对话姜大昕：AGI实现路径清晰了，世界模型不远了

出品｜网易科技《AGI对话》栏目

作者｜丁广胜

大模型进化路线持续分野，阶跃星辰追求AGI的决心反而更加坚定。

成立于2023年4月的阶跃星辰刚刚过完两岁生日，模型发布频率和产业落地探索正在前所未有地加速。

阶跃星辰累计发布了22款自研基座模型，覆盖文字、语音、图像、视频、音乐、推理等全系列。其中，16款是多模态模型，占比七成。目前仍然保持“月更”状态。

阶跃星辰创始人、CEO姜大昕说，追求智能的上限仍然是当下最重要的一件事。

姜大昕的目标是坚决探索通往AGI，且多模态是实现AGI的必由路径。他把模型演进路线图划分为三个阶段，即模拟世界—探索世界—归纳世界。

首先，模拟世界的训练范式是模仿学习，核心是学习海量互联网数据；其次，探索世界是追求“系统二”的能力，实现慢思考；其三，智能的尽头是归纳世界，机器能够自主学习、主动发现人类尚未发现的物理规律。

姜大昕还特别强调从多模态融合走向多模态理解生成一体化，因为“在多模态领域任何一个方向出现短板，都会延缓实现 AGI 的进程。”

在国内大模型公司里，像这样重视模态全覆盖，并且坚持原生多模理念的公司并不多。这被视为阶跃星辰的独特优势。

“我们需要 AI 能听、能看、能说，这样它才能更好地理解用户所处的环境，并且和用户进行更为自然的交流。目前的大模型公司有能力去全面自研预训练模型，并构成模型矩阵的，即使是大公司也不多，更不用说是初创公司了，这是阶跃星辰的一个特色，也是我们的优势。”

多模态模型的两大趋势

强调多模型理解生成的阶跃星辰，是这么想也是这么做的，不断探索模型能力的同时加速落地验证。

第一是预训练加上强化学习，激发模型推理的时候产生长思维链，极大地提高模型的推理能力。

姜大昕说，推理模型已经从趋势变成了范式。

阶跃星辰在今年1月份发布了一款推理模型 Step R-Mini，“它的速度很快，推理能力挺强，超出了当时的 o1的 preview 的版本，我们预计在未来的三个月内发布满血版的 Step-R1。”

第二个趋势是多模态理解生成一体化，也就是如何把推理引入到多模态领域。

姜大昕举一个例子，有一张足球比赛现场的图片，一般视觉理解是训练时看到过类似的图，然后给出结果。而加了推理的视觉模型可以根据图片中的广告牌、球衣颜色等更多特征信息给出更准确的答案。

这样的探索已经延伸到短剧领域。“现在短剧最卡脖子、最瓶颈的地方不是短剧生产，而是短剧审核。因为全部需要人工审核，效率非常低，用了阶跃星辰的模型后审核效率从原来的90天可以变成一个星期。”

姜大昕还进一步解释了“多模理解生成一体化”路线的正确性：

为什么要做理解和生成？因为生成的内容需要理解来控制，为了保证生成的内容有意义，即生成需要理解来控制。反过来，理解需要生成来监督。但他也表示，从整个行业看，这个路线还有卡点和挑战。

“到现在为止计算机视觉做了几十年，不幸的是这个问题（视觉理解生成一体化）仍然没有被解决。”姜大昕表示，理解生成一体化是整个计算机视觉需要突破的一个堡垒。

AGI的实现路径清晰了

何时能实现世界模型，姜大昕眼中的 AGI 就实现了，他近期感受最深的一点是，路线越来越清晰了。

他回顾技术发展路线说，2017年transformer 架构对业界最大的意义在于它是一个 scalable（可扩展） 的文本的理解生成一体化的架构。

在那之前， LSTM（长短期记忆网络）或者RNN循环神经网络或者其他模型都不能 scalable。正因为有了这个 scalable 的架构以后，到了2020年 GPT-3来了，GPT-3的意义在于我们第一次把海量的互联网数据放到了这个 scalable 的架构上，可以让它用一个模型去处理所有 NLP 的任务。但那个时候它需要一些例子，然后它用一个模型来告诉你要怎么做。

再往前一步，到了2022年 ChatGPT来了，就是在预训练模型的基础上再加上指令跟随，这是 GPT-3.5做的事情，到了 GPT-4的时候这个能力进一步增强，所以我们经常谈到 "GPT-4时刻"，指的就是在这个模态上，模型真正能达到跟人的智能差不多的水平。

到目前为止，语言模型的技术路线基本上收敛了，没有出现别的分支，不管是 OpenAI 也好、Google 也好、Anthropic 也好，或者国内任何的公司，语言模型都在朝着这条路往下走。

姜大昕相信，视觉也是可以 follow 同样的路线。

“如果我能够用海量的视频去做预训练，它能 predict next frame （预测下一帧）以后，然后类似语言模型一样加各种指令，让它去预测，再往后做推理，如果能做到时空推理、加上3D 、再加上自然语言学习，那就是世界模型了。”

而世界模型，就是姜大昕眼中AGI的模样。而挑战正在于此，这件事的原点就是彻底地解决理解生成一体化。

姜大昕断言，这个问题一旦突破以后，今后的道路会非常顺畅，视频就会和文本一起发展到世界模型。直到抵达AGI。

智能体将从数字走向物理

2025年是Agent 元年，姜大昕总结了两个之所以爆发的条件，一个是多模态的能力，一个是慢思考的能力，这两个能力恰好在2024年的时候取得了突破性进展。

阶跃星辰的发力方向是智能终端 Agent，并在此投入重兵。

姜大昕认为，终端是用户感知和体验的延伸，而且它能帮你完成任务。这是阶跃星辰选择这个赛道的原因。

目前倾注精力的有四个方向，一个是与OPPO等厂商合作的AI手机赛道。一个是和吉利汽车、千里科技合作的智能汽车赛道。一个是和TCL等厂商合作的IoT设备领域。一个是具身智能领域。

阶跃星辰正在具身智能领域投注精力，与智元机器人和原力灵机机器人合作，其中阶跃的多模态大模型是机器人的大脑，以感知、理解这个世界。未来目标是实现视觉的泛化、机器人的泛化。

在家庭场景，姜大昕还描绘了这样一幅场景，在未来，大家不需要了解微波炉的功能，不需要去研究每个功能怎么使用，把鸡蛋放进去，给出指令即可。也不需要知道如何设定，这就是智能终端。家庭场景的想象力大有可为。

姜大昕用三点来概括阶跃星辰的发展蓝图。

第一，坚持基础大模型研发，追求 AGI 不会改变。第二，阶跃差异化的特点就是多模态的能力。第三，在智能终端 Agent 方向上发力，最终形成从模型到 Agent，从云侧到端侧的生态体系。

在Agent 元年，姜大昕希望有所坚持，有所选择。摆在他们眼前的任务，是让智能体从数字世界走向物理世界。