商汤林达华:拿 20% 资源做没有产品的研究,商汤如何押注模型竞争?

AITNT-国内领先的一站式人工智能新闻资讯网站
# 热门搜索 #
商汤林达华:拿 20% 资源做没有产品的研究,商汤如何押注模型竞争?
7402点击    2026-11-20 10:00

大模型军备竞赛打到今天,训练成本成了一个停不下来的无底洞。国外已经在讲 10 万亿参数,国内大厂也纷纷设想 2 万亿、5 万亿。


怎么把这笔账算清,商汤联合创始人、首席科学家林达华给出的答案不是更大的参数,是「闭环」。在他看来,盲目卷参数量是一种不健康的竞争。「所有事情都需要有闭环,才能有效地迭代,否则只有刷榜,是很危险的。」


过去几年,商汤做了几次关键取舍。内部讨论过要不要做 2 万亿参数的模型,最终选择迭代效率更高的几百 B 体量。最早做的通用聊天产品,在 2023 年底判断为不是战略重点,转为瞄准办公和视频创作。年初 Seedance 2.0 发布后一度迷茫,最后把重心放在「创作」本身,随后 Seko 用户增长了 7 到 8 倍。


不变的是,坚持原创和底层研发。商汤至今仍留出 20%「不算短期账」的资源,投入没有任何产品出口的前沿预研。空间智能就是其中之一,并由此撞见反 Scaling Law:在部分任务上,数据越多、模型越大,反而做得越差。


这也指向林达华对智能本身更根本的判断。智能的本质是人跟世界的交互,语言是高密度的载体,但单靠语言并不完整。


在最近的一档视频播客访谈中,林达华复盘了商汤穿越两轮 AI 周期的取舍逻辑,也回答了几个核心问题:为什么跟在美国后面「拼手速」没有复利?为什么说「蒸馏的时代已经过去了」?


以下对话经 Founder Park 编辑整理,有删减。


01

押注几百 B 模型,

模型没有闭环就只是在刷榜


Q:这一轮大模型,和上一轮的 AI 竞赛相比,成本结构有什么不同?


林达华:这一轮,模型的通用能力有了实打实的质的提升。


定制成本大幅下降。虽然依然存在一定程度的定制,所以才有所谓的 FDE 的概念,但确实会轻很多。而且在一些效率工具,像 AI coding 工具的支持下,成本会降下来


真正的成本在两端,一个是服务成本,也就是 Token 价格。另一个是训练成本。


训练成本这件事,行业里有个假设可能并不成立,就是认为花巨大代价训出一个很好的模型,就能服务所有事情,并且成本在未来的大规模商业化的时候摊掉。但行业的现状就是,会发现训练成本依然居高不下。不是因为模型不够好,是你不继续训下一个,别人就会超过你。


相互竞争也好、卷也好,使得你不得不持续高投入、一遍遍地训下一个模型,训练成本永远停不下来,而且越来越大。这两天就有国内大厂说,国外都在讲 10 万亿参数了,大家纷纷开始设想 2 万亿、3 万亿、5 万亿参数的模型。训练成本始终不可能向下游摊,这是现在面临的困境。


Q:参数越大越好,最后会不会是少数几家大模型通吃?


林达华:不会。我一直跟大家讲,这里有一个三要素的博弈,甚至是一个不可能三角,成本、通用性和专业性。


通用性是能做多少件事,专业性是做某一件事时能做得多深、多可靠、成功率多高。技术上确实有可能训出一个既高度通用、又在每件事上都极其专业的超级大模型,代价是模型非常大,训练成本和服务成本都非常高。


小一点的模型一块钱能做的事,大模型也许做得差不多或者更好,但要花 100 块。因为它还有 100 种其他功能你用不上,你也得一起买单。


很多日常工作场景使用中轻量级模型就可以需求,我用一个 8B、32B 的模型就能把事情做好,为什么要把 Token 的钱交给 OpenAI 或 Anthropic?


竞争非常充分的时候,成本带来的压力就很大,那些牺牲一部分通用性、换来更低成本的模型,会有非常大、而且可持续的空间。哪怕 OpenAI 也会出几个规格的模型,不会用一个模型承担所有任务负载。Hugging Face 上有 300 多万个模型,它们在做很多不一样的事。


Q:很多原生大模型创业公司就卡在这里,一方面要给资本市场和投资人交作业,不停训基模证明自己还在全球 SOTA 前线。另一方面为了续命,开始做「甜点模型」,在能跑通 PMF 的小场景里先拿收入。资源就这么多,鸡蛋放在哪个篮子里?


林达华:大家开始更务实地思考,我觉得对行业是好事。所有人盲目地做参数量竞争,并不是一种健康的状态。


有两件事说明行业在走向健康。


一是大家更务实地选择模型规模。唐杰老师之前也提到,不一定马上要追求万亿参数,一个参数足够的优秀模型也非常有价值,比如现在很多办公任务中作为主力的 Flash 级别模型。


二是大家开始回过头看预训练数据的质量。有些团队训出了 2 万亿、3 万亿参数的模型,好像还打不过现在几千亿参数的模型。原因是数据没治理好,杂质很多,很多东西相互打架,效率被抵扣掉了。参数做得很大,效果还不如一个几百 B 的 Flash 级模型。又贵又不理想,这是很致命的,就会被「斩杀」。


在这种理性状态下,大家不一定围绕某个具体 metric 竞争,是从最终用户的价值出发,思考怎么用 efficient 的方法把价值 deliver 给用户,这样反而走得更远。


Q:从创立商汤到现在,你们有被资本市场和投资人的期待带着走吗?从什么时候开始想重新找回自己的节奏?


林达华:坦率说,在当前的大模型市场上,商汤的声量可能不是最大的,但我们一直走的是我们认为正确的路。任何技术最终的生命力,来源于有没有真真实实地创造价值。


关键不是你在某个 benchmark 上提升了多少点。今天你是 benchmark 上的 SOTA,下个月就不是了,这个东西留存不下来。真正能留下来的不是某个技术点、某个参数量,是你有没有真正在用户中留下来。


我们也讨论过要不要去做更大的 2 万亿参数的模型。真要做的话,有机会,也有足够的资源。但这个决策代表机会成本,把大部分资源砸在这上面,其他事就没有资源了。所有决策都不是对和错的问题,而是在你的资源禀赋和时间窗口下,哪些事情的组合,能让你朝目标走出最好的结果。


现在有两条路。一条是从 5000 亿做到 1 万亿、2 万亿、5 万亿参数,赌的是参数上去之后,效果能超出别人。当然,国内能做 5 万亿参数的公司可能都有好几家。


另一条路是把参数放在几百 B 的量级,不断优化训练、架构和数据质量。迭代的资源消耗和参数量在一定程度上成正比,你选一个几分之一大小的模型,迭代效率就快几倍。而且更重要的是,这样我们会有更多的资源留给探索差异化的路径。如果未来找到了不一样的 scaling 范式,我们也可能沿着新的范式把参数规模做到万亿。但是,沿着传统路径靠拼资源进行万亿竞争,对我们不是理想的选择。


最近各家都在发 Flash 模型,GLM-5.3 的 Flash、DeepSeek 4.1 的 Flash,Google 也出了 Flash,都很受欢迎。DeepSeek 4.1 Flash 的性能比 4.0 Pro 还要好,说明几百 B 的 Flash 模型依然有很大的提升空间。


也许终究有一天会真正碰到 capacity 的瓶颈,那时就不得不往前走。这里更多讲的是火候。


Q:除了火候,这两条路有没有信仰上的区别?


林达华:我认为参数量依然是非常重要的 foundation,更大的参数会带来更高的上限。


但如果给你 10 年时间慢慢迭代,也许能非常接近某个参数量下的高度。可现在新模型是两三个月一版,判断标准就变成了两三个月之后,它能走到哪个位置。


商汤过去十几年最重要的经验是,所有事情都需要有闭环,才能有效地迭代。否则只有刷榜,没有迭代。


举个理论上的例子,强化学习,里面的道理蛮深刻的。一种方式是在一件事上走很远很远,拿到更完整的 feedback 后再 update 一次参数。另一种是小步快跑,保持高频迭代。长期看,后者的结果更好。


所以无论是训模型,还是安排研发规划,我们都非常关注迭代速度。得保证足够快的迭代速度,同时方向要对。迭代方向要对,就一定得有用户。否则你对着 benchmark 迭代,是非常危险的。


02

和 Seedance 错位竞争,

把重心放到「创作」后用户涨了 8 倍


Q:在找真实用户闭环这件事上,大模型来临之后,商汤对于想要给用户什么,经历过一个 reshape 的过程吗?


林达华:我们并没有在两三年前就有一个宏大、精准的战略判断。商汤的路是走出来的,不是想出来的,这一点我觉得非常重要。


汤老师(汤晓鸥)说过,这是一个登山的过程。你不知道登到峰顶会看到什么风景,也不知道一公里后岔路口在哪里,但你不能天天只想着这些,得先往前走。他在一次年会上说过,走好脚下的每一步路,最终会到达一个比现在更好的地方。


商汤有一个很强的认知,是以科学规律的方式尊重年轻人的创造力。很多产品和技术团队都被允许用少量资源,去做一些徐立和我都不知道的事。我们知道他们在做我们不知道的事,很多惊喜就是从那里出来的。


我们不会预判一定要重投 A 还是 B,看的是这个产品如果真的做好了,会不会有很好的自然增长,那时才加大投入。不会因为领导意志,把一个不成熟的产品强行推到它不该在的高度。它成熟了,我们助力一把,让它更快地滚动起来。


商汤最早做的大模型产品不是今天的小浣熊和 Seko,是 2023 年初推出的对话产品「商量」。当时「商量」的构建和其他聊天产品非常接近。有一版做好后,我给我太太试用。她当时在外地出差,问的第一个问题是,附近 5 公里有哪几家值得推荐的饭店。


用户大部分对话不是问这张照片里是猫还是狗,是生活里遇到的具体问题,去哪个医院看病、去哪儿吃饭、开车去某个地方怎么走。要回答这些问题,模型只是一个加工器,它还需要大量的信息输入。商汤没有做搜索引擎,也没有大众点评这样的数据。


所以 2023 年底,我们就判断聊天不是我们的战略重点。


当时,徐立设立了大模型产品事业群 CNI,Content and Interaction,他认为模型带来的变革,一个是内容,一个是内容交互方式。内容又分两种,工作内容和娱乐消费内容。


于是有了以办公为主的小浣熊,和视频创作平台 Seko。最近所有大厂都说要做办公,我们两年前就开始做了。


Q:字节、腾讯、阿里都在下场做办公,有流量,也有飞书、钉钉、腾讯文档的用户基数。商汤小浣熊的钱,未来会不会被大厂赚走?


林达华:如果固步自封,或早或晚一定会被上游或下游挤压掉,这毋庸置疑。


大厂把办公当第一优先级、投入巨量资源和流量。所以我们不会在当前阶段用自己的劣势去打大厂的优势,我们没有那么大的流量池。


但办公 AI 的最终目的是创造价值。帮用户处理文书、写几个 PPT,是相对浅层的工具型价值。微笑曲线的一端是资源,一端是出口,中间的工具经常被两头挤压。只是两头怎么挤,总会有填不满的缝隙,给工具留下生存空间。


这里的核心点是,以最终价值为依归,你如何打穿整个行业。我们会发现,哪怕是最顶尖的模型,真正去处理具体问题时,也有很多不完整的地方,关键是你得有闭环。闭环会使得你认知成长的速度,比基模能力成长的速度更快,你就总能找到下一步的空间。


Q:今年年初 Seedance 2.0 出来时,Seko 是什么处境?


林达华:我们当时非常迷茫,甚至想过要不要做下去。我去见投资人、参加行业会议,所有人都问同一个问题,你和 Seedance 有什么区别?你做得过它吗?


坦率说,单拼视频模型的生成质量,我们比不上 Seedance 2.0。它是字节重金投入的巨大模型,生成的片段是电影级别的,Seedance 真的做得非常好。


后来我们想清楚了一件事。我们接触了大量下游创作者,他们最终要出的不是 30 秒的片段,是 100 集的短剧。从 30 秒的好片段到 100 集短剧,是一个完整的创作过程,需要考虑剧本、分镜、人物原型、人物动作,是一整套创作者自己的思考和创作过程。你先把这些东西都完成了,再用 Seedance 把它渲染出来。


所以在我们的体系里,Seedance 或者其他模型,都只是视频 generator。


我们理解的创作和生成是完全不一样的概念,创作要比生成大得多,空间也大得多。我们专注打造一个好的创作过程,把理解生成统一、图文交错思维这些技术亮点,以及跨剧集人物形象的一致性融进去,再借助 Seedance 的渲染能力,就形成了非常明显的区分。


今天行业基本也认识到,直接拿 Seedance 做端到端的影视创作,还有很多事要做。大部分人没有足够的 know-how 把整个体系搭起来,Seko 给的就是这个体系。


想清楚这件事之后,Seko 反而保持了很大的生命力,今年用户增长了 7 到 8 倍,也开始赚不少钱了。所以 Seko 和 Seedance 不是谁替代谁,而是相互错位的关系。


03

训模型,

跟在美国后面「拼手速」没有复利


Q:如果看模型层面的竞争,过去一年中国大模型走出了一条跟美国截然不同的开源道路。DeepSeek、Kimi、千问等的中国开源模型,已经能够把美国顶尖闭源模型拉下来打一打了。为什么开源会在中国演变成这样一条主流道路?


林达华:这个领域里的人,很多同行都是很好的人,但做开源肯定也有自身利益出发的考虑,开源正好把这两者理顺了。


开源免费,可以自己拿下来部署,比闭源更容易获得影响力。在今天这个时代,影响力的价值非常高。


之前我在上海人工智能实验室推动开源时,作为科研机构没有要赚钱的压力。但在公司,所有技术负责人要去推开源,一定会被公司管理层追问,「你开源为什么?能给公司营收带来什么?」你说能带来口碑、吸引人才,这些都没法写进定量公式里算出营收。因为算不清这笔账,早期很多公司对开源是很犹豫的。


转折点是 DeepSeek。DeepSeek 开源之后带来了巨大的影响力,所有公司都看到了,在今天这个时代,开源是获取行业影响力、尤其是初创公司拉升估值最直接的路径。拿着这个影响力,团队可以去募资、可以吸引顶尖人才。当公司都从各自利益出发选择开源,客观上就促进了很好的开源生态。


Q:当 DeepSeek、Kimi 等团队都走向开源之后,大家发现国内模型的迭代速度和表现似乎都变得更好了,这有逻辑关系吗?


林达华:有一定的逻辑关系,开源促进了技术的传播。


模型的迭代是怎样的过程呢?真正拿数据训出最终那个模型,只占模型研发成本的 1/10 左右,剩下 90% 是做各种实验,试各种配方和技术。开源、开放权重让技术更快地流通,团队在做实验时就能从社区最新发布的技术里,挑觉得最有可能的去做实验、做适配,找到最前沿、最好技术的速度就明显加快了。


这也是为什么按钱的投入总量来算,国内大模型的资金投入和美国差距很大,却还能追得这么近。中国人非常聪明,一旦知道某件事是通的,把具体技术方案找出来非常快,最怕的是不知道路在哪里。


Q:美国的顶尖模型是闭源的,也不公开完整的技术细节,为什么只要知道他们「走通了」,国内团队就能这么快把方案试出来?


林达华:因为很多技术原理是相通的,大体技术方案大家都有一定猜想和设想。


比如 2025 年 DeepSeek-R1 出来,验证了基于可验证奖励的强化学习(RLVR),也就是不断靠对答案来做强化学习。在这之前大家试过五花八门的方法,等 R1 论文发出来,虽然有部分细节没有完全写,但大体方向已经有了,其他团队只需要针对性地做若干次实验把剩下的细节填上,这条路就走通了。


再比如最近的 GPT-6,社区普遍猜测它用了 Recurrent Transformer,一个 Token 在网络里走几圈再出来。这在之前还是很学术的探索,现在 OpenAI 已经把它放进旗舰模型了,说明被验证了。具体方案很多学术论文都有,剩下的就是去把细节 figure out、再 scale up。


另一个是在具身智能上。以前大家觉得做具身智能必须做 VLA 或者近期讨论的 World Action Model,没人敢相信直接拿一个大语言模型去驱动机器人能行。


结果现在大家看到 OpenAI 往旗舰大模型里灌了大量具身数据,对机器人的驱动效果非常好,直接给整个具身行业带来了很大冲击。那么,接下来所有人把资源投进去,收集具身数据、训到一个大一点的 LLM 里。


我相信可能几个月,就能追到它八九成的水平。因为路看清楚了,而且有一个大概有谱的方案,你不需要为 100 种方法做实验,只需要为这一种做实验。


Q:按这个逻辑,中国是不是永远只能亦步亦趋,跟在美国身后做跟风式创新?


林达华:确实有很多公司在这么做,拼的是什么?拼手速。


美国出了一个新东西,看谁能在最短时间里做出一个中国版的同类方案,去抢占国内的生态位。


但说实话,拼手速蛮累的,因为别人也在拼。OpenAI 或 Anthropic 出一个新技术,国内两三个月内会冒出一堆宣称用了这个方案的东西,不管完不完善,先去抢生态位。如果只有一家抢,生态位可能就给它了。结果有 10 家在抢,就像现在的 RSI,也是一堆人在做。


我不是说这不好,沿着美国开拓的主流路径做优化和创新,效果立竿见影,在应用和生态层面打下了正面的基底。但大家看好一个东西就全部涌进去,这件事上没有形成长期价值。一个公司的长期竞争力,不是靠不断跟风,是靠持续的复利。在一条路上走得足够长、扎得足够深,别人很难在这条路上做到你的高度。


难的是,当你选的路不是市场上最热门、最主流的那一条时,你能不能坚持住自己的信念。如果未来中国要在国际科技竞争里有更持久的贡献,肯定还是得走出一些自己不一样的东西。这也是汤老师当初建立商汤时的理想。


比如 DeepSeek 的大范式虽然还是标准的 LLM 范式,但它在架构层面下的功夫,我非常佩服,下得非常深。他们在 Infra、架构的极致性能上做了非常深入的工作,所以 DeepSeek 的模型在 LLM 架构效率上非常突出。


04

蒸馏时代已经过去,

现在的瓶颈是创造新问题


Q:今年行业里争议最大的一个词就是「模型蒸馏」。西方有声音认为,中国模型追得这么快,是因为蒸馏了他们的模型。


林达华:现在训练 Agentic 模型,要构造大量轨迹,记录模型完成一个复杂任务的全过程,长度动辄几十万、几百万 Token,不可能靠人一个个 Token 写出来,也很难用脚本构造。正在训练的模型还不具备很强的 Agentic 能力,就一定会借用其他模型来构造训练轨迹。


而且不是单靠一个模型,是很多模型经过一段时间迭代、形成的性价比最优组合,里面有国外的,也有国内的,但更大比例是自家模型或国内开源模型。


Q:国外模型也会蒸馏中国模型吗?


林达华:会的。他们也会用复杂的 system 构造思维链,里面可能用到 DeepSeek、千问、智谱,用什么很难说。他们不会公布技术方案,但也有迹象表明,某些轨迹里有国内模型的痕迹。这不是说他们抄了国内模型,就是构造某些轨迹时,用某个中国模型会更理想。


Q:如果完全不用别人的模型,第一性原理的做法是什么?


林达华:找这个行业、这个领域的专家,一个字一个字写出来。这是最高级别的蒸馏,只是贵。美国实验室也曾经高薪请过很多行业专家来写这些东西。用模型来构造数据,核心就是让数据构造的成本降下来。


Q:有业内说法是,下半年开始,美国模型越来越难蒸了,思考过程不再完整地摊开,逼着国内团队必须找大量人类专家去反推和补齐中间的推理空白。这会卡住国内模型的迭代速度吗?


林达华:目前行业好像也没有因此放慢迭代,每个月照样出两三个新模型,性能提升也很快。说实话,我觉得已经过了所谓蒸馏的时代。


模型学习有几个阶段。最早是预训练,把互联网上所有文本、arXiv、Common Crawl 全部爬下来学。后来出现所谓的数据枯竭,能爬的都爬了,再多爬一点也没什么增益。


然后有了思维链,构造一步步解题的过程,让模型学到思考的 pattern。在 2023 年做传统 SFT 的时候,网上爬一堆 QA 填上答案就能训,一条数据的成本只有几分钱、几毛钱,跟预训练相比几乎可以忽略不计。到了后来做能解数学题的 Reasoning 思维链,采一条轨迹的成本涨到了几十块钱。


到今年,大家要让模型完成具体任务,也就是 agentic task。现在复杂任务的长轨迹,构造成本到了几千块钱一条,相当于请一位律师工作两个小时,把他的思考过程一步步写出来。


过去储备的题目,思维链基本都已经用完了。接下来,核心瓶颈在于要产生新的问题。可能要构造几千个、几万个甚至几十万个真实的工作环境和场景,让模型在里面自己去探索、去学习、去完成任务。


Q:低处的果子摘完了,高处的果子要靠人去构造真实环境,中国在这件事上有优势吗?


林达华:有。我们的生活和产业 diversity 非常丰富。


而且做这件事的瓶颈不是算力,是人力。中国有全世界最丰富的工程师资源,只要这些人从原来的本职工作转向构造这些环境,就有可能形成相对于美国的某种战略优势。关键看中国公司能不能把这个优势充分用起来。


05

我们在空间智能里发现了「反 Scaling Law」


Q:既然跟风拼手速没有长期复利,回到商汤自身的研究布局,今天判断一个研究方向值不值得做,你最看重什么?


林达华:我始终觉得,得有一些更 fundamental 的东西。它不一定叫理论,也不会追求用多复杂的数学公式去解释,但当我们要解决一个完全不一样的问题时,必须追问最原理的东西究竟是什么。


我不会只停留在拿现有方法调一调数据、调一调参数。当一个问题现有的方法做不好时,我要一路追回去看为什么做不好。


举个例子。商汤自己也做模型、做产品,但直到今天,商汤依然有 20% 的资源投入在没有任何产品作为出口的预研性、前瞻性研究工作上的。空间智能就是其中之一,我们去年开始做,今年年初发了几个在空间智能上表现很不错的模型(注:SenseNova SI)。


Q:为什么当时会选空间智能?


林达华:我们内部大量讨论过一个问题,究竟有什么事情是 GPT、Gemini 这些模型做不好、做不了的?


我们去测,测完还要再问深一层,这些当时做得不够好的方向,是不是只要加点数据就好了?如果只是因为 OpenAI、Google 或 Anthropic 还没把这块数据加进去,沿着它们的路再加点数据就能做好,那这个方向可能有应用价值,但肯定不具备支撑原理性创新的基础。


只有一件事,我们发现非常反常。当时大家信奉 Scaling Law,模型参数越大、数据越多,任务表现就越好。


但在空间智能的某些任务上,我们发现了「反 Scaling Law」:数据越多、模型越大,做得反而越差。


Q:是什么任务?


林达华:发现空间智能的一个表现叫视角转换(Perspective-Taking)。假设说我现在看见这个东西,如果换个角度看,或者走远一点、拉近一点看,看到的有什么不一样?


人对这件事是有天然判断的。我走远一点,会预期视野里的物体变小,视角变了,看见的东西也会跟着变。


但当时所有的多模态模型,包括早期一直在做原生多模态、表现已经算最好的 Google Gemini,对不同的 scale、perspective 和 view 都没有概念。


模型只是记录了大量图像跟语义之间的联系。比如这是一只黑羊,走远看是黑羊,走近看也是黑羊,它知道这是黑羊。但它没有「换个角度看,这只黑羊会长得不一样」的 sense。


我们试过,是不是这块数据灌得不够?于是继续往里面灌更多相关数据,结果越来越错乱。因为在这些数据没有建立空间联系的情况下,加越多数据,越会强化它的语义联系,模型会越来越依赖物化的语义去解释它所看见的一切。数据越加越多,这种语义先验的固化就越强。


那段时间我很喜欢举一个例子,现在最新的模型可能已经 fix 掉了。拿一张有 6 根手指头的照片给当时的主流模型看,我们测过 GPT、Gemini、Grok,它们全都会回答里面有 5 根手指头。因为模型的第一反应是「这是一个手掌」,它在语料里看过 10 万次「手掌应该有 5 根手指」,就会脱口而出 5 根手指。


这是一个很根本的问题。模型只依赖语义的翻译,再基于这个翻译去做后续的推理。


Q:您是 CV(计算机视觉)出身,早期在 MMLab 做了很多视觉工作,后来又第一时间去做了 LLM 预训练。现在看做语言的和做视觉出身的研究者,关注点还有区别吗?


林达华:已经交融得非常深了,很难再区分谁原来是做 LLM 的、谁原来是做 CV 的。很多原来做 CV 的学者现在在做 LLM,也有原来做 LLM 的人转去看空间智能。


我反而注意到另一个变化,每次在行业会议上问朋友今年在做什么,答案往往和去年不一样,大家转换方向的速度太快了。


在过去偏学术的时代,一个方向能坚持更久,因为领域的风向没有那么极致。今年上半年,大家觉得 coding 最重要,不做 coding 就落后了。到了六七月,GPT 出来一些很好看的 3D 效果,大家又觉得该做 3D rendering。哪怕像智谱这样一直很专注做 LLM 的公司,最新版本也有一些三维 rendering 的例子。很多人都在顺着潮流不断调整自己的方向。


研发迭代的节奏也受到很大冲击。大量资本和商业因素涌进来,大家都以两三个月的速度发新模型,会有非常大的压力。深度钻研一种新可能性的窗口被严重挤压。在这样一个时代,如果仍然能够沉下心去做需要更长周期的探索,是非常难能可贵的。


比如 DeepSeek 不会因为三个月到了就一定要出个什么东西,它有自己探索和突破的节奏。


我们自己做 NEO-unify 这样理解生成统一的架构,也是用了一年时间慢慢铺垫下来的。虽然商汤的资源跟 OpenAI 差着数量级,但无论经营压力大还是小,我们始终保留一定的资源,去做从第一性原理出发认为对的事情。重要的差异化机会就是从中孕育出来的。


今天 GPT-6 的演进方向,恰恰证明了我们提前一两年持续积累的这条路是有价值的,我想很快大家会看到商汤拿出跟行业里其他团队不一样的东西。


06

科学家创业,

要学会持续赚钱


Q:一个月前商汤发布了半年报,市场上讨论很热烈。官方口径称之为首次实现盈利,也有媒体强调经调整后仍亏损。如果要向外界坦诚解释商汤到底赚钱了没有,您会怎么回答?


林达华:我们可以动态地看这件事。不同的财务口径下,有的口径已经实现了盈利,有的口径表现为亏损大幅度收窄。但无论用哪个口径看,商汤整体的盈利状态在持续变好,这是一个非常 solid 的事实。


比起用各种财务手段在某一个单点做到账面盈利、明年又亏回去,我们内部真正关心的是商汤这家公司是不是变得更健康、更有生命力了。


拿我们的「1+X」战略来说,无论是 AI 1.0 时代还是今天的大模型时代,总会不断冒出新的行业落地机会。但培育任何一个新行业方向都需要时间,中间必然要经历一段亏损期。只有两种选择,做或者不做。


如果不做,就砍掉,可能错失一件事经过短期亏损后长成参天大树的机会。如果做,又承担不起那么多业务线带来的巨大财务负担。


商汤很多产品团队、研究团队真想把事情做好,所以要资源时也比较 aggressive。如果在集团内部做,他可能会找领导要 50 个人。但我们说,你要变成一个在市场上独立生存的公司,我们帮你融资,你要带几个人出去?他说,5 个人。


市场的竞争很严酷,但对创始人是很好的成长,业务也会更健康、更有活力,不是纯粹要资源,去做一些自己没想清楚长期价值的事。商汤也持有这些公司的一部分股份,获得了不错的收益,整体抗风险能力变得非常强,也就有了更好的空间去试错,去做有长期意义的事。


Q:商汤被称为 AI 行业的「黄埔军校」,比如闫俊杰出去做了 MiniMax。为什么这样的事不能在商汤内部发生?


林达华:其实是一脉相承的。我们传承了汤老师非常开放的人才观。先说我自己。当年汤老师招我去港中文读书,他说愿意让港中文成为我学术生涯的一个驿站,甚至一块垫脚石。他的目标是我在那里待两三年,做出好的工作,然后推荐我去 MIT。最后也兑现了。


商汤内部孕育了很多优秀的人,这说明商汤内部的环境有活力。你会发现,从商汤体系走出去的人,都有一种在剧烈变化的时代里自己找准生态位的生命力。汤老师说过一句话我觉得非常好:life will find its way out,生命自寻出路。最后走的不一定是最初想的那条路,但它会找到继续发展的空间。


Q:商汤成立早期,行业里最爱讨论「科学家创业到底行不行」。到了今天这一轮大模型浪潮,科学家和顶尖研究员创业反而成了主流。一个人能同时是好的科学家和好的创业者吗?


林达华:我没看到本质上不能并存的逻辑。但研究出身的创业者,一定要打破自己在研究领域的固有认知。


青虬出来创立墨奇智能之前,专门在办公室旁边的餐厅请我吃了顿饭,征询我的建议。当时我就跟他聊到,从一个研究做得很好的科学家,走到一个能在业务上拿到大结果的 CEO,有几道坎要过。


第一道坎,是从技术认知走向产品认知。很多做研究的同学会觉得,我的技术很牛,你应该用我。但用户觉得,你不解决我的问题,我为什么要用你?拿着锤子找钉子,是非常痛苦的。


所以汤老师说同理心非常重要。易地而处,对方也背 KPI、有营收压力,你不解决他的问题,还占他的时间,凭什么?这是从自己的 ego 出发,转向理解别人的需求。


第二道坎,是从有用到赚钱。AI 1.0 时代做的大部分项目都是有用的,只是最后算账,投入比收入多,那就是亏损。把有用的技术变成算得过账的商业模式,是今天所有高速增长的大模型创业公司都必须补上的一课。


第三道坎,是从赚钱到持续赚钱。尤其在中国,你赚钱了,别人会觉得这钱我也能赚。大家都进来,抢客户、打价格战,本来 5 块钱的利润压到 1 块。客户也会再拉一家供应商,因为不能吊死在你这棵树上。得形成更稳固的生态和持续的竞争壁垒。


这几个问题都不容易,在商汤也不是每个问题都有很好的答案。


很多成功的教授创业,教授本人是不当 CEO 的,CEO 往往是他的学生或者他培养起来的年轻人,比如香港的两位教授是非常典范的,一位是汤老师,另一位是支持学生创立大疆的李泽湘教授。


因为教授内心最大的理想往往是去孕育人、成就人,当这棵树开枝散叶的时候,整个体系的韧性和生命力反而最强。


Q:商汤内部是怎么维持创新活力的?


林达华:我现在内心有一个很大的愿景,就是把我们团队打造成中国 AI 的「梦之队」。商汤研究院的薪资绝对不是业内第一,甚至和字节有差距,但离职率在业内非常低,很多人来挖也没挖走。


最核心的原因是我们花了大量时间去塑造研究文化。在一个优秀的团队文化里,所有人是为了实现一个共同认可、有挑战性、足够前瞻的技术理想而工作,不是为了在内部赛马中把身边的小伙伴比下去。


我可以非常自信地说,商汤研究院内部的「部门墙」几乎到了不存在的程度。研究院底下虽然有十几个略带不同侧重的二级部门,但我们几条大的主线研发方向,全部是跨若干个二级部门完全混编在一起推进的。


很多媒体在报道腾讯、阿里等大厂开始把多模态团队和语言大模型团队合并,在外部看来这是个很大的组织动作。但这件事我们在 2024 年年中就已经自然而然地完成了,因为大家认同一个模型应该同时做多模态任务和语言任务。后来做理解生成统一,原来的生成团队认同这个目标后,也很快形成了一条几十人的主线方向。


我们甚至完全没有动过他们的行政组织架构,你原来在哪个部门还在哪个部门,但只要认可同一个技术愿景,大家就无缝混在一起干。


很多创新出现在跨越领域边界的时候,这需要一个没有壁垒的组织来保障。商汤的资源未必是业内最多的,但在这块上有非常优秀的组织基础。


07

语言不是智能的全部,

RSI 只是智能成长的一种手段


Q:回到智能本身,过去很长一段时间,大模型是以 LLM 为核心驱动的,行业里也有不少「LLM 派」认为语言就是通向智能的那把钥匙,加入越多模态反而会拉低模型的智商。您怎么看这种争论?


林达华:某种意义上,这话不能说完全不对。真正意义的原生多模态,做到全模态输入、全模态输出,是一件极难的事,直到今天它的天花板依然非常高。


语言大模型经过这几年的发展,已经积累了非常明确的工程先验经验可以借力,所以往前跑的速度更快。


多模态不会天然拉低智能,只是要探索出一条把多模态和语言放在一起且不折损智能的道路,需要付出相当大的代价和时间。


Q:这背后是更底层的问题,AI 到底怎么理解世界、怎么获得智能。


林达华:我接触做 AI 研究的朋友,对这个事情是有不同的认知的。


确实很多人认为语言是核心。因为它走得更快,在产业界获得的关注也更高,这是一个事实。


还有一些长期做底层视觉的年轻学者会说,人类在没有语言、没有文字、没有编程之前,就已经能靠视觉观察和五官感受去打猎、养活自己了。


如果从极致的第一性原理去追溯智能的本源,智能的本质就是人跟这个世界的交互,通过声音、视觉、嗅觉、触觉这些感官。所以有同学说,干脆做纯视觉的智能,连语言都不要。


对纯视觉智能我是有所保留的。我非常认同,语言的智能密度更高。人在发展语言的过程中形成了一套符号体系,把最重要的知识结构化之后注入到了语言体系里。语言是人类演进提炼出来的高水平载体,智力密度和效率都是最高的,写程序、做逻辑思维时,语言的效率远高于其他模态。


我只是认为,LLM 能够把智能推到很高的高度,但单靠语言是不完整的。比如你置身一个繁华的闹市,和置身一片寂静的山林,感受很不一样,但你很难用一万字把周边的环境说清楚。我窗外这片公园,每一片树叶、每一朵花、每一处纹理,没有办法用语言表达出来。


我们最近有项工作在投 ICLR,提出了一个频谱的概念。语言蕴含的是高频、高密度的信息,但还有很多信息没有经过语言的浓缩,和语言形成了互补。


举个很简单的例子。拍一张人的照片,交给最好的多模态模型,让它写 2000 字尽可能详细地描述这个人的相貌,再拿生图模型把它画出来,画出来的绝对是另一个人。


这个人的画像里有一些决定他身份的精细视觉特征,是语言根本无法承载的。人在真实环境里生活,不需要跟每个人描述你太太和孩子长什么样,让人看一眼就行了。在这些事情上,图像传递信息的效率远远高于语言。


有些事语言的效率更高,比如写程序、做逻辑思维。有些事图像的效率更高,比如审美感知、空间结构的快速判断、精细视觉特征的传递。只有把它们有效融合在一起工作,才可能长出更完整的智能。


Q:用这个标准看,这三年多来大模型驱动的智能走到了什么状态?


林达华:发展非常迅速,但也是不平衡的。


它在数学、编程,以及能写成文字和程序序列的长程任务上,模型已经超越了普通人。最近 OpenAI 和 Anthropic 在数学竞赛里的表现,甚至超过了人类的顶尖水平。


但空间和物理智能还处在相对早期。机器人比以前快了很多,但依然只能做简单的动作。数字空间里的 AI 已经能帮你处理很多事,但如果你让一个机器人把今天访谈现场的拍摄设备全部设置一遍,可能还不具备这个能力。从数字智能走向物理空间,还有很多工作要做。


Q:站在当下看智能的未来,怎么让智能继续拓展边界、获得最快速的成长?对于现在很热的 RSI(递归自我改进),你怎么看?


林达华:智能当下最重要的事,是能不能继续拓展它的边界,往宽度或者往深度。


宽度上,就像前面说的,我们希望拿出真正的认知,说明语言以外的模态在智能里扮演什么角色,它和语言的边界与互补性在哪里。这个认知会在很大程度上定义未来智能的发展,决定大家该把资源和力量投在哪里,才能获得超越现有边界、更完整的智能。


深度上,是怎么让智能获得最快速的成长。现在有个很热的词叫 RSI,recursive self improvement。我想说的是,RSI 只是智能成长的一种手段。


很多人可能没有理解 RSI 的瓶颈。从人训练模型,变成模型自己训练自己,带来的变化是训练过程更自动化了。但自动化最终的收益是什么?是少做点实验,还是把人的精力释放出来?


进化依然需要获得足够多的观察和实验。现在最大的问题是,获得这些观察点、实验点依然很昂贵,要跑训练、跑实验、跑大量数据。但人自己的进化非常快。我掌握一种新技能,并不需要一次完整的 full-fledged 训练,我有基本的常识。


机器的能力很强,但真正回到进化、学习和进步这件事上,当前的 AI 离人还有非常大的距离。这背后的秘密一旦被破解,会很大程度上重塑今天 AI 发展和竞争的格局。


当我们找到一种像人一样更高效的进化方式,也许才能逐渐触及智能真正的边界。按照现在这种很粗放的方式,我们可能会耗费大量资源,最后面临轨迹爆炸。现有路径是不是一定能走到我们期待的终点,我觉得仍然存在一些问题。大家基于当前的发展还没见顶,认为还有外推的空间。但外推究竟能推多远,我觉得不一定是无限远。


文章来自于"Founder Park",作者 "Founder Park"。

AI转型,免费服务,就找AITNT
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

2
AI搜索

【开源免费】MindSearch是一个模仿人类思考方式的AI搜索引擎框架,其性能可与 Perplexity和ChatGPT-Web相媲美。

项目地址:https://github.com/InternLM/MindSearch

在线使用:https://mindsearch.openxlab.org.cn/


【开源免费】Morphic是一个由AI驱动的搜索引擎。该项目开源免费,搜索结果包含文本,图片,视频等各种AI搜索所需要的必备功能。相对于其他开源AI搜索项目,测试搜索结果最好。

项目地址:https://github.com/miurla/morphic/tree/main

在线使用:https://www.morphic.sh/