AI视觉的“大一统”：从CV到多模态，从行业大模型到机器人，旷视如何布局？

智东西4月2日报道，当前，大模型技术正在加速渗透到行业数字化进程中，赋能新的应用场景，为各行各业创造价值。

近期，在北京市召开的人工智能企业代表座谈会上，旷视科技联合创始人、CEO印奇表示，旷视将基于对行业的深入理解，推动多模态大模型的技术创新和行业应用。同时，旷视将发挥在软硬结合方面的优势，围绕“大模型+机器人”的发展方向，推动人工智能为实体产业创造更大价值。

旷视布局大模型的实际进展如何？公司高层对大模型研发和产业落地有什么样的见解？智东西获悉，多模态、行业大模型和具身智能，是旷视围绕大模型进行布局的一个主逻辑。

当下正值新的AI视觉浪潮兴起，从去年爆火的ChatGPT到今年的Sora，从机器人Figure01的诞生到呼之欲出的GPT-5，产业的关注重心正从文本转向视觉，从单模态转向多模态。

作为深耕深度学习技术超十年的旷视科技，也正从一家AI视觉公司，进化成一家多模态大模型公司。

在业内不少人士看来，当下AI发展脉络可分为AI 1.0及AI 2.0，但印奇认为，AI的演进是一个连续的过程。从CNN、ResNet到Transformer，在上面的视觉、语音、NLP，都在从独立发展走向融合，从量变走向质变。

按照印奇的规划，旷视将面向AGI（通用人工智能）目标，基于其在视觉模型及软硬结合方面的优势，聚焦多模态大模型领域，逐步实现具身智能的价值主张；同时基于行业大模型，坚定走通2B（面向企业的）商业变现路径。

一、AI视觉拥抱“大一统”，旷视驶向多模态

尽管视频生成模型Sora风靡全球，但AI视频领域的头部国产玩家旷视志不在此。

OpenAI做的Sora是它们走向AGI的一个很重要的技术节点，随之产生了文生视频潜在应用，但更多是为了推动GPT-5。因此，重点是要理解其底层的技术框架，而不是Sora应用本身。

同时，在图像视频的领域，要将“生成”和“理解”分开来看。如果将Sora作为独立应用来看的话，它聚焦视觉生成领域，核心应用场景更偏C端；旷视聚焦视觉感知和理解侧，其多模态大模型是一个对图片、视频、文字等各种模态综合识别理解和做逻辑推理的引擎。因此，旷视不会去做Sora，不会涉足太多生成式AI领域，而是专注于理解能力上，面向2B业务打造行业应用。

基于这样的考虑，旷视对自己的定位是打造数十亿至数百亿参数之间的多模态大模型。

旷视在视觉模型领域的多年积累，是其打造多模态大模型的基础。同时，数十亿至数百亿参数规模属于中大型模型，已具备较好的通用属性，且在行业部署成本、硬件适配度等方面是一个较好的区间。

当前，视觉模型领域呈现出“大”和“统一”的趋势。“大”意味着大数据、大算力和大参数量，“统一”体现在NLP、视觉、语音等模态的融合，以及感知、理解和生成能力的融合。印奇表示，旷视做多模态大模型，本质上在视觉走向大一统路径的背景下，补全了语言模型方面的能力，并把它们结合在一起，以符合现在这种多模态大模型新的技术趋势。

本质上，旷视正在从一家AI视觉公司，进化成一家多模态大模型公司。

从视觉大模型，到生物识别、计算摄影、自动驾驶等垂类算法，是旷视近十年来长期投入研发的领域。旷视本身在关于视觉的技术、数据和底层框架上都拥有很深的积累，并在此基础上补齐了在语言方面的能力，布局多模态大模型，是顺理成章的。

从资源投入角度来看，旷视研究院目前聚焦两大方向：一是坚定投入多模态大模型的研发，二是做机器人和大模型的结合。旷视已从传统意义上基于AI视觉的垂类算法研发，进化到了与大模型深度结合的研发赛道。

纵观当下多模态大模产业，市面上主要有三类玩家，分别是从文本、从视频或是直接从多模态，切入多模态大模型领域做技术研发和落地。

业内人士告诉智东西，图像是一个比文本更难的问题，因此旷视从视觉模型切入多模态，或许要比市面上的文本模型玩家切入多模态更容易。

二、聚焦行业大模型，企业共创抵达“最后一公里”

当下我国大模型发展如火如荼，已居于全球大模型发展前列。但同时，大模型产业仍面临数据、人才、安全等方面挑战，与全球最先进水平存在较大差距。

在这种背景下，发展行业大模型成为一条可能的捷径。

旷视科技是这一观点的支持者。基础大模型与行业结合，是要让大模型在高价值的行业里不断迭代和进化。

一方面，大模型已经能够解决不少的需求碎片化问题。据悉，旷视目前大量行业客户的需求都可以用大模型解决，包括知识库、文案总结、图像视频事件分析等多个方面。比如，有客户提出通过大量视频监测火情等情况，支持用自然语言描述进行系统交互；有客户提出建立支持文档、法条、行业经验等搜索的知识库，这些场景都可以通过大模型技术来实现降本增效。

另一方面，要让大模型真正攻破“最后一公里”并不容易，还需要在行业大模型上下功夫。为此，旷视基于自研可控的基础大模型，叠加行业里面的数据闭环，去打造行业垂直模型。

如何让大模型攻破行业落地的“最后一公里”？

按照印奇的观点，第一步，是要把基础模型叠加行业知识，让它变成金融模型、运营商模型等。因为基础大模型基本上无法覆盖这些行业本身的语料和数据；第二步，行业大模型需要与行业中的场景和终端联动，这就意味着在云端大模型以外，还需要配套一个能在端侧实现部署的附属模型。

旷视主张通过行业共创发展行业大模型。在行业大模型落地的过程中，大模型企业需要与行业从业者坐在一起，通过梳理需求并评估技术可行性，确保业务价值大于技术实施成本。

基于多年在AIoT（智能物联）行业的积累，旷视从深度行业理解、商业化积累和软硬结合技术三大方面建立布局行业大模型的护城河。

1、深度理解行业。做行业模型，需要以行业真正深度的行业应用和场景理解为驱动，才能不光是做一个简单的技术中台，或者是一个PaaS层，更重要的是要做到行业有价值的行业应用层和SaaS层。

2、商业客户及经验积累。大模型的行业落地强调产品和商业化“一体两面”，只有拥有非常好的行业、客户和商业化能力资源积累，才能持续在行业里做迭代。

3、软硬结合技术积累。大模型与行业的结合往往需要大模型的云侧和端侧的联动，也就是软硬结合。旷视多年来积累的“云+端”技术能力，也会帮助行业大模型的产业化落地。

总的来说，要真正将行业大模型的商业模式打磨出来，一定不是简单拿开源模型改一改就行了，还要有端到端的大模型能力，打造能基于行业需求灵活调节的大模型。

同时，行业大模型的本质上还是要以客户为中心，只有真的在行业浸泡很长时间，找到行业痛点，且能让需求方和供应方同时获得收益，才能让行业大模型成功抵达“最后一公里”。

三、软硬结合，布局“大模型+机器人”

如果说行业大模型是旷视的现在，那么“大模型+机器人”就是旷视的未来。

在过去十年里，旷视已将AI落地到了智慧城市、智能制造、智慧物流、消费电子等多个行业，这些都可能是未来机器人的核心应用场景。在这个领域布局行业大模型将为旷视提供自我造血能力，从而支持其进一步探索“大模型+机器人”的研发与落地。

印奇表示，旷视的发展历史清晰地表明，最初其专注于传感器和其运动部件，这些可以看作是机器人的“眼睛”。随后，旷视在物流领域开发了类似机器人“腿”的自动化系统。

目前，旷视正在预研机器人的“手臂”，包括工业机械臂和灵巧手。未来，旷视期望将眼、手、脚三者结合，打造泛机器人产品。

当前，旷视科技的重点有两个：一是物流领域的机器人，它们在搬运和腿部功能上表现出色；二是辅助和自动驾驶领域，旷视将提供核心的感知-决策-控制系统部件。

按照旷视的规划，其“大模型+机器人”战略是将愿景与能力结合，追求AGI（通用人工智能）和机器人技术，以实现与人类生活的深度互动和世界本质的美好变化。

在商业模式上，AI与新硬件结合带来巨大商业机会，类比从PC到手机的变革，机器人行业潜力巨大。技术发展需长期积累和成本控制，实现规模化推广。旷视致力于软硬结合和商业化，通过短期盈利闭环逐步扩大商业规模，目标成为AI机器人领域的全球领先企业。

结语：视觉走向大一统，旷视推动多模态落地行业

当下，随着AI成为发展新质生产力的重要引擎，AI视觉技术也正走向新的大一统。透过旷视科技在大模型领域的布局，我们看到视觉大模型正与文本模型加快融合，从而进入多模态大模型新阶段。

布局行业大模型是当下我国“AI+”发展的有效路径之一。在过去的十几年的时间里，旷视从技术长期坚持、迭代演进到商业模式不断探索，其技术积累及经验教训都有望促进其在行业大模型落地中，与企业共创攻破“最后一公里”。