解生成不一體，所以他很難用長思維鏈一步一步的方式去做生成。

• 在語言領域，Predict next token（預測下一個字元）是唯一任務，整個訓練的過程就是看你判斷Predict得對不對。

  平移到視覺領域，大家就會問：我們能不能用一個模型去做predict next frame（預測下一個畫面）？這是視覺領域的一個靈魂拷問。很不幸，這個問題仍然沒有被解決。

  沒有解決的原因在於模態的複雜度。大家說，語言是很複雜的，但是從統計來說，語言是一個簡單的東西，因為語言至多就十幾萬個token。

  但在視覺，一張圖片，我們先不說影片，一張圖片1024×1024，就是100萬維，每個維度還是一個連續的空間，難度是不一樣的。

• 在語言領域，2017年Transformer出來，對業界最大的意義在於，這是一個可以scale（擴大規模）的文本的理解生成一體化的架構，在那之前，其他的模型基本都不能Scalable。

  2020年的GPT-3，意義在於：我們第一次把海量的互聯網數據放到了這個scalable的架構上，用一個模型處理所有NLP（自然語言處理）的任務；

  2022年，ChatGPT出來了，就是在預訓練的模型的基礎上再加上指令跟隨，這是GPT-3.5做的事情；

  GPT-4的時候，這個能力就進一步增強了，”GPT4時刻”，指的就是在這個模態上，我們的模型真正能達到跟人的智能差不多的水平。

  現在，我們加上了推理，就可以解決非常複雜的問題。

• 再往後是什麼呢？很多人就覺得應該是在線學習或者是自主學習，就是能夠不斷地自己根據環境去學習到新的知識。

  到目前為止，我們覺得語言模型的技術路線基本上收斂了，沒有出現別的分支。所以，我們相信其實視覺也是可以follow同樣的路線。

  那第一步就是有一個非常scalable的架構。多模態的「理解生成一體化」這件事，類比到語言模型，甚至應該是在Transformer這個level的事情。那時候還沒有GPT，Transformer是2017年出來的，GPT-1是2018年出來的。

DeepSeek告訴我們，投流的邏輯是不成立的

• 我覺得DeepSeek出來給我們一個經驗，就投流的邏輯是不成立的。DeepSeek從 來沒有做投流，它如果放開這個流量，破億是沒有問題的。

  當然，我們要重新思考一下，AI時代的產品的流量增長，是不是真的像傳統的互聯網還是靠投流上去的，DeepSeek出來以後，給大家一個重新看待這個問題的窗口。

  不光是DeepSeek，像《哪吒2》《黑神話悟空》其實都有一些共性，不是靠傳統的鋪天蓋地地投流積累用戶的。

• 模型的突破是早於商業化的。我剛才做了一個比喻，先有GPT-3.5才會有 ChatGPT，先有多模融合和推理模型，才會有現在成熟的Agent。先要有了多模理解生成一體化，尤其是scalable的一體化，才能真正地做到人形機器人的泛化。

  如果是那個東西突破了以後，它的價值就不光是在Agent這方面了，我最想看到它在具身智能的泛化、包括建立世界模型方面有新的突破表現。

• 2025年，我們將產品名稱「躍問」改名叫「階躍 AI」，就是意味著它從一個類ChatGPT的產品，到Agent的能力的轉變。

  對Agent的產品和商業化層面，我們的智能終端其實是ToC的，雖然我們和頭部企業合作，但階躍這些和頭部企業合作的產品，最終是服務C端。

• 為什麼我們還會堅持基礎大模型研發？我覺得現在這個行業的趨勢技術發展還是在非常陡峭的區間。

  2024年Sora剛出來，給大家的震撼很大，但今年回頭去看，大家會覺得Sora沒有什麼神奇的。階躍不想在這個過程中放棄主流增長或前進的趨勢，所以我們還是會堅持做基礎模型的研發。

  在應用的角度來，我們一直覺得應用和模型是相輔相成的，也就是說模型可以決定應用的上限，應用給模型提供具體的應用場景和數據。

  數據也是非常重要的，產品形態隨著模型的演變，這是動態發展的。

綁定行業頭部公司，專注終端Agent

• 隨著模型能力不斷的增強，有什麼樣的模型，決定了有什麼樣的應用可以被解鎖、可以成熟和繁榮。

  最早期的時候，比較流行的是各種各樣的聊天機器人；有了Agent以後，我們就可以用它來解數學題、寫代碼；

  下一步是非常火熱的智能體，我們相信終將從數字世界走向物理世界，延伸到智能駕駛和人形機器人等領域。

  Agent其實在2023年就被討論，但到2025年變得非常火熱。我的理解是，Agent爆發需要兩個必要的條件，一個是多模態的能力，另外一個是慢思考的能力，這兩個能力恰好在2024年的時候取得了突破性的進展。

• 我們選擇了智能終端Agent作為我們的方向。首先是，Agent要能更好地幫助人類去完成任務，理解用戶所處環境和任務的上下文。很多的終端是用戶的感知和體驗的延伸，比如手機、耳機，在發起任務的時候，它已經知道任務的上下文了。

  第二是，很多的智能終端或者是終端的設備，就是幫你完成任務。比如說微波爐，我家裡的微波爐有上百功能，但是我很少用，所以我希望它是一個Agent，將來放一個芯片在微波爐里，就可以直接跟它對話，智能終端是完全有能力實現這件事情的。

• 我們其實現在在智能終端上也選取了幾個重要的終端：手機、車，還有機器人。

  我們和各個方向的頭部企業展開了深度的合作。比如Oppo的一鍵問屏的功能，背後使用了階躍的多模態的模型。拍照片，處理照片，或者是識別一下照片裡面的人物做一些問答，導航功能都可以。

• 對於成為垂類行業的供應商，而不是直接To C或者To B，我們是覺得這個東西很新，頭部企業已經有了大量的用戶，有了場景，我們才能去嘗試這個模型究竟怎麼做。

  如果我們上來做ToC的話，我們第一件事情還要做grow user（用戶增長）和場景增長。

  所以，我們先和合作夥伴一起合作，等這件事情探索清楚了，將來是不是自己做，我覺得都是有可能的。

  現在所有的設備都是孤立的，其實有一個很誘人的場景，對一個用戶來說是，希望它的Agent或者是助手，是能跨設備的，這件事情誰來做？我想肯定有很多人在思考。