證券時報
吳家明
2025-04-16 17:17
在AI 2.0時代，模型與應用已密不可分。應用場景推動模型發(fā)展，而大模型通過差異化創(chuàng)新來突破各種垂直領(lǐng)域的需求。
多模態(tài)被看作是一個必然的趨勢，也是商湯大模型的“關(guān)鍵詞”。近日，商湯技術(shù)交流日上發(fā)布的“日日新SenseNova V6”，就是一個涵蓋通用模型、推理模型、視頻理解模型及全模態(tài)交互模型的體系。
“從我們的角度來講，商湯從視覺能力延伸到原生多模態(tài)模型是一個非常自然的延伸?！比涨?，商湯科技董事長兼CEO徐立在商湯技術(shù)交流日的演講中表示，“從行業(yè)的發(fā)展趨勢來看，我們也看到一些潛在的提示點?！?/p>
目前，業(yè)界對推理能力的關(guān)注主要在數(shù)理求解等純文本推理任務上，但要實現(xiàn)推理能力在更廣泛場景的落地，就需要多模態(tài)和推理的緊密結(jié)合。
國際科技巨頭正加速布局多模態(tài)大模型領(lǐng)域，這一趨勢在近期密集發(fā)布的新品中體現(xiàn)得尤為明顯——無論是谷歌推出的Gemini 2.0、OpenAI發(fā)布的GPT-4.5，還是Meta最新開源的Llama 4，都在顯著提升原生多模態(tài)能力。這些突破性進展表明，通過實現(xiàn)更廣泛、更深度的信息交互與整合，多模態(tài)大模型正在為用戶創(chuàng)造更完整、更豐富的場景價值。
未來，AI大模型的競爭焦點將從技術(shù)參數(shù)轉(zhuǎn)向應用深度，其核心競爭力將體現(xiàn)在它能否理解人類情感、記憶交互上下文，并在教育、醫(yī)療、工業(yè)等場景中提供“好用”而非“能用”的解決方案。
多模態(tài)成AI共識
據(jù)Epoch AI預測，到2028年，互聯(lián)網(wǎng)上所有高質(zhì)量的文本數(shù)據(jù)都將被使用完畢，機器學習數(shù)據(jù)集可能會在2026年前耗盡所有“高質(zhì)量語言數(shù)據(jù)”。這意味著，如果以當前趨勢繼續(xù)下去，數(shù)據(jù)將成為大型語言模型（LLM）的重大瓶頸。
不過，在徐立看來，這并不意味著整個知識體系都被消耗完。他認為，有很多的知識都蘊藏在大量的圖像、視頻，甚至3D等其他模態(tài)中。但到目前為止，還沒有完全地把這些知識真正用來提升原來的文本，甚至是智力的能力。“因為模態(tài)的融合沒有做到那么好?！?/p>
“關(guān)于多模態(tài)模型的訓練，其計算架構(gòu)比純文本模型更為復雜。”商湯科技聯(lián)合創(chuàng)始人兼大模型首席科學家林達華向21世紀經(jīng)濟報道記者表示。
具體來說，文本處理通常包含編碼和解碼兩個階段，而多模態(tài)訓練還需要額外處理視頻和圖像數(shù)據(jù)的編碼階段。此外，多模態(tài)模型還涉及不同模態(tài)之間編碼方式的協(xié)調(diào)與選擇問題，這進一步增加了模型設(shè)計和訓練的復雜度。
沙利文大中華區(qū)執(zhí)行總監(jiān)崔楠也向記者表示，多模態(tài)大模型的訓練不僅需要大量計算資源，而且訓練時間長、效率低。
因此，多模態(tài)大模型的持續(xù)進化和迭代，也成為了人工智能領(lǐng)域最引人注目的發(fā)展趨勢之一，國際科技巨頭都在不約而同地加強大模型的多模態(tài)能力建設(shè)。
例如，谷歌的Gemini 2.0憑借原生支持文本、圖像、音頻和視頻的多模態(tài)輸入輸出，結(jié)合強大的推理能力和智能體（Agent）架構(gòu)，顯著提升了復雜任務的交互體驗。
OpenAI的GPT-4.5則進一步優(yōu)化了多模態(tài)融合，在長上下文理解、跨模態(tài)推理等方面取得突破，增強了模型在科研、創(chuàng)作等領(lǐng)域的實用性。
而Meta最新發(fā)布的Llama 4采用專家混合架構(gòu)（MoE）和早期融合技術(shù)，在視覺—語言聯(lián)合訓練上取得進展，使其在多模態(tài)開源模型中占據(jù)領(lǐng)先地位。這些清晰的技術(shù)演進路徑標志著AI發(fā)展正在進入一個全新的階段。
“大家都在越來越多地強調(diào)多模態(tài)的能力，這個是一個自然的市場趨勢。”商湯科技聯(lián)合創(chuàng)始人、大裝置事業(yè)群總裁楊帆表示。
多模態(tài)大模型突破了傳統(tǒng)單模態(tài)模型的局限性，通過整合文本、圖像、音頻、視頻等多種信息模態(tài)，實現(xiàn)了更接近人類認知方式的復雜信息處理能力。這種跨模態(tài)的深度融合不僅大幅提升了模型的理解深度，更創(chuàng)造了前所未有的應用可能性。
“語言是一種編碼過程，這一過程存在信息損失。人類在進行思考和判斷時，往往借助多模態(tài)方式。因此，多模態(tài)正逐漸成為行業(yè)模型發(fā)展的趨勢，它為諸多全新的應用、場景乃至硬件形態(tài)的出現(xiàn)提供了可能?！睏罘硎尽?/p>
打開落地應用的新可能
2023年起，商湯啟動業(yè)務重組，將重心轉(zhuǎn)向生成式AI。商湯2024年全年業(yè)績財報顯示，生成式AI收入突破24.0億元人民幣，同比增長103.1%，占集團收入的比例由2023年的34.8%進一步提升至63.7%，已成為集團最大業(yè)務。
此次“日日新SenseNova V6”的發(fā)布，可視為其技術(shù)轉(zhuǎn)型的階段性成果——通過多模態(tài)融合，將視覺能力與模型結(jié)合，延續(xù)其在圖像、視頻理解上的積累。
而多模態(tài)也是多樣行業(yè)落地的必備因素。因為AI最終會走回線下，走回物理現(xiàn)實，在這個過程中多模態(tài)的處理和思考能力就成為一種必然的趨勢性需求。
“未來的交互，就是一個多模態(tài)全模態(tài)的交互，”林達華向記者表示，“我們就是要打通未來交互入口的核心技術(shù)。”
徐立強調(diào)：“AI之道，在于百姓之日用?！边@句話既點明了商湯的技術(shù)愿景，也揭示了當前大模型發(fā)展的核心挑戰(zhàn)——如何讓AI真正融入產(chǎn)業(yè)與生活，而非停留在實驗室或技術(shù)演示階段。
此前，商湯科技確立了“大裝置—大模型—應用”三位一體核心戰(zhàn)略，以日日新（SenseNova）多模態(tài)大模型為基石，以生產(chǎn)力工具和交互工具為兩大落地方向。
商湯科技認為，大模型在商業(yè)應用上有兩個方面的關(guān)鍵價值：一是融入真實的業(yè)務應用，具備處理復雜信息和解決復雜問題的能力；二是以更有親和力的方式與人交互，讓人感受到和模型交流的良好體驗，愿意和模型持續(xù)交流。
要實現(xiàn)上述目標，模型需要具備強大的推理能力，以支撐對人類意圖的深度理解、對復雜信息的分析判斷以及解決真實環(huán)境中的復雜問題；能理解情感，與人共情，并且可以和人實時互動；能記住過去一段時間發(fā)生的事情，并且捕捉其中的關(guān)鍵信息并融入推理。
反映在落地應用上，則在具身智能、教學等場景上有所突破。林達華向記者表示，會從這些特定行業(yè)出發(fā)進行初步迭代，之后眾多下游企業(yè)、合作伙伴以及愛好者會衍生出更多應用創(chuàng)意。
“靠單純的技術(shù)很難形成長久的壁壘，現(xiàn)在一個新的模型發(fā)布后很快就會有一系列模型追趕上來，開源也會進一步縮小大家在技術(shù)上的差距。技術(shù)和行業(yè)的深度結(jié)合才能形成持久壁壘?！绷诌_華表示。
放眼行業(yè)，阿里巴巴宣布推動大模型技術(shù)對公司業(yè)務的深度改造，百川智能宣布減少多余動作，專注醫(yī)學方向，這都說明大模型企業(yè)開始專注于技術(shù)落地和應用的爆發(fā)。
不過，大模型最終要解決的是“好用”而非“能用”的問題，數(shù)據(jù)隱私、模型偏見、算力成本等問題仍需行業(yè)共同應對。零一萬物創(chuàng)始人李開復預測，2025年是“AI應用大規(guī)模落地元年”，但廠商需回歸商業(yè)本質(zhì)，真正為客戶創(chuàng)造價值，而非僅追求技術(shù)指標。
行業(yè)的下半場，勝負將取決于誰能更深入產(chǎn)業(yè)，構(gòu)建“數(shù)據(jù)飛輪”和場景黏性。商湯的戰(zhàn)略提供了某種參考答案，但最終能否在激烈的競爭中脫穎而出，仍需時間檢驗。無論如何，多模態(tài)AI的深入發(fā)展，正讓智能技術(shù)前所未有地貼近普通人的生活，而這或許才是此次技術(shù)浪潮最值得期待的方向。
