對話階躍星辰創(chuàng)始人姜大昕：多模態(tài)模型還沒出現(xiàn) GPT-4 時刻，堅(jiān)持追求「智能上限」

AI 是否進(jìn)入下半場或許還有爭議，但大模型進(jìn)入淘汰賽已經(jīng)板上釘釘。

在 DeepSeek R1 橫空出世后更是愈演愈烈，今年光是 OpenAI、Anthropic、Google、Meta、Grok 目前已經(jīng)合計(jì)發(fā)了至少 8 款新模型，而國內(nèi)的 AI 六小龍們也有的開始放棄預(yù)訓(xùn)練，將 AGI 的理想主義束之高閣。

在這當(dāng)中，階躍星辰是一家有點(diǎn)特殊的公司。在去年年底之前都鮮有融資消息，但卻在多模態(tài)模型上成為「卷王」，成 2 年已經(jīng)發(fā)布了 22 款研基座模型，成為最低調(diào)神秘的 AI 獨(dú)角獸。

階躍星辰創(chuàng)始人兼 CEO 的姜大昕，和這家公司一樣低調(diào)，很少出現(xiàn)在 AI 行業(yè)熱鬧的輿論場中。

而昨天，姜大昕與 APPSO 等媒體進(jìn)行一場深度的溝通會，他向我們分享對于 AGI 路徑，多模態(tài)模型等技術(shù)的看法，以及階躍星辰未來的計(jì)劃。

多模態(tài)模型還沒出現(xiàn) GPT-4 時刻，追求「智能上限」

當(dāng)下 AI 大模型領(lǐng)域的內(nèi)卷沒有盡頭，頭部公司之間不斷上演著「貼臉發(fā)布」的激烈戲碼。

不過姜大昕依然認(rèn)為，「追求智能的上限依舊是現(xiàn)階段 AI 業(yè)內(nèi)的重點(diǎn)。」也就是說，雖然現(xiàn)在市面上模型一大堆，看起來都挺能打，但離真正的「聰明」還差得遠(yuǎn)。

大家都在搶發(fā)新模型，看著熱鬧，但如果只是在現(xiàn)有水平上修修補(bǔ)補(bǔ)，那也只是原地踏步的「內(nèi)卷」。

姜大昕覺得，現(xiàn)在最要緊的還是得想辦法把 AI 的「智商」往上再拔一拔，不然離大家心心念念的 AGI（通用人工智能）還遠(yuǎn)著呢。

在 DeepSeek R1 面世，以及大廠高調(diào)入場后，不少初創(chuàng)公司開始放棄研發(fā)基礎(chǔ)模型，不過姜大昕在接受 APPSO 采訪時表示：

AI 行業(yè)的技術(shù)發(fā)展非常快，依然處于非常陡峭的區(qū)間。階躍不想在這個過程中放棄主流增長或前進(jìn)的趨勢，所以我們還是會堅(jiān)持做基礎(chǔ)模型的研發(fā)。

同時姜大昕表示，應(yīng)用和模型是相輔相成的，模型可以決定應(yīng)用的上限，應(yīng)用給模型提供具體的應(yīng)用場景和數(shù)據(jù)。

那怎么才能讓 AI 更聰明？姜大昕給出的一個關(guān)鍵路徑是：「多模態(tài)正是實(shí)現(xiàn) AGI 的必經(jīng)之路。」

很多人說今年的 Agent 元年，姜大昕認(rèn)為 Agent 爆發(fā)需要兩個必要的條件，一個是多模態(tài)的能力，另外一個是慢思考的能力。

多模態(tài)，說白了就是讓 AI 不光能看懂文字，還得能看圖、聽聲、理解視頻。

你想想人不就是眼耳口鼻一塊兒上，才能全面理解這個世界嘛。AI 也得這樣，變成一個能聽、能看、能說的「多面手」。

階躍星辰可以說是多模態(tài)模型的「卷王」了，幾乎每個月都發(fā)布一款基礎(chǔ)模型，其中多模態(tài)模型已經(jīng)有 16 款。覆蓋了從圖像、視頻到語音、音樂的理解和生成，用姜大昕的話說，是堅(jiān)持「原生多模理念」。

不過，姜大昕也挺實(shí)在，他坦陳「多模態(tài)模型領(lǐng)域目前還沒有出現(xiàn) GPT-4 時刻。」

雖然多模態(tài)現(xiàn)在挺火，各家都在推，但還沒出那種像 GPT-4 在文字領(lǐng)域那樣，一出來就「哇哦」一下，讓所有人都覺得「就是它了」的標(biāo)桿性產(chǎn)品，技術(shù)上還有不少硬骨頭要啃。

AI 升級打怪三部曲

對于模型如何一步步逼近智能的上限，姜大昕描繪了一幅清晰的「三部曲」演進(jìn)路線圖，也可以說，這是階躍星辰理解的 AGI 演進(jìn)方向。

模擬世界（模仿學(xué)習(xí)階段）： 這階段的 AI 就像個剛學(xué)說話的小孩，喂給它海量數(shù)據(jù)，它就吭哧吭哧地學(xué)，主要任務(wù)是「predict next token」（預(yù)測下一個詞）或者「predict next frame」（預(yù)測下一幀畫面）。目的是讓 AI 先學(xué)會這個世界長啥樣，各種東西有啥特征。

探索世界（強(qiáng)化學(xué)習(xí)階段）： 光會模仿還不行，還得培養(yǎng)解決復(fù)雜問題的能力。比如解個奧數(shù)題、寫段復(fù)雜的代碼，這需要「慢思考」。這時候就得上強(qiáng)化學(xué)習(xí)了，讓 AI 在不斷試錯中學(xué)會怎么一步步把難題給解開。

歸納世界（機(jī)器自主學(xué)習(xí)階段）： 這是最高境界了，AI 不光能解決已知問題，還能自己去發(fā)現(xiàn)新規(guī)律，搞點(diǎn)人類沒想到的創(chuàng)新。比如在科研領(lǐng)域幫科學(xué)家發(fā)現(xiàn)新材料、新藥物啥的。

這三個階段，與 OpenAI 提出的 AGI 五個 Level 在核心理念上不謀而合，現(xiàn)在整個 AI 行業(yè)的發(fā)展，基本就是照著這個劇本在推進(jìn)。

為什么「理解生成一體化」這么重要？

在多模態(tài)，尤其是圖像視頻這塊，姜大昕在溝通會中多次強(qiáng)調(diào)一個詞：理解生成一體化。

理解生成一體化是計(jì)算機(jī)視覺領(lǐng)域的核心問題，對于實(shí)現(xiàn) AGI 至關(guān)重要。

說白了，就是讓模型既能看懂一幅圖、一段視頻是啥意思，又能根據(jù)這個理解自己創(chuàng)作出新的、相關(guān)的圖像視頻。現(xiàn)在很多時候是「看圖用 A 模型，畫圖用 B 模型」，跟倆部門似的，配合不起來。

他舉了個例子，比如老師在黑板上寫字，現(xiàn)在的 Sora 能模仿老師寫字的動作，但老師腦子里想的是啥、接下來要寫什么內(nèi)容，這得靠「理解」。如果理解和生成是兩套系統(tǒng)，那模型就很難真正「懂」你，生成的玩意兒也可能不著邊際。

語言模型像 ChatGPT 在這方面已經(jīng)做得不錯了，但視覺領(lǐng)域因?yàn)閿?shù)據(jù)太復(fù)雜，這事兒還沒完全搞定。階躍星辰在這上面是持續(xù)投入，想把這個技術(shù)瓶頸給突破了。

強(qiáng)大的模型能力最終需要通過應(yīng)用來體現(xiàn)價值。階躍星辰采取的是「超級模型與超級應(yīng)用雙輪驅(qū)動」的策略。

在應(yīng)用層面，階躍星辰將「智能終端 Agent」作為重點(diǎn)發(fā)力方向。姜大昕認(rèn)為，智能終端，無論是我們口袋里的手機(jī)、日常駕駛的汽車，還是未來可能普及的機(jī)器人，它們不僅僅是冰冷的硬件，更是「用戶感知和體驗(yàn)的延伸」。

這意味著，AI 如果能與這些終端深度融合，就能更好地「理解用戶需求和任務(wù)上下文」。

比如， OPPO 旗艦 Find X8 Ultra 正式開售首發(fā)的「一鍵閃記」的功能，AI 可以智能識別手機(jī)屏幕上的內(nèi)容，為用戶生成摘要，并將碎片化的信息歸類到不同的記憶合集。

這背后搭載的其實(shí)就是階躍星辰多模態(tài)模型，它能理解屏幕上顯示的內(nèi)容，無論是圖片還是文字，用戶可以就此提問，AI 不僅能回答，還能進(jìn)行圖片處理，甚至幫助用戶完成一些應(yīng)用內(nèi)的操作，比如直接跳轉(zhuǎn)到機(jī)票預(yù)訂頁面并填好信息。

這種合作，將大模型的能力和系統(tǒng)更深度融合，嵌入到用戶最高頻的手機(jī)使用場景中，選擇手機(jī)作為切入點(diǎn)，其價值在于手機(jī)天然的多模態(tài)交互屬性和龐大的用戶基數(shù)，為模型迭代提供了豐富的真實(shí)數(shù)據(jù)和即時反饋。

總的來說，階躍星辰的思路挺清晰：技術(shù)上瞄準(zhǔn) AGI，死磕多模態(tài)和理解生成一體化這些硬核問題。應(yīng)用上呢，就找準(zhǔn)智能終端這個突破口，跟硬件廠商把場景做深做透。

這條路不好走，但姜大昕和他的團(tuán)隊(duì)看起來挺有決心。畢竟，用 AI 解決真實(shí)世界的問題，先在市場獲得用戶認(rèn)可，才有機(jī)會探索 AGI 的天花板，讓我們看看階躍星辰這個多模態(tài)卷王后面還能拿出什么新東西來。