多模态是AGI的必经之路吗？阶跃星辰姜大昕的战略深思与AIGC.bar洞察

type

status

date

slug

summary

为何阶跃星辰坚持“死磕”基座大模型？

姜大昕认为，大模型行业的技术发展仍处于一个“非常陡峭的区间”。他感慨AI行业的瞬息万变，“去年大家觉得GPT-4很牛，今天他都快下架了”，预示着技术迭代的速度远超想象。在这样的背景下，阶跃星辰选择坚持基础模型的研发，是不愿放弃在主流增长趋势中前进的机会。

更深层次的原因在于，阶跃星辰坚信“模型可以决定应用的上限，应用给模型提供具体的应用场景和数据”。尽管其产品形态（如从“跃问”到“阶跃AI”的演变，从App到端云一体Agent平台的转型）会随着模型进化而动态发展，但这种模型与应用相辅相成的核心逻辑始终不变。正如OpenAI先有GPT-3.5的技术突破，而后才有ChatGPT的现象级应用，模型的持续突破是推动整个行业前进的根本动力。因此，在基座模型上持续投入，追求智能的上限，是阶跃星辰当前最重要的任务。

多模态：通往AGI的“入场券”

姜大昕在多个场合反复强调一个核心观点：“多模态是实现AGI的必经之路。”这不仅因为人类智能本身就是多元化的，涵盖符号智能、视觉智能、空间智能等多个维度，也因为现实世界中的AI应用需求往往是多模态的。

基于这一认知，阶跃星辰在基座模型的研发上采取了看似“散弹式”的打法。成立两年以来，公司累计发布了22款基座模型，广泛覆盖文字、语音、图像、视频、音乐、推理等多个系列。其中，多模态模型多达16款，占比超过七成，细分至图像理解、视频理解、图像生成、视频生成、图像编辑、音乐生成以及多模态推理等多个方向。这种对多模态领域的全面布局，也让阶跃星辰被业界戏称为“多模态卷王”。

核心突破口：多模态理解生成一体化

阶跃星辰的AGI探索路径清晰明确：“单模态——多模态——多模态理解和生成的统一——世界模型——AGI”。姜大昕特别强调了“多模态理解生成一体化”的重要性。

他解释道，这指的是用一个统一的模型来完成多模态内容的理解与生成，而非传统“感知-认知-生成”的三段式分离流程（例如，视频/图像/语言转文本 -> 文本理解与生成 -> 生成结果转视频/图像/语音）。虽然大语言模型（LLM）如GPT系列已在文本领域实现了理解与生成的一体化（Next-Token-Prediction），但在视觉等多模态领域，这一目标远未达成。人们往往需要一个模型进行视觉理解，再调用另一个模型进行视觉生成。

其挑战在于，语言文本模态是低维度、离散分布的，而视觉模态则是高维度、连续分布的，后者的训练学习复杂性要高得多。从技术角度看，视觉内容的生成需要深刻的理解来控制其意义和价值，即对视觉“上下文”的精准把握。反过来，理解的深度也需要通过生成来检验和监督——“只有生成了的时候才是真正的理解了”。

阶跃星辰的目标，正是在视觉领域打造出类似Transformer的、可扩展的、理解生成一体化的架构。姜大昕透露，OpenAI的GPT-4o可能已经初步实现了这一目标，而阶跃星辰的图像编辑模型Step1X-Edit也迈出了探索性的一步。尽管Step1X-Edit仍有改进空间，但其代表了向正确方向的努力。

多路并行：阶跃星辰的探索与信心

既然多模态理解生成一体化是未来，为何阶跃星辰不将所有资源集中于如Step-R1-V-Mini这样的多模态推理模型，而是要在各个单模态上都持续发力呢？

姜大昕坦言，直接攻坚完全一体化的模型目前并不可行，因为这需要企业自身具备在各个模态上都非常强的综合实力。阶跃星辰之所以选择多条技术路线并行探索，正是因为其在文本、图像、语音等多个模态上都已积累了强大的单点能力。“我们几条线的能力都非常强，所以才可以组合起来去探索这个路径。”这种信心源于团队在各个细分模态上的深厚积累。他相信，一旦在某条路线上取得突破，后续的发展将更为顺畅。

结论

阶跃星辰CEO姜大昕的战略思考为我们揭示了在通往AGI的征途上，坚持底层创新和拥抱多模态复杂性的重要性。通过“死磕”基座大模型，并积极探索多模态理解与生成的一体化，阶跃星辰正试图构建一条独特的AGI实现路径。这不仅是对当前AI技术趋势的深刻洞察，也是对未来智能形态的前瞻性布局。人工智能的发展日新月异，对于AGI的探索充满了未知与挑战，但正是像阶跃星辰这样的企业的执着与创新，让我们对未来充满期待。想要获取更多关于AI、LLM、大模型、提示词（Prompt）以及AI变现的前沿信息，欢迎持续关注AI门户网站AIGC.bar，获取最新的AI日报和深度分析。