对话阶跃姜大昕：首次开源基座模型，回顾创业两年半

“现在多模的理解和生成还是分开的，但未来一定会走向统一。”

文丨王与桐

编辑丨程曼祺

半年沉寂后，国产大模型之战重归火热。

现在打开 Hugging Face，大模型榜单前十全部由中国模型占据。月之暗面、阿里通义、阶跃星辰、智谱在一个月内接连开源最新基座模型 K2、Qwen3、Step 3 和 GLM-4.5。

其中，刚刚在 7 月 31 日正式上线的 Step 3 是阶跃首次开源的主力基座模型。这是一个采用混合专家（MoE）架构、总参数量 3210 亿、激活参数量 380 亿的多模态推理基座模型。

自创立起，阶跃星辰就选择了 “路径更重” 的打法——重押多模态，多线并进：迄今，阶跃已发布 26 个模型，在中国大模型创业公司中数量最多，其中 20 个模型与多模态的理解、生成或推理相关。

有人质疑多线作战分散资源与精力，姜大昕却认为必须如此，因为他和阶跃相信多模态生成与理解的统一，才能走向 AGI—— AGI 不仅能描述语言，还要能模拟、推演物理世界中的动作与变化。

“如果你只想让它通过图灵测试，那语言足够了；但如果你认为它要与人的智能相提并论，那就一定要有视觉、感知、空间理解。”

已经做到微软全球副总裁，再开始创业，对姜大昕而言也是 “必须” 的选择。他不是那种 “命定的创业者”，创业本身不是目的和他的渴求，AGI 才是。

2023 年初，博士毕业后，一直在微软工作 16 年的姜大昕曾递交一份 10 页的技术文档，试图说服微软自研大模型，但公司选择了扶持 OpenAI。如果留下，他认为自己将与 AGI 绝缘。

首次开源基座模型的同时，阶跃近期联合华为昇腾、沐曦、壁仞科技、燧原科技、天数智芯、无问芯穹、寒武纪、摩尔线程、硅基流动等近十家芯片及基础设施厂商成立模芯生态创新联盟。在当前国产 GPU 实际推理体验普遍不及纸面指标的背景下，Step 3 在国产卡上有较高质量的适配表现。

在 Step 3 发布前，我们对话了姜大昕，他谈论了多模态统一的技术难度、视觉理解与生成的融合路径、自回归与 diffusion 的结合趋势。

“真正的聪明人会尊重彼此，而不是 PK 谁更厉害”

晚点：您 2023 年创立阶跃之前的 16 年一直在微软工作，从一个看起来很稳定的长期状态到创业，这个跳跃怎么发生的？

姜大昕：我以前就常被问，常识和推理什么时候能实现？我原本的回答是 20 年后，但大模型让这一切提前了 20 年。

2023 年初，我给微软管理层写过一份 10 页的文档，想自研大模型，但当时公司的选择是优先扶持 OpenAI。如果我还留在微软，就只能看着 AGI 跟我无关了。

晚点：创业是您自己的想法，还是来自周围朋友的建议？

姜大昕：是我自己的想法。2022 年底我第一次用上 GPT-4，整个人被震到了。我问它 “你多大”，它告诉我今天是几月几号，我的训练是哪天完成的，所以我现在多大。它不仅理解 “多大” 的意思，还能推理、能计算。

过去的 AI，不是答错就是设定死，比如永远说 “16 岁”。但这次我真感觉它 “懂” 了。我又问 “Can I walk in the cloud？” 它说不行，还解释因为云是水蒸气。然后又能识别出 “云中漫步” 是比喻，这句话还不是抄的，是它自己生成的。那一刻我觉得，它不是个搜索引擎，是另一种智能。

晚点：阶跃是怎么吸引来朱亦博、张祥雨这种技术大牛的？

姜大昕：决定创业之后，我们就要找人，微软的老同事就建议我跟张祥雨、朱亦博聊聊，看他们是不是有兴趣。之前我和张祥雨交集不是很多，但我们都在微软亚研院工作过，听说过彼此。我们创业第一天就知道系统很重要，所以就想找朱亦博。我觉得朱亦博肯定不是被我折服，他应该是被张祥雨折服了。

晚点：阶跃的核心技术研发团队相对稳定，怎么做到的？

姜大昕：算法、数据、系统是人工智能的三要素，我们这三方面都有最顶尖的人：朱亦博管系统，张祥雨管算法，数据是我在微软做搜索时的同事焦斌星。三方都要顶尖，才能互相吸引，才能留得住。好的技术人才，也能吸引更多一线的人才。

晚点：这么多聪明人在一起，对管理来说也是不小的挑战。

姜大昕：我觉得核心是考验 CEO 的人才审美。一般聪明人 ego 都不小，但真正聪明的人，遇到同样聪明的人会很尊重彼此。比如祥雨说的话，斌星和亦博都会认真听，反过来也一样。大家更像是互补长处、劲往一处使，而不是互相 PK 谁更厉害。

“AGI 一定要有多模态”

晚点：你们有一个外号是 “多模态卷王”，几乎每个月都发布模型。你们是怎么保持这样的节奏的？Step 3 你们准备了多久？

姜大昕：Step 3 我们准备了将近半年的时间，做了很多系统层面优化。阶跃多模态的布局非常完整，有图像、视频、音乐、语音等多条线，每条战线都是经过几个月或者半年的积累才产生新的迭代。如果同时看所有模态，会觉得我们发布的节奏很快，每一两个月就有新成果出来。

晚点：过去，行业里有一部分从业者认为，相对多模态，在语言上投入更多精力、算力和资源，对智能的提升更快。但你们从 2024 年初第一次亮相开始，就在讲 “多模生成和理解的统一”，这背后是什么思考？

姜大昕：区别在于大家对 AGI 的理解。如果认为 AGI 就是图灵测试，那确实不用多模态。GPT-4.5 号称通过了图灵测试，完全用符号语言定义人的智能。

如果认为 AGI 是来类比人的智能，那一定要有多模态，因为人的智能除了语言以外，应该是多维度的，还有应用智能、空间智能、视觉智能，这些单单通过语言是学不出来的。

同时，绝大多数应用都希望模型能看、能听、能说，能很自然地和人类交互，能理解人所处的环境，这都会用到多模态能力。

晚点：阶跃迄今发了 26 款模型，其中 20 款跟多模态相关，每个模态里，又常常分成生成、理解不同的模型。作为资源有限的创业公司，同时做这么多模型是个好选择吗？

姜大昕：如果要做到理解生成一体化，那就得这些都做。

文本不存在生成和理解分开的问题，文本天生就是理解、生成一体化的模型：你给一篇文章，让一个模型去做阅读理解，这是一个典型的理解问题，它用的是 GPT 模型；你给它一个题目，让它去生成一篇文章，这是一个生成问题，用的还是 GPT 的能力。

但是在视觉中，大家还没有找到一个办法能够一体化，很难说理解和生成谁比谁更重要。在我看来，多模的路径会和语言一样，先去做一体化，之后做大规模的预训练，再做推理。

视觉新趋势是 GPT-4o，能生成吉卜力风格的图片，很好玩，并且 GPT-4o 能够做连续、多轮的编辑。虽然 OpenAI 没说是怎么做的，但我觉得是在理解生成一体化上迈进了一大步，否则做不出这个效果。

晚点：同时做多个模型，那资源、精力具体怎么分配？

姜大昕：这对于创业公司的资源要求确实高，所以能做出这件事的公司一定不多。

我们的做法是，某段时间可能觉得某个方向比较有希望，就多放点资源，稍微冲一冲；冲到一定程度了，就看下一个。一段时间内，有领跑和陪跑。

晚点：在视觉上，实现一体化的技术路线有哪些？OpenAI 透露，GPT-4o 的文生图能力用到了自回归的方法。

姜大昕：理解生成一体化，目前有两派做法，一派是强行离散，另一派分布模拟。

强行离散，最直接的做法就是仿照语言，强行把高维的东西映射成离散的 token，完全照语言这条路走下去。语言是一个相对来说还比较低维的离散空间，一万多或者几万的维度；而视觉是高维的连续空间，非要用一个低维的离散空间（表达），那一定会有信息损失。所以目前看到的所有离散化的效果，都没有那么好。

先不说视频，先说图片，图片是 1024×1024，比语言的维度要高很多，并且是连续的。如果我们再考虑视频，更是复杂。

所以语言用自回归就可以实现了，视觉做不到，视觉的分布太复杂。

第二种基本上就是用 diffusion 这种方法。而且一般一次分布太复杂，没有办法用简单的一次分布去模拟它，所以大家一般用连续多次，只不过采样的方法越来越高级。因为 diffusion 很难去照顾到前面很长的 context，它不是一步一步来的，而是 “啪” 一下全部出去。

现在大家又回过头来讨论，这两种做法能否结合？能不能把自回归和 diffusion 结合起来？这种思路近几个月很热。

晚点：生成、理解一体化的好处是什么？

姜大昕：生成控制理解，理解监督生成。

比如，一个视频里老师在黑板写字，Sora 可以模拟手是怎么动的，粉笔和黑板是怎样接触的，但是老师写了一半停下来了，后面会写什么？这个部分是要理解去控制的。

反过来，我怎么知道模型是否真的理解了。Feynman 说，“What I cannot create，I do not understand”。即除非我能生成、我能创作，否则我很难说我是真正理解。

晚点：这和语言模型的逻辑其实是一致的。

姜大昕：对，语言模型就是这样的。语言模型不停的做 predict next token，使其能够很好地理解，所以 GPT 的理解能力比 Bert（谷歌 2018 年提出的预训练语言模型） 上升了不止一个数量级。我们一直在寻找视觉领域怎么能 predict next frame。

视频的 “frame” 是指图片。如果是一张图，就是 predict next patch，一组像素，但是图片没有太多的 context，所以很难产生像语言那样长序列的压缩效果，这也是为什么大家做很多很多图片的预训练，发现它并没有很多智能。

如果真的有本事 predict next frame 做出来一小时的视频，那很多物理规律会在 predict 过程中建模的。

晚点：从多模理解的生成统一到走向世界模型，会经历哪些阶段？

姜大昕：AGI 最终是世界模型。

模型能够完全复刻一个世界所需要的步骤，理解、预测、执行分步。

先是模拟，predict next frame，再到探索，把动作加进去，能够预测接下来的状态，以及随之而来的奖励是什么。它不是一个具体的数，它是一个分布。这就是对世界模型最朴素的一个描述。

人实际上就是不停地在做预测，那世界模型也要能预测。我的手去动一个杯子之前，大脑就能模拟出推一下杯子之后可能会水洒了、杯子掉地上，然后我弯腰捡起来，这就是动作导致的 predict next state。

晚点：这个和大家讲的 VLA （Vision-Language-Action）模型的关系会是什么？

姜大昕：现在大家理解的 VLA，是做到了 predict action。但实际上我认为 VLA 应该是给了视觉之后，有 action 的分布，每一个 action 它会产生什么 state，产生什么 reward ——这才能叫 VLA。

晚点：目前视觉模型还没做到一体化，你怎么看这种 “先分开、再融合” 的过程？

姜大昕：现在视觉不是堵在这个点上不能往后走了。理解和生成分开，分别在往前走，但就是还没合起来。

这两件事情分开走也没问题，到某一个节点，也许就水到渠成了。现在就缺一层窗户纸，看谁能真正找到一个办法，把它合起来。

我之前也说过，Sora 出来时我们有些失望，因为 4V 是理解方向的，下一步应该是理解生成一体化，但是 OpenAI 出了一个生成模型。

这对我们来说有两点启发：一，这件事情非常难，他们也没做出来；二，他们现在开始看两者之间能不能互相增强。比如怎么找到 Sora 的训练数据？可能是拿 4V 去打标的。Sora 生成的数据，能不能再帮 4V 去做理解？我觉得 OpenAI 内部可能也做了这样的事情。生成和理解相辅相成，可以认为像太极一样在转。

晚点：多模理解生成统一，你觉得你们 2025 年会实现吗？

姜大昕：我是期待有一个大的 jump 出来，能让大家觉得这件事情简单。现在大家看到了一点光，以前不敢做，现在 GPT-4o 说可以做。

有时就是这样的，你不知道什么时候会突然出一个什么东西。目前我们看到的三个大的 jump，ChatGPT 算一个，Sora 算一个，o1 算一个，下一个我希望是理解生成一体化。

“将来也许所有的终端都可以变成一个 Agent”

晚点：今年冒泡鸭做了调整，跃问也更名为阶跃 AI。为什么会这么调整？

姜大昕：早期我们基于当时的模型能力进行了一些产品探索。2025 年，随着多模态和推理能力的成熟，我们产品进行收敛，聚焦 Agent 方向。“跃问” 改名为 “阶跃 AI”，意味着它从 Chat 类的产品到 Agent 能力的转变。

晚点：你们今年重点是和手机、汽车结合智能终端 Agent ，以及满足行业需求的垂类 Agent，为什么会选这两个方向？

姜大昕：这背后的逻辑是，硬件很重要。第一，很多终端是用户感知和体验的延伸。比如说我们的手机，最近的一些 AI 眼镜或者是耳机，它可以认为是人体器官的延伸，它可以搜集我们所处的环境，能够帮助模型更好地理解用户的上下文。比如 PLAUD 就是人耳的延伸，用户带着它到处跑，它能随时随地收集我们的 context，然后对信息加工，完成用户让它完成的任务，这是非常自然的过程。

第二，很多的智能终端设备，能帮你完成任务。比如说你过去没法通过自然语言操作一个有很多功能的微波炉，但如果它接入多模态模型，就变成一个 Agent，你可以跟它说 “我要蒸个鸡蛋”，它就会自动去做。

晚点：这种和硬件结合的 Agent，和大家今年讨论的主要在 Web 端、移动端帮你做白领工作，比如 PPT、写报告的 Agent 产品形态不太一样？

姜大昕：什么是 Agent？大家也没有形成统一的定义，我也看到过有非常冗长的对于 Agent 的定义，方方面面滴水不漏。我自己喜欢简单的描述，即 “它能够自主地帮人类完成复杂的任务”。

咬文嚼字一下，什么是 “自主”？一个自动，一个主动。

“自动” 是能独立完成多步任务，尽可能少的或者不需要人类去干预；“主动” 是能够理解用户的环境、理解用户的上下文，从而主动地发起任务。比如开会时，老板突然说了一点事先没有准备的话题，Agent 可以默默地把所有的相关材料准备好，并且 summarize。

如果类比到人，可能我们对 Agent 更高级的期许就是 Agent 应该眼里有活。

晚点：Agent 概念 2023 年之前就有了，为什么在 2024 年底至今的阶段越来越受到关注？

姜大昕：要做到 “自动”，就要有相对比较长的链条，支撑自动完成且不出错，需要比较强的推理能力。所以模型推理能力要达到一定的门槛，才能做这件事情。

“主动” 是理解用户的环境、理解上下文，就少不了多模态。

那 Agent 为什么会在今年火爆？2024 年下半年 GPT-4 出来，多模态融合有相对比较大的进步；从 9 月份开始，OpenAI o1-Preview 出来，一直到 DeepSeek R1 出来，模型推理能力得到了非常大的提高。两个进展出现之后，Agent 完成度和用户满意度会达到一个新的点。这是为什么大家突然觉得 Agent 可做。

晚点：回到你们对 Agent 的设想，手机、汽车、机器人，未来所有终端都会需要 AI Agent 的能力吗？它们共享同一个 Agent 吗？这是一个怎样的未来？

姜大昕：Agentize every hardware，这是我自己造的词，就是把没有生命的、不知道怎么跟人类交流的终端设备变成一个 Agent，变成你的伙伴。硬件本身是很长尾的，除了手机，很多家电、可穿戴设备，这些都可以变成 Agent。

我的另一个判断是，未来还有做生态的机会，需要有一个跨设备的平台让人操控各类硬件。

垂类 Agent 我们是生态打法，选择和头部合作伙伴深度合作。比如金融领域，我们和界面财联社成立财跃星辰，专门来做金融领域相关布局。

晚点：你们智能终端的 Agent，更多是 2B2C（服务对接消费者的企业）模式，已经跟 OPPO、TCL、智元机器人、吉利汽车等方面合作，可以讲讲这么做的逻辑吗？

姜大昕：我们希望跟合作伙伴一起打造产品级的收入。车和手机，是现在出货量比较大的终端，IoT 和具身是未来可能出货量比较大的终端。我们希望和终端合作，做个性化的 AI 助手。

晚点：跟硬件厂商合作，你们现在的商业模式是什么？收取一次性的开发、部署费用，还是按销量获得 license（专利授权） 费用？还是按模型调用量收费？

姜大昕：我们当前和终端的合作模式比较紧密，有多样的收费方式，并且是可持续的。

现在还是生态演变的早期，未来整个产品平台会有非常多演变的机会。license 未来也会探索，甚至有可能用户订阅了以后我们分润。商业模式还有待探讨，我们也会根据发展情况随时调整。

晚点：手机上有很多 App，如果都被 Agent 化了，AI Agent 变成流量入口了，手机厂商乐意吗？

姜大昕：我目前没有答案。手机厂商、模型厂商、APP 之间生态到底怎么合作？它们的互动方式是什么样的？我觉得还是需要一些时间来探索的。

晚点：手机厂商可能会怎么想这个问题？

姜大昕：一方面手机厂商很兴奋，觉得这是改变生态的机会；但另一方面他们也很克制，因为需要考虑改变带来的影响。中间有个博弈的过程。

“我们 I 人天然就喜欢在二楼 watch over the balcony”

晚点：你的一天一般会怎么度过？

姜大昕：我一般来公司比较早，8 点到 10 点半基本没人打扰我，我会自己静下心来看一些需要 deep think 的东西。比如论文，因为我发觉论文不看，会影响自己的判断。也会看一些公众号，包括《晚点》。

等大家都来公司了，我会跟他们开会，问问进展。

晚点：你会用 AI 来帮你看论文吗？

姜大昕：会，可以随时随地问。我自己也会写一点小的 AI 工具玩一玩，比如帮我把播客扒下来转文字，因为我看的速度比听的速度快很多。

我以前更多是 from books 和 paper，创业之后，现在我越来越多 from others，因为我发现时间很少，很多事也不用那么 deep：光我一个人 deep 也没用；我再 deep 也 deep 不过张祥雨和朱亦博，甚至是很多一线的同学。

但我要知道得比较宽，所以我就把他们一个个喊来，给我各种各样的 input。如果当下我没搞懂，我可能第二天早晨花点时间 deep 一下。

晚点：你在微软时也带 400 多人团队，和你现在创业带团队的区别是什么？

姜大昕：大部分挺像的。跟原来不一样的是要做很多抉择。教员说过：“一把手只干三件事，定方向、搭班子、带队伍。” 以前搭班子和带队伍经常做，但不需要我太多做决策，CEO 就是每天都要做决策。

晚点：做决策意味着什么？有人说工作可以是有限责任，但是创业一开始就是无限责任。

姜大昕：我理解的做决策就是你要做什么，不做什么，尤其是你不做什么。因为太多东西你想做，你也说我们做得很多，其实那已经是我们决定了很多不做的。

晚点：有哪些是你在创业之初没有想到，后来发现还挺难的事？

姜大昕：现在做 CEO，需要去宣传。这是我原先不太想做，现在也不太想做的，并且我觉得我做得不是特别好。

我读 Ph.D 时，我老板跟我讲，你怎样才能毕业？就是你要学会 presentation，这包括两个，一个是你要能写 paper，第二个是你要能做 talk。

技术 talk 相对比较好讲，它有一个套路。你第一件事情要说为什么这件事情很重要，别人才有兴趣往下听；第二件事去说这件事情很难，还要讲一个小故事，我一开始是怎么做的，但后来发现不对，我的 insight 是什么；最后一件事，你要说不仅我自己好，还要带动大家一起好，所以你一定要听我的 talk。

我是一个 well-trained 的 Ph.D，但我发现 CEO 的 presentation 和 Ph.D 的 presentation 不一样。相同点是要讲一个故事；但是 Ph.D 讲的是技术的故事，CEO 要讲的是商业的故事，这是不一样的。

晚点：告诉大家为什么这件事很重要，倒是很像商业的 talk。

姜大昕：这两者之间有点是通的。但是我是 I 人，现在还在适应，怎么把商业 talk 讲得更好。

晚点：这可能是 I 人要成长的地方。那 I 人做 CEO 有什么优势？

姜大昕：I 人的优势是，会去 listen，会去 observe，我觉得这对一个 CEO 来说还是蛮重要的。当然也要去展示，但是在 output 之前要先有 input。

我在微软经过一次培训，一个观点我印象很深，他说一个管理者的角色是 watch over the balcony。在欧洲，很多人是要在一楼的舞池里跳舞，作为 CEO、管理层在下面跳，一定很风光，但你看不到舞池里谁跳得不对。你可以是全场跳得最好的人，但不要陶醉于此。

晚点：E 人更容易下场跳舞，I 人则能看到舞池里谁跳得不对。

姜大昕：我们 I 人天然就喜欢在二楼 watch over the balcony。

题图来源：阶跃星辰