藍鯨新聞5月9日訊（記者 武靜靜）大模型行業正經歷前所未有地加速演進，昨日的技術高地，轉瞬可能成為明日的過時概念。GPT-4 的生命周期之短，映照出技術的瞬息萬變，這款曾經的標桿產品生命周期僅存 467 天，恰似大模型賽道的殘酷縮影，技術迭代速度和戰略窗口期被空前壓縮。

從全員預訓練，到All in推理，從閉源到開源，在短短的一年之內，大模型焦點快速切換。當下的2025，關鍵詞是推理和開源。下一個是什么，誰也難以預測。

在這空前變化中，身處其中的大模型公司的感知和思考是什么。5月8日階躍星辰在北京舉行媒體溝通會，階躍星辰創始人、CEO姜大昕接受了藍鯨新聞等多家媒體采訪，聊起了他們對大模型時代，如何在變化中保持定力的思考，以及對下一步技術發展的判斷。

在多模態領域出現任何短板，都會延緩實現 AGI 的進程

從2023年4月成立到現在，這家成立僅僅兩年的大模型公司，已經累計發布了22款自研基座模型，覆蓋文字、語音、圖像、視頻、音樂、推理等全系列，在階躍星辰 Step 系列基座模型矩陣中，多模態模型的占比已經達 7 成，所以在業內被稱為“多模態卷王”。

為什么會押注多模態？姜大昕的回答是：“多模態是實現 AGI 的必經之路。在多模態領域出現任何短板，都會延緩實現 AGI 的進程。”

他提到，AGI 對標的是人類智能：人類的智能本身是多元化的，除了語言的符號智能，還包括視覺智能、空間智能和運動智能等等。這些智能的習得需要通過視覺和其他模態來進行學習。因此，要實現對標人類的 AGI，模型也必須具備處理多種模態信息的能力。

此外，在應用層面來看，無論是垂直領域的應用還是 C 端應用，多模態都是必不可少。因為想讓 AI 更好地理解用戶所處的環境并進行更自然的交流，它需要具備“能聽、能看、能說”的能力。“多模態可以讓智能體充分地理解和感知這個世界。”姜大昕說。

在創立之初，階躍星辰就規劃了通往 AGI 的路線圖，包括三個階段：模擬世界—探索世界—歸納世界。在姜大昕看來，當下，整個行業的技術發展仍然處于非常陡峭的區間。

所以，當下，公司依舊會堅持基礎大模型的研發，追求智能的上限：“行業變化太快，前兩年很厲害的 GPT-4都快下架了，階躍不想在這個過程中放棄主流增長或前進的趨勢，因此會堅持做基礎模型的研發。追求 AGI是我們的初心。”

視覺理解生成一體化是關鍵問題

實現AGI，下一步大模型的主要發展趨勢是什么？

姜大昕認為，未來的模型發展將沿著增強推理能力和實現多模理解生成一體化這兩個主要方向前進。

首先，是在預訓練的基礎模型上加入強化學習，激發推理的長思維鏈能力。這種強大的推理能力與多模態能力的結合，被認為是 Agent 爆發的兩個必要條件之一。

此外，除了語言模型推理之外，另一個能力是如何把推理引入到多模態領域。因為 單純的視覺理解是有限的，引入推理后，模型能夠結合其感知能力和內部知識，更深入地理解復雜的場景和情況。

第二個核心趨勢就是，視覺領域的理解生成一體化。這也是當下多模態領域的核心問題。“理解生成一體化是計算機視覺需要突破的一個堡壘，這對于預測下一幀、利用海量視頻進行預訓練、構建世界模型、實現具身智能和機器人泛化至關重要。”

姜大昕進一步解釋：“理解生成一體化的核心定義是理解和生成由同一個模型來完成，這在文本領域（如 ChatGPT）已經實現，但在視覺領域，目前的模型在多模態領域理解和生成往往由不同的模型完成，理解生成一體化是核心問題。”

“生成需要理解來控制。理解需要生成來監督”，姜大昕強調，生成的內容需要理解來控制，以確保生成內容有意義和有價值，理解需要生成來監督，只有能夠生成，才能知道是否真正理解。如果能夠攻克這一難題，便能利用海量的視頻數據進行預訓練，并有望將計算機視覺的各項任務統一到一個模型之中。

盡管意義重大，視覺領域的理解生成一體化依然面臨著模態復雜度高的嚴峻挑戰，由于高維連續空間難以高效表達，目前尚未找到類似 Transformer 在文本領域那樣具有突破性的、可擴展的架構。近期出現的模型，例如 GPT-4o 的圖像編輯能力以及階躍星辰的 Step 1X-Edit，被認為是理解生成一體化的初步嘗試，它們需要在理解圖像和指令的基礎上進行內容生成，并保持對原始圖像的忠實度。

據姜大昕透露，階躍星辰正在內部探索多條技術路線，以期找到可擴展的理解生成一體化架構，實現視覺模態的“Transformer 時刻”。“ 在技術路線未收斂之前，并行探索多種可能的解決方案是必要的。”

“突破可能在瞬間發生，但難以預測何時到來。”姜大昕說。

雙輪驅動：超級模型+超級應用

除了技術和方向，落地與應用是另一關鍵議題。

階躍星辰早在今年2月的首屆生態開放日上便明確，下一步將戰略聚焦智能終端 Agent 方向，并重點布局汽車、手機、具身智能、IoT 等核心應用場景。

姜大昕提到，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。

選擇智能終端方向，是因其作為用戶感知與體驗的延伸，能夠采集環境信息，助力 Agent 理解用戶所處環境及任務上下文。此外，終端亦能執行任務，未來的 Agent 有望通過自然對話簡化復雜設備操作。目前，階躍星辰正積極與手機、汽車、機器人等終端領域的頭部企業合作，探索 Agent 的實際落地。

對于 AI 應用的未來走向，姜大昕向藍鯨新聞指出，僅做應用的公司可能面臨通用模型能力提升后被降維打擊的風險。在關鍵的商業化方向上， 階躍星辰采取的是“超級模型加上超級應用”的雙輪驅動策略。

姜大昕認為，模型突破先于商業化，“通常是模型能力的突破先發生，然后才帶來商業化的成熟應用。例如，GPT-3.5 的出現催生了 ChatGPT，多模融合和推理模型的進步帶來了 Agent，而多模理解生成一體化（尤其是可擴展的一體化）的實現，可能會進一步解鎖人形機器人泛化和構建世界模型等更大的應用和價值。”

階躍專注于基礎模型能力，但也重視應用，因為通用模型的能力需要通過應用來牽引。例如，玩具場景中孩子說話停頓的問題在通用模型中不會出現，但解決這種問題可以促進模型能力的提升。

“雙輪驅動策略使得階躍星辰能夠在堅持基礎模型研發，追求AGI的同時，通過與行業伙伴合作，在實際應用場景中探索和落地Agent能力，形成從模型到Agent，從云側到端側的生態體系，實現軟硬件結合以更好地理解用戶需求和完成任務。”

姜大昕展望未來：“所有終端都可能 Agent 化，將原本冰冷的設備轉變為用戶的智能伙伴。”