最新！AI再迎「十字路口」，林達(dá)華演講曝光多模態(tài)底層路線圖

新智元報(bào)道

編輯：KingHZ

【新智元導(dǎo)讀】「高燒」三年后，AI行業(yè)終于冷靜：Scaling紅利即將耗盡，單純堆參數(shù)絕非良藥。但商湯已胸有成竹。

我們是否已經(jīng)觸碰到了LLM的天花板？

近日，在商湯科技與香港科技園公司聯(lián)合主辦的「模型智未來·2025商湯科技AI論壇」上，商湯科技聯(lián)合創(chuàng)始人、首席科學(xué)家林達(dá)華發(fā)表主題演講《從能力涌現(xiàn)到價(jià)值閉環(huán)，多模態(tài)大模型價(jià)值與創(chuàng)新之路》，分享了對AI發(fā)展現(xiàn)狀與未來趨勢的深刻洞察。

林達(dá)華回顧了過去三年人工智能行業(yè)的爆發(fā)式發(fā)展。

ChatGPT問世以來，最初業(yè)界深信「尺度定律」，認(rèn)為通過堆砌算力和數(shù)據(jù)就能通往AGI；但2024年后發(fā)展節(jié)奏放緩，行業(yè)陷入迷茫；直到OpenAI o1及DeepSeek R1的出現(xiàn)，通過后訓(xùn)練范式的變革，包括長思維鏈、強(qiáng)化學(xué)習(xí)和Test-Time Scaling，突破了模型能力上升的瓶頸。

林達(dá)華直言，現(xiàn)在的AI行業(yè)已經(jīng)走到了「十字路口」。

經(jīng)過三年「烈火烹油」式的發(fā)展，「我們再次走到了關(guān)鍵十字路口」，林達(dá)華指出，接下來行業(yè)發(fā)展有兩條重要路徑：一是AI需要真正落地應(yīng)用，以價(jià)值驅(qū)動技術(shù)和應(yīng)用的發(fā)展；二是需要回歸實(shí)驗(yàn)室，探索下一次技術(shù)范式的原始創(chuàng)新。

「每一次突破背后都來自技術(shù)的原始創(chuàng)新，今天我們再一次需要用創(chuàng)新來打破當(dāng)前的技術(shù)發(fā)展瓶頸。」林達(dá)華還分享了商湯在多模態(tài)等領(lǐng)域的多項(xiàng)原創(chuàng)性的底層創(chuàng)新成果。

如下是林達(dá)華的演講內(nèi)容，在這里分享給大家：

AI再迎「十字路口」

雙輪驅(qū)動破局發(fā)展瓶頸

非常榮幸，今天能和大家分享商湯在這個(gè)激動人心、快速演進(jìn)的時(shí)代中的一些觀察、思考，以及我們最近的研發(fā)進(jìn)展。

大家應(yīng)該記憶猶新，2022年11月，ChatGPT橫空出世震撼了全世界。從那時(shí)到現(xiàn)在這三年，可以說是全球科技史上演進(jìn)最快、變化最劇烈的三年。我也很榮幸能與團(tuán)隊(duì)一起，在這樣的浪潮中不斷思考和探索。

在2023年，整個(gè)行業(yè)——無論是學(xué)術(shù)界、工業(yè)界還是投資圈——都在討論一個(gè)名詞叫「尺度定律」（Scaling Law）。當(dāng)時(shí)普遍認(rèn)為，只要有足夠多的GPU和足夠大規(guī)模的數(shù)據(jù)，就能訓(xùn)練出最強(qiáng)的模型，從而找到邁向AGI（通用人工智能）的道路。

在隨后幾個(gè)月，OpenAI持續(xù)引領(lǐng)浪潮，從ChatGPT發(fā)展到GPT-4，業(yè)界對尺度定律深信不疑。但到2024年年中之后，大家感覺發(fā)展節(jié)奏放緩，行業(yè)陷入迷茫。

直到2024年第四季度，OpenAI推出o1，通過慢思考和Test-Time Scaling等技術(shù)，再次突破了大模型的能力邊界。2025年初，DeepSeek-R1問世，它通過開源和詳實(shí)的技術(shù)報(bào)告展示了達(dá)到高水平推理的路徑。

后訓(xùn)練的Scaling讓大模型推理能力達(dá)到前所未有的高度，在數(shù)學(xué)、編程等方向達(dá)到人類最優(yōu)秀選手的水平。

但是，這代表了技術(shù)的終局么？

而就在近期，OpenAI前首席科學(xué)家伊利亞指出，原來主要依靠大算力Scaling的路徑，都已逐漸走到了瓶頸，無論是預(yù)訓(xùn)練還是后訓(xùn)練都將面臨挑戰(zhàn)。

人工智能經(jīng)過三年「烈火烹油」式發(fā)展，我們再一次走到了十字路口，接下來該往哪去？

在我看來有兩條非常重要的路徑：一是人工智能不能只停留在榜單成績上，而要真正落地應(yīng)用，以價(jià)值驅(qū)動技術(shù)和應(yīng)用發(fā)展；二是如伊利亞再次強(qiáng)調(diào)的，我們應(yīng)該回到實(shí)驗(yàn)室，重新探索下一次技術(shù)范式的變革。

無論是ChatGPT、o1、DeepSeek R1，每一次的突破背后都是技術(shù)的原始創(chuàng)新。今天我們再一次需要用創(chuàng)新，來打破當(dāng)前技術(shù)發(fā)展的瓶頸。

三大趨勢昭示AI進(jìn)入價(jià)值落地爆發(fā)期

講到落地，我想分享三個(gè)非常重要的趨勢：

第一，人工智能技術(shù)性能的進(jìn)步速度顯著加快。

早期圖像識別從MNIST模型出現(xiàn)，到最終突破人臉識別，用了很長時(shí)間。

而現(xiàn)在技術(shù)進(jìn)展幾乎呈垂直上升。例如，2023年GPT-4完全無法應(yīng)對奧賽級別的數(shù)學(xué)題，而幾個(gè)月前Google的Gemini已能拿到國際數(shù)學(xué)奧賽金牌。大半年前，當(dāng)時(shí)全球最強(qiáng)模型在Humanity’s Last Exam（HLE）中只能拿到個(gè)位數(shù)分?jǐn)?shù)，而近期推出的最新模型已經(jīng)接近及格線。

可見，AI突破人類極限的速度越來越快。

第二，超越單一榜單，跨越多種任務(wù)來看，大模型處理復(fù)雜任務(wù)的能力顯著提升。

早期，我們考驗(yàn)?zāi)Ｐ偷娜蝿?wù)都是普通人在一秒之內(nèi)就能完成的事，比如認(rèn)出照片里面是什么動物。到了后面，發(fā)展為人類需要花幾分鐘才能做完的數(shù)學(xué)題。

到今天，最新的模型已能完成深度搜索、撰寫調(diào)研報(bào)告、分析復(fù)雜問題等原本人類需半小時(shí)才能完成的任務(wù)。

縱觀二十年發(fā)展，在一個(gè)個(gè)評測基準(zhǔn)（benchmark）從低分達(dá)到飽和的進(jìn)程中，AI有了長足的成長，能處理的問題越來越復(fù)雜、耗時(shí)越來越長，從幾秒到半小時(shí)，未來將很快能替代人類半天的工作。

第三，成本快速下降。

大模型發(fā)展初期，重心是參數(shù)競賽，模型規(guī)模巨大，有幾千億甚至幾萬億參數(shù)，計(jì)算成本非常高昂。

但是，隨著模型訓(xùn)練水平的提升，規(guī)格小一點(diǎn)的模型也能取得越來越好的性能。

疊加上硬件進(jìn)步，單位算力成本下降，以及系統(tǒng)的不斷優(yōu)化，我們現(xiàn)在已經(jīng)可以用低得多的成本獲得好的大模型服務(wù)。但根據(jù)斯坦福大學(xué)2025年的報(bào)告指出，在過去兩年，達(dá)到實(shí)用水平的AI模型推理成本已降至原來的1/280。

這些趨勢說明了什么呢？

• 一方面，AI在越來越多領(lǐng)域達(dá)到人類水平，能夠承擔(dān)越來越復(fù)雜、耗時(shí)越來越長的任務(wù)；

• 另一方面，它的使用成本正以每年1–2個(gè)數(shù)量級的速度下降。

這意味著，人工智能已經(jīng)從在榜單上秀肌肉的演示Demo，發(fā)展到了一個(gè)爆發(fā)點(diǎn)，能夠深入到可替代人類的高價(jià)值場景，為人類提供深層價(jià)值。

這一趨勢將為人工智能與人類社會的關(guān)系帶來深遠(yuǎn)影響。

從產(chǎn)業(yè)角度看，麥肯錫研究報(bào)告顯示，2017年可能有20%的受訪企業(yè)在有限度采用AI技術(shù)；而到了2025年，這個(gè)比例已經(jīng)上升到了88%。這份報(bào)告還將企業(yè)使用人工智能技術(shù)的深入程度分成了4個(gè)不同階段，從簡單實(shí)驗(yàn)、PoC，到規(guī)模化應(yīng)用，再到全流程、全規(guī)模部署。

我們可以看到，各個(gè)企業(yè)正在把對AI的應(yīng)用推向深入——這一趨勢雖然看上去沒有像前沿突破那么令人激動，但是這種趨勢，正是改變未來世界經(jīng)濟(jì)和企業(yè)競爭格局的一種深厚的，不可逆的力量。

對于商湯來說，我們一直致力于達(dá)成的目標(biāo)：就是真正推動人工智能技術(shù)在行業(yè)深入落地，給客戶和用戶帶來真正的價(jià)值。這里面，我們關(guān)注的焦點(diǎn)不單是技術(shù)評測，更重要的首先是成熟度，也就是這個(gè)技術(shù)是不是達(dá)到實(shí)用水平；然后是通過提效降本，以及和場景的深度結(jié)合，實(shí)現(xiàn)規(guī)模化的商業(yè)閉環(huán)。

在具體落地方向上，我們的多模態(tài)大模型可以在數(shù)字空間充當(dāng)辦公助手，幫我們撰寫報(bào)告、開發(fā)軟件、分析數(shù)據(jù)等，也可在物理世界幫助機(jī)器人投入到工業(yè)制造、智能駕駛、家居服務(wù)等。

雖然應(yīng)用的形態(tài)很不一樣，但是這兩個(gè)方面的核心價(jià)值是一致的，那就是解放人類時(shí)間，讓人們真正投入更有價(jià)值、更有創(chuàng)造力的工作。

用戶價(jià)值牽引AI迭代，

打通落地「最后一公里」

接下來，我想用一個(gè)例子，講清楚人工智能究竟能夠幫助我們做什么，以及我們?nèi)绾瓮ㄟ^技術(shù)創(chuàng)新，讓AI成為我們更好的助手。

大家可能都接觸過AI PPT的應(yīng)用。寫PPT確實(shí)很耗時(shí)，那么我們可以用人工智能幫我們寫PPT嗎？

今天分享用的這份PPT是我自己寫的，花了不少時(shí)間。這是其中一頁，我想講剛才提到的人工智能未來落地的三個(gè)趨勢。我首先嘗試了大家覺得這個(gè)方面做得比較好的Gamma，它基本上是把我的文字復(fù)制上去，而且排版的一致性也不太理想。

然后，下面這個(gè)是我用商湯的小浣熊幫忙做的。雖然離我滿意的水平還有一點(diǎn)差距，但它在美觀度、排版以及信息布置結(jié)構(gòu)等方面，顯然比上面那頁更接近可用狀態(tài)；我如果基于這個(gè)版本在進(jìn)行修改就會容易很多，只需要根據(jù)自己的思路尋找更好的配圖。小浣熊這個(gè)最新的版本，我們下周就會正式地發(fā)布給公眾使用。

這個(gè)事情究竟是怎么做到的？

我可以給大家去分享一下我們做AI PPT背后的整個(gè)技術(shù)流程。

首先，我們會讓模型學(xué)習(xí)各種各樣和PPT相關(guān)的語料，包括配色、文本等，讓模型具備做PPT的基礎(chǔ)知識。

然后，用大量不同類型PPT的任務(wù)提示詞和成品的配對進(jìn)行訓(xùn)練，讓模型學(xué)會模仿生成PPT。但這個(gè)階段做的PPT很多是「形似神不似」，因?yàn)樗豢吹搅薖PT完成的結(jié)果，缺乏對制作者思考過程的理解和訓(xùn)練。

那么我們?nèi)绾芜M(jìn)一步提升呢？

我們可以找人把他們做PPT的全過程思考的全部記錄下來，但這樣的數(shù)據(jù)很難獲得，成本太高。

要克服數(shù)據(jù)瓶頸，我們轉(zhuǎn)變一下思路，從讓人們把思考過程寫下來，變成讓人們告訴我們什么是好或者不好。這樣人就從需要提供完整制作過程，簡化為只需要兩秒鐘快速判斷好壞，極大降低了數(shù)據(jù)收集成本。

在技術(shù)上，將人對PPT的審美和評判轉(zhuǎn)化為獎(jiǎng)勵(lì)模型。我們基于不同的評判維度，比如內(nèi)容結(jié)構(gòu)，審美風(fēng)格等等，做了多個(gè)不同的獎(jiǎng)勵(lì)模型，整合在一起，通過強(qiáng)化學(xué)習(xí)（Reinforcement Learning）來牽引模型的迭代，讓它逐漸學(xué)會產(chǎn)生更高質(zhì)量的PPT。

這個(gè)過程中，不僅需要高質(zhì)量數(shù)據(jù)，還需要一個(gè)有效的強(qiáng)化學(xué)習(xí)算法流程，以及背后支撐它的多模態(tài)能力。

這種迭代模型我們已經(jīng)成功應(yīng)用到不同的迭代方向上，AI PPT僅是案例之一。

這一頁幻燈片展示了商湯一整套的系統(tǒng)性方法論：深入行業(yè)，以用戶價(jià)值牽引，以強(qiáng)化學(xué)習(xí)為內(nèi)核，以大裝置和強(qiáng)大的多模態(tài)模型為底座，牽引模型快速迭代。

在這個(gè)閉環(huán)模式中，強(qiáng)化學(xué)習(xí)不再是單純的訓(xùn)練算法，而是從研發(fā)延伸到落地，成為整個(gè)產(chǎn)品迭代的核心引擎。

在這個(gè)閉環(huán)中，用戶提出請求，AI智能體輸出結(jié)果，用戶在使用這個(gè)結(jié)果的過程中，我們的系統(tǒng)也會獲得用戶的反饋；然后用戶的反饋也會注入到獎(jiǎng)勵(lì)模型，從而牽引模型的更新。

用戶每一次使用都在促進(jìn)模型迭代，使研發(fā)與應(yīng)用融為一體。這套模式能有效運(yùn)行是需要基礎(chǔ)的，它背后依賴的是，商湯強(qiáng)大的多模態(tài)基礎(chǔ)模型和人工智能基礎(chǔ)設(shè)施商湯大裝置。

以底層創(chuàng)新突破產(chǎn)業(yè)發(fā)展瓶頸

在大規(guī)模商業(yè)化落地過程中，AI仍面臨許多挑戰(zhàn)。比如可靠性不足，尤其專業(yè)思維數(shù)據(jù)依舊非常稀缺；空間智能、多模態(tài)理解存在短板；成本雖已經(jīng)經(jīng)過上百倍的下降，但模型處理復(fù)雜任務(wù)時(shí)，需要很長的過程和反復(fù)試錯(cuò)，規(guī)模化應(yīng)用時(shí)，成本依然非常高昂。

這些都要依靠我們進(jìn)一步的技術(shù)創(chuàng)新去解決，這也是我們技術(shù)創(chuàng)新的機(jī)遇。

回顧大模型浪潮，有兩篇?jiǎng)潟r(shí)代論文：

發(fā)表于2017年的《Attention Is All You Need》提出Transformer架構(gòu)，

發(fā)表于2020年的《Scaling Laws for Neural Language Models》提出尺度定律，

它們分別來自Google和OpenAI。

2022年底ChatGPT的誕生，技術(shù)的策源就是從這些學(xué)術(shù)工作開始。所以，當(dāng)我們看到AI產(chǎn)業(yè)化的高歌猛進(jìn)，我們不能忘記，任何一次重大的技術(shù)變革，都源自最底層的學(xué)術(shù)創(chuàng)新。

今天我們走到了新的十字路口，國際上一些重要的學(xué)術(shù)先驅(qū)，比如伊利亞、李飛飛等最近也都提出，我們走到了新的需要?jiǎng)?chuàng)新的時(shí)間關(guān)口，需要從原來的語言模型走向空間模型、世界模型，訓(xùn)練范式也走到了瓶頸，需要新的突破。

商湯基于視覺與語言模型的長期積累，深耕多模態(tài)模型發(fā)展。我們在今天也看到了主流多模態(tài)的局限和底層創(chuàng)新的機(jī)遇。

傳統(tǒng)多模態(tài)模型的基本結(jié)構(gòu)，是視覺感知和以語言為核心的理解和推理的淺層拼接。整個(gè)的理解和思考過程主要是基于文本的，因此缺乏深層次的視覺理解能力。

舉個(gè)簡單的例子，Grok-4在各種學(xué)科測試都具備非常高的水平，但問它圖中有多少根手指，告訴我5根，而圖中實(shí)際為6根。說明它看到是一只手之后，就開始做語言推理，并沒有真正理解圖片，所以結(jié)果完全錯(cuò)誤。

再如GPT-5，現(xiàn)在世界上最先進(jìn)的模型，你問他這個(gè)東西從上面往下看，問這個(gè)物體的二維結(jié)果，告訴我是A，因?yàn)锳從二維布局角度似乎更像問題中的圖；它完全缺乏對于三維空間的理解。

如果這樣的模型裝到機(jī)器人里面，他在真實(shí)的三維空間里面行動，會鬧出多大的笑話？這是我們要真正推動機(jī)器人落地，需要去解決的一些深層次的問題。

我們近期開源了多模態(tài)大模型的NEO架構(gòu)，從根本上革新了多模態(tài)的底層結(jié)構(gòu)。它不是簡單拼接視覺與語言模塊，它的每個(gè)計(jì)算層，每個(gè)細(xì)胞，都具備內(nèi)生的多模態(tài)能力。該架構(gòu)僅用1/10數(shù)據(jù)就達(dá)到同量級最好的多模態(tài)模型水平。

我們還結(jié)合多模態(tài)數(shù)據(jù)整合與突破性的訓(xùn)練范式創(chuàng)新，如跨視角預(yù)測（Cross-View Prediction），去培養(yǎng)模型空間思維能力，這是主流的next token prediction很難做到的。

通過這種架構(gòu)的內(nèi)生突破，各種模態(tài)數(shù)據(jù)整合，以及訓(xùn)練方式上超越next token prediction的創(chuàng)新，我們做到了在多模態(tài)多個(gè)層面的突破，尤其是在空間智能表現(xiàn)上超過了GPT-5甚至最新的Gemini-3 Pro，而且也超過了李飛飛團(tuán)隊(duì)最新發(fā)布的空間智能專用模型Cambrian-S。

上圖中最外邊的六邊形是我們模型的表現(xiàn)，中間是其他模型包括GPT-5等，其中綠色是李飛飛團(tuán)隊(duì)近期發(fā)布的空間智能模型。

不僅如此，我們看到模型性能隨著數(shù)據(jù)量增加的成長速度也顯著高于主流方式的訓(xùn)練過程，代表著我們找到了更高效的通向空間智能的范式。這兩個(gè)模型均開源，大家可以去下載試用。

最后是關(guān)于成本的問題。

以生成視頻為例，如果用視頻生成模型去做短劇，最大的問題是成本問題。

比如，生成1分鐘高質(zhì)量視頻，需要1小時(shí)八卡的英偉達(dá)最新GPU計(jì)算，成本非常高，沒有辦法適應(yīng)大規(guī)模落地。并且傳統(tǒng)開源模型，每小時(shí)的計(jì)算只能生成20秒視頻，好一點(diǎn)的商用模型生成80秒。

而用商湯的SekoTalk一個(gè)小時(shí)計(jì)算，能夠生成同樣質(zhì)量的1280秒的視頻，而且人物一致性，口型對齊，長時(shí)穩(wěn)定性這些關(guān)鍵維度也做得更好。

而且，我們最近專門針對對話場景進(jìn)一步優(yōu)化后，現(xiàn)在使用消費(fèi)級5090顯卡，在單個(gè)計(jì)算節(jié)點(diǎn)上可以實(shí)現(xiàn)1小時(shí)計(jì)算生成4500秒視頻，完全突破了實(shí)時(shí)數(shù)字人驅(qū)動生成的紅線，我們在技術(shù)上已經(jīng)做好了大規(guī)模應(yīng)用實(shí)時(shí)數(shù)字人的準(zhǔn)備，我們馬上也會發(fā)布這樣一個(gè)產(chǎn)品。

這些重要的進(jìn)步背后都源于商湯在算法、系統(tǒng)、模型、架構(gòu)多層面的聯(lián)合創(chuàng)新。

• 首先在算法上面，我們使用了自研的Phased DMD蒸餾技術(shù)，將原來的100步的擴(kuò)散過程合并到4步就能夠完成，而且整個(gè)過程是基于嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)推導(dǎo)，保持了很好的合成質(zhì)量；

• 然后，通過模型架構(gòu)創(chuàng)新，提升1.5倍速度；

• 最后，我們系統(tǒng)和模型的聯(lián)合計(jì)算優(yōu)化，進(jìn)一步提升70%性能，加在一起，我們實(shí)現(xiàn)了64倍的速度優(yōu)化。

這個(gè)產(chǎn)品已經(jīng)可以體驗(yàn)和使用了。

SekoTalk免費(fèi)在線體驗(yàn)：https://sekotalk.com/

NEO架構(gòu)項(xiàng)目網(wǎng)址：https://github.com/EvolvingLMMs-Lab/NEO

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！