出品｜虎嗅生意蹧跶组

作家｜苗正卿

题图｜虎嗅拍摄

5月8日，在海淀大恒科技中心的阶跃星辰北京办公地，阶跃星辰首创东说念主、CEO姜大昕身着深色西服、蓝色衬衫出面前阶跃星辰北京办公地的会议室里。他保抓了一贯的作风，如二十一年前在新加坡南洋理工教书时，像淳厚一样在屏幕前坦然地敷陈我方对于多模态模子行业的判断。这里距离姜大昕上一个东家微软的中国办公地微软大厦仅有504米，在2023年创立阶跃星辰前，姜大昕是微软全球副总裁。

"多模态模子界限面前还莫得出现GPT-4时刻。卡点是通盘行业衰退多模态界限的和会生成一体化架构。有了这个架构，才能基于此通过海量的图片视频去作念预锤真金不怕火+请示随从，最终演变为世界模子。"姜大昕说。

"和会生成一体化架构"不单是姜大昕的技能判断，也正在影响这家公司的走向。

虎嗅独家获悉，近期阶跃星辰里面，进行了算法小组内的微调：原来阶跃星辰里面团队分为生成小组和和会小组，而这两个小组如故整合为新的"生成和会"团队。

姜大昕向虎嗅示意，这一调遣，如实是基于"和会生成一体化架构至关迫切"这个判断。

虎嗅获悉，面前阶跃星辰的运转以三个男东说念主为中枢：

姜大昕 阶跃星辰首创东说念主、CEO 安稳公司举座战术、技能研发

张祥雨 阶跃星辰首席科学家 安稳公司技能研发

朱亦博 阶跃星辰的系统安稳东说念主，全面安稳 AI Infra 设立与AI框架优化 

此外，阶跃星辰通过开源和ToB合营，无间丰富我方的生态矩阵。虎嗅获悉，阶跃星辰里面绽放平台部门主要面向外部开发者，提供阶跃基础模子的API接口；生态部，则主要安稳与品牌客户的战术合营。这两个迫切的部门由阶跃星辰VP李璟安稳。数据自大，2024年下半年阶跃星辰多模态 API 的调用量增长了超 45 倍。

面前阶跃星辰职工主要有400余东说念主，其中80%为技能研发东说念主员。这些东说念主散播在上海总部和北京办公室。每周，通盘技能关系职工都会参加固定时期的协同会，以拉皆共鸣。在公司里面，还有见闻共享群，通盘职工不错随期间享我方对论文和家具的看法。值得阻抑的是，在这个群里，还接入了阶跃星辰的Agent，比如有职工把OpenAI最新的论文发到群里时，这些Agent会自动梳理出重点、完成翻译或者给出节略考语。

和部分基础模子公司作风略有不同，阶跃星辰里面氛围更为扁平绽放。阶跃星辰的一线职工不错随时与姜大昕私信同样。有里面东说念主士告诉虎嗅，姜大昕能记着公司内一线职工的名字，也很少"PUSH"职工，秉性相比绽放。一个细节是，多个阶跃星辰职工桌面摆入部下手办、二次元公仔，在午休时刻有男职工欢跃地吃着甜品看B站番剧。据悉，阶跃星辰里面还有多个社团，比如羽毛球社、飞盘社等。

限制2025年5月，阶跃星辰主要通过通过面向品牌客户的ToB作事和面向开发者的API接口业务得回收入。但由于在创立后阶跃星辰并未像其他头部模子公司一样选择"投流"策略，其主要老本是东说念主力和堆卡。2024年12月，阶跃星辰文书完成了B轮数亿好意思元融资。和一些"AI六小虎"不同，阶跃星辰一直在作念具备多模态能力的基础模子，它亦然限制面前"六小虎"中少数尚未撤废预锤真金不怕火的公司之一。

姜大昕坦承，基础模子的竞争是强烈的。在往时半年里只是OpenAI、Google、Meta、Grok、Anthropic五家就发布了不少于8款新品；而国内月之暗面、MiniMax等厂商也在时常发力。"竞争相等强烈 ，追求智能的上限仍是当下最迫切的事情。"姜大昕说。

5月8日，姜大昕共享了对多模态行业的最新和会以及对阶跃星辰畴昔的规划。

 -----------以下为姜大昕招揽访谈的内容----------

大家也能感受到，大模子这个界限发展得相等快。 2 月份以来外洋的头部几家作念基础大模子的公司相等密集地发布了一堆的模子，是以有媒体说他们是"贴脸发布"，也能感受到竞争诟谇常强烈的。

通过这些发布咱们其实不错感受到一个趋势："追求智能的上限"——咱们认为这仍然是当下最迫切的一件事。如果透过这些头昏脑胀的发布咱们再多不雅察一下发布的模子的特征也不错整理出一个主流的技能条理和共性的法例。

从宏不雅上来讲，咱们看出模子的发展是沿着这样一条智能演进的路子往前进化的：模拟世界、探索世界、归纳世界。

咱们也不错感受到脚下的发展，主要呈现出两个趋势。第一个趋势是，从效法学习到强化学习，其中一个关键点是从多模态和会走向了多模态和会生成一体化。

在作念模拟世界这个阶段，主要锤真金不怕火的范式叫效法锤真金不怕火，等于咱们把互联网上通盘海量的数据都喂给大模子，通过一个任务叫 predict next token 让这个模子从海量数据当中去它的结构和它的特征。在这个阶段学习的主要的推敲是各式模态的表征，咱们看到有语言、声息、图像、视频一直到复杂的 4D 时空的物理世界，里面的中枢问题是咱们如何能用深度的神经集中去长入抒发这些检朴单到复杂的各式模态。

这是第一阶段，咱们学会了表征世界，下一步等于让培养机器搞定复杂问题的能力，比如说让它解一个数学题，让它写竞赛题的代码，这种问题需要长想维链，需要一个相比长的想考的历程，对于复杂问题求解，东说念主脑需要的一种慢想考的能力。咱们每个东说念主在解一说念复杂的数学题的时候不时不是一口报谜底，而是会把这个题瓦解成多少个法子。如果发现一启动的想路不正确的话，还会尝试其他的搞定措施。如何让机器学习慢想考的能力呢？接纳的措施等于强化学习，强化学习其实大家也不生疏，2016 年的 AlphaGo 接纳的等于强化学习的措施，最近的在大语言模子的界限出现的一些推理模子，比如说 OpenAI 的 O1、O3，以及 DeepSeek 的 R1 背后等于强化学习的技能。

但这还不是智能的至极，下一个阶段等于归纳世界，机器粗拙通过自主学习主动发现东说念主类尚未发现的物理法例，不错在生物、核能、材料、量子遐想各个界限和科学家沿路去完成革命，这个阶段咱们把它叫作归纳世界。咱们看到模子的演进是循着这条路子在往前走。

旧年 8 月份的时候，从 OpenAI 流显现了 AGI 的 5 个 level，治服好多东说念主都听过，从 Chatbot 然后到 Reasoner、Agent、Innovator 和 Organization，如果咱们去读 OpenAI 被每一个阶段所描述的界说会发现，其实这五个 level 和咱们的三个阶段的逻辑是一致的，只是表述的措施不一样费力。

往时两年咱们看到通盘行业的模子进化基本上等于顺服了这样一个路子：从单模态到多模态，从多模和会到和会生成一体化到强化学习。

咱们也看到跟着模子能力无间的增强，模子的诳骗也发生了变化。比如说在最早期的时候，相比流行的诳骗是各式万般的聊天机器东说念主，然后有了 Agent 以后咱们就不错用它来解数学题，下一步进化面前诟谇常火热的 topic 等于智能体。智能体咱们治服终将从数字世界走向物理世界，冉冉蔓延到智能驾驶和东说念主形机器东说念主这些界限。咱们看出诳骗其实跟模子的能力是匹配的，有什么样的模子决定了有什么样的诳骗不错被解锁、不错熟识和慷慨。

刚才咱们先容了一下行业的趋势，回到阶跃，阶跃的发展亦然围绕着前边的路子图。

在往时的两年时期里，咱们建立了一个 Step 系列的通用大模子的矩阵，这里咱们率先把基础模子分红了语言模子和多模态模子。在国内的大模子公司里面，像咱们这样意思模态的全障翳而且坚抓原生多模理念的公司并未几，但阶跃从一启动就遥远认为多模态对通用东说念主工智能相等迫切。有一句话我也在好多表情不停的重叠：咱们认为多模态是竣事 AGI 的必经之路。

我再多证明注解一下为什么咱们的信仰是这样的，率先是 AGI 对标的是东说念主类的智能，东说念主的智能是多元化的，每个东说念主除了有来自语言的符号智能，还包括视觉智能、空间智能和畅通智能等等，这些只但是需要通过视觉和其他模态来进行学习的。是以咱们认为，在多模态界限任何一个标的出现短板都会减速竣事 AGI 的进度。除此以外，除了从 AGI 自己的表率和界说来说，如果咱们从诳骗的角度来看，非论咱们是作念垂直界限的诳骗照旧作念 C 端的诳骗，多模态都是必不可少的，咱们是需要 AI 能听、能看、能说，这样它才能更好地和会用户所处的环境，而且和用户进行更为天然的同样。面前的大模子公司有能力去全面自研预锤真金不怕火模子，并组成这样一个模子矩阵的，即使是大公司也未几，更无谓说是初创公司了，这是阶跃星辰的一个特色，亦然咱们的一个上风。

下一步的模子会有若何的发展呢？

在预锤真金不怕火的技能模子上加强强化学习，不错引发模子推理的时候产滋长想维链，极地面晋升模子的推理能力。这如故不是新的趋势了，推理模子最早出来是旧年 9 月份的时候，OpenAI 的 o1 的 preview，我印象还很深入，因为刚出来莫得几天，我就去阿里的云栖大会，那时全场阻抑的焦点都是 o1 的 preview。好多东说念主问这个模子意味着什么？那时我还飒爽伟貌地说了一大堆，不事其后的发展照旧和咱们当初的预判是一样的。咱们认为语言模子原来是一个 predict next token 这样的一个模子，它天然也能处理一些复杂的推理问题，但是由于莫得经过长想维链这样的激化，是以它的处理能力照旧相比弱的。如果咱们相比推理模子和阿谁时候的 GPT 范式的模子在推理的问题上作念相比的话，它的差距诟谇常远的。

OpenAI 的 o1 preview 是旧年 9 月份出现的，真实的满血版是它的圣诞发布季第一天，就把 o1 的系数版发布出来了。跟着春节之前 DeepSeek 发布了 R1，我认为这是一个标志，推理模子从一个趋势变成了一个范式，面前咱们再看语言模子基本上是推理模子一统寰宇。

阶跃在本年 1 月份的时候如故发布了一个小的推理模子，咱们叫 Step R1-V-Mini，它的速率很快，推理能力其实也挺强的，超出了那时的 o1 的 preview 的版块，咱们瞻望在畴昔三个月阶跃会发布满血版的 Step-R1。咱们认为，强化学习趋势还会延续非常永劫间，因为还有好多非常想的问题，学术界、工业界都在接头，比如说推理的罢了如何进一步晋升，推理的能力是不是能泛化到更多莫得奖励函数、或者说奖励函数也很难界说的界限，以致包括合成数据如何去生成，如何进行预锤真金不怕火等等，这都是眼放学术界、工业界大家接头相等多的问题，阶跃也会在这方面抓续地插足。

瞒哄在推理能力这个话题里，还有一个点是如何把推理引入到多模态界限。委果地说，正品进口春药商城在视觉和会的基础上，能不行加上视觉推理？

我举一个例子什么叫视觉推理。

比如说我拿出一张球场的图片（上海上港主场），问模子这张图片是哪个地点，是哪个球队的主场？一般的视觉和会会左证在锤真金不怕火数据里见过的差未几的图片告诉你这是什么。但加了推理能力以后，会是什么样的回应作风呢？它会温煦这个图的细节，比如说率先它会看到大的比分牌，因为我在问它这是谁的主场，比分牌上会左证队伍的对标判断出来，这是上港和上海另外一个球队的比赛，它在望望台上的字，比如说看到的红色力量，包括一般来说主场的球迷相比多，会左证球迷的球衣的情绪，再左证下面的告白牌的内容它应该就能判断出这是上海上港队的主场，然后通过球场的顶部的建筑结构粗拙估计出这是上港的畅通场是上海浦东球场。这是把模子的感知能力和模子里面所带来的常识能结合起来，沿路去作念推理，这样一个能力其实比开首先的视觉和会就强化了好多。

在践诺的诳骗中咱们不时会需要这样复杂的推理。

比如说，咱们有一个诳骗是叫巡店，比如说茶百说念和瑞幸在寰球有好多的门店，这些品牌很温煦门店中职工的操作是不是符合范例？以前每一个操作的细节或者是每一个国法是专门要锤真金不怕火一个模子的，因为模子的和会能力照旧相比弱的，没法儿作念推理，面前用了咱们这个模子以后，只消把国法写在它的 Prompt 里，咱们的模子就不错自动作念推理，帮他去检测职工的操作是不是安妥范例，极地面晋升了巡店的罢了，面前准确率粗拙作念到 90%以上。

是以总结一下，第一个大的趋势是：冉冉地把长想维链、推理能力加入到非论是语言模子照旧多模态模子里面。

第二个趋势等于多模和会生成一体化，更准确的说是视觉界限的和会生成一体化。

如果大家听我各式表情讲技能听得多的话，这句话如故听出茧子了，旧年讲到本年，如故重叠了精深次，咱们一直在说和会生成一体化是多模态界限的中枢的问题。什么叫作念"和会生成一体化"，它的界说是和会和生成是用一个模子来完成。大家如果看了文本，比如说文本模子 ChatGPT，它等于和会生成一体化，所谓的和会，等于咱们给出一篇著作让它作念总结或者 Q&A，这等于典型的和会问题。什么是生成呢？比如给它一个中心想想，来帮我写一篇什么样的著作，它写出一篇很长的著作出来，这个叫生成。面前其实是不分别的，在文技艺域非论让它作念和会照旧作念生成，用的都是 ChatGPT 这样的模子。

到了视觉界限就不是这样了，即使是对图片，咱们和会的时候用的是 GPT-4o 这样的模子，或者是在阶跃是用的 Step-1o。那么生成又换了其他的模子，比如说用  Flux、用 Stable Diffusion，阶跃是用 Step image 这样的模子。大家会发现，为什么在视觉界限里，和会是和会模子，生成是生成模子，它是分开的。咱们为什么一定要作念和会生成一体化？因为面前和会和生成是分开的模子。一个实质逻辑是，生成的内容是需要和会来限制的，你为了保证生成的内容口角常旨的、有价值的，践诺上是需要对它的高下文作念一个更好的和会，简便说等于"生成需要和会来限制"。

反过来，和会是需要生成来监督的。Feynman 说了一句话"What I cannot create，I do not understand。"这句话是什么风趣呢？我如何知说念我是真实和会了？唯独当我粗拙生成，生成的时候我才知说念我是真实地和会了，这句话是这个风趣。比如说在语言这个界限，它就很好地体现了为什么和会需要生成去监督。在 ChatGPT 的时候，大家知说念它独一的任务等于 predict next token，它 predict next token 这个历程等于在生成，它在通盘锤真金不怕火的历程中等于看你 predict next token，predict 的对照旧分歧，来作念监督，它就不错一齐和会、生成完成以后再回到框架作念和会，这样一步一步下去，就竣事了天然语言的和会比以前的各式模子出现了一个断代式的超越。是以如果咱们把这个 predict next token 这样一个任务平移到视觉界限就会问，咱们能不行用一个模子去作念 predict next frame？

这是视觉界限的一个灵魂拷问，到面前为止遐想机视觉作念了几十年，落索的是这个问题仍然莫得被搞定。

大家可能问为什么？既然文本搞定了为什么视觉不行搞定？它的原因照旧在于模态的复杂度。大家说语言是很复杂的，但是从统计来说，性药商城语言是一个简便的东西，因为语言至多就十几万个 token，这十几万在数学里面咱们就认为这是一个粗心的散播，是以这十几万的这样低维度的粗心散播在统计上，或者咱们用神经集中去模拟或者是抒发这样的散播是一件简便的事情。但在视觉一张图片，咱们先不说视频，一张图片 1024×1024 等于 100 万维，每个维度照旧一个连气儿的空间，是以，你去抒发一个几万维的粗心空间，和要抒发一个 100 万维的连气儿空间，它的难度是不一样的，是以在视觉界限咱们还莫得一个很好的、很高效地抒发这样一个连气儿的高维的连气儿空间的生成问题，是以咱们只好和会的时候用了一个 auto-regression Model 是自回来模子，生成的时候还得依赖 diffusion Model。

在历史中要把这两件事结合在沿路，大家如故作念了好多的尝试。一种尝试等于既然高维的连气儿散播这样难模拟，能不行把它变成一个粗心的？这等于一种家数，我把连气儿的东西强行变成了粗心，塞到语言的空间和大家沿路训。但由于把它从连气儿的高维空间降到低维的粗心空间有好多的信息就丢失了，这种方式大家是最容易猜测的也最容易执行的，但从来莫得告捷过。第二种方式，高维的散播，想宗旨把所谓的 auto-regression 的架构和 diffusion 的架构能合在沿路，这其实也莫得作念得很告捷，是以这个问题的中枢照旧在探索的阶段，还莫得很好地搞定。

在 2017 年的时候出了一个架构叫 Transformer，Transformer 这个架构对通盘业界最大的意旨在于它是一个不错 scale 的，是一个 scalable 的文本的和会生成一体化的架构。在那之前，比如说 LSTM（黑白期追思集中）或者 CNN（卷积神经集中），或者是其他的模子都不行 scalable，有了这个 scalable 的架构以后，到了 2020 年的时候出了 GPT-3，GPT-3 的意旨在于咱们第一次把海量的互联网数据放到了这个 scalable 的架构上，不错让它用一个模子去向理通盘 NLP 的任务。但阿谁时候它是要 few-shot，需要去给它一些例子，然后它用一个模子来告诉你要如何作念。再往前走一步，到了 2022 年的时候出了 ChatGPT，ChatGPT 等于在预锤真金不怕火的模子的基础上再加上请示随从，这是 GPT-3.5 作念的事情。天然到了 GPT-4 的时候，这个能力就进一步增强了，是以咱们不时会一个 "GPT-4 时刻"，指的等于在这个模态上，咱们的模子真实能达到跟东说念主的智能差未几的水平。然后，把模子从 GPT-4 请示随从的模子，再加上推理能力，就如故不错搞定相等复杂的逻辑问题了。

再往后是什么呢？好多东说念主就认为应该是在线学习或者是自主学习，等于粗拙无间地我方左证环境去学习到新的常识。是以咱们看到语言模子，等于跟着这条路往前进化得相等表示，而且到面前为止，咱们认为语言模子的技能路子基本上约束了，莫得出现别的分支。世界上非论是 OpenAI 也好、Google 也好、Anthropic 也好，国内任何的公司基本上语言模子都在野着这条路往下走。

咱们治服其实视觉亦然不错 follow 同样的路子的。那么它要 follow 同样的路子，第一步要能作念到什么呢？是和会生成一体化。而且它要有一个相等 scalable 的和会生成一体化的架构，为什么要有这个东西？有了这个东西以后我就能搞定 predict next frame。如果我能搞定 predict next frame，那世界上海量的视频数据就不错我给用来作念预锤真金不怕火。咱们不错联想一下孩子在刚降生的时候，其实它是不知说念什么叫重力的，他不懂笔墨，但他通过眼睛的不雅察冉冉就能学会如果一个杯子一扬弃就往下掉，东说念主的这套系统等于在降生以后在作念视频的预锤真金不怕火，它不错相等好的 predict next frame，是以咱们但愿将来的模子有这样的能力，面前还够不上。

如果我粗拙用海量的视频去作念预锤真金不怕火，它能 predict next frame 以后，下一步细则跟语言模子一样，加各式请示让它生成一个什么，让它预测一个什么东西，这样就会把通盘的遐想机视觉的东西长入在这样一个模子里。再往后就一定是作念推理，推理为什么很迫切？面前大家作念自动驾驶或者是作念机器东说念主，大家细则传闻过 VLA 模子，等于 vision language action 这个模子，面前的 VLA 我认为是有点叫 VLA1.0，因为它是一个预测模子，等于说我告诉你往时发生了什么，当下我看到的画面是什么，你来 predict 我应该作念什么操作，我是应该标的盘作念什么操作呢？照旧应该机器东说念主应该如何走？它是一个 predict，我通过往时的 vision 来 predict 当下的 action 是什么。那东说念主是如何作念的？东说念主其实不啻这少量，是在脑海里在当下会潜通晓地有一个 action 的散播，它以致会预判我如果作念这个 action 下一步会产生什么，它是通过对畴昔的预判来决定面前要作念什么。这个历程既有和会又有生成，因为它要先判断它有哪些 action，然后再判断这个 action 会形成哪些后果，判断这个后果的历程等于一个生成的历程。是以，和会生成一体化如果搞定了以后，带了推理的 VLA，就不是今天的 VLA 了，它是一个粗拙带上对畴昔预测的更好的预测。其实这里面你如果看到的是一个 action 的散播，而且左证 action 对畴昔的预测来对当下作念一个最优的策略的考中的话，那它等于强化学习。

如果能作念到时空推理、加上 3D 、再加上自主学习以后，咱们就认为到了世界模子的阶段。如果到了世界模子，我认为我眼中的 AGI 就竣事了。天然咱们还莫得透澈地搞定和会生成一体化，但咱们认为如果这个问题一朝粗心了以后，它今后的说念路会相等顺畅，就会和文本沿路发展到世界模子。

和会生成一体化相等迫切。不知说念大家有莫得看过最近的 GPT4o 的新版，它叫作念 4o Image Generation，好多东说念主相等可爱，因为不错作念各式万般的裁剪。给它一张图，给它一个请示，它就能帮你作念各式万般的裁剪，而且是多轮的，这个能力是以前不曾有过的，而要具备这样的能力，其实你要和会生成一体化，为什么这样说呢？率先这个模子粗拙听懂你要它作念什么裁剪，这是需要和会的。第二，它裁剪出来的图形是如果要在原有的基础上作念，不行粗率地生成，一般文生图等于你给它一句话它不错海阔太空、天马行旷地生成，但面前你给它了一张参考图，再给它一个请示，它同期要和会这个图片是什么风趣，这句话是什么风趣，左证你的请示和原作进行创作，这个是需要和会和生成放在一个模子里面的，不然的话生成出来的图片就和原来的没关系系了。咱们前不久刚刚发布的模子叫 Step 1X-Edit，这里放了好多的例子，如何对图片进行修改，大家看到其实它对原先的图片的诚恳度诟谇常高的，原因就在于咱们背后接纳了一个和会生成一体化的模子，天然这个照旧相比低级的阶段，咱们里面还在开发一个更高档的版块，畴昔几个月也会把更先进的技能发布出来。

前边讲了好多对于模子的部分，回来到阶跃，咱们照旧坚抓基础大模子的研发，追求智能的上限，同期，咱们也强调多模态对 AGI 的迫切作用。

接下来咱们就聊一聊诳骗这部分，阶跃一直有一个策略叫作念"超等模子加上超等诳骗"，双轮驱动的策略。

提及诳骗，其实大家心照不宣，最热的主意等于 Agent，好多东说念主说 2025 年叫作念 Agent 元年。为什么 Agent 这个主意在这个时期点一刹变得相等地热？其实，我紧记 2023 年的时候大家就接头过 Agent，那时有东说念主画了一个 Agent 的架构图，那时候并莫得引起大家太多的温煦，以致好多东说念主说为什么叫 Agent？这个词听起来怪怪的，想说什么？但2025 年的时候就一刹变得相等地火热了，我的和会是，Agent 爆发需要两个必要的要求，一个是多模态的能力，另外一个是慢想考的能力，这两个能力偶合在 2024 年的时候取得了粗心性的阐述。

为什么说多模态的能力很迫切？我认为，多模态不错让智能体充分地和会和感知这个世界，这样它可能更好地和会用户的意图。如果想让任务的完成率更高，其实 Agent 还需要苍劲的推理能力，等于慢想考的能力。

咱们为什么会采纳智能终局 Agent 当作标的呢？

率先，咱们认为 Agent 要能更好地匡助东说念主类去完成任务，需要去和会用户所处的环境和任务的高下文，其实好多的终局是用户的感知和用户体验的蔓延，比如说咱们的手机，最近的一些 AI 眼镜或者是耳机，它不错认为是东说念主体器官的蔓延，它不错征集咱们所处的环境，粗拙匡助模子更好地和会用户的高下文。还有一个例子是最近大家用过的最火热的硬件是 Plaud Note，等于贴在 iPhone 后头的，我想了半天为什么它能很火呢？它其实等于在采集用户的 context，它践诺上等于用户的一个耳朵，是东说念主耳的蔓延，用户带着它到处跑，它能听到用户听到的通盘的信息，然后它对这个信息进行加工，完成用户让它完成的任务，这等于一个相等天然的历程。我我方也相等看好 AI 眼镜，它能让你看到看到的通盘的东西，它不需要你把手机拿出来拍一下，就径直能看到了，是以我认为，智能终局是东说念主的感知和体验的蔓延，是以在你发起任务的时候它如故知说念任务的高下文了，这是一个相等大的便利。

第二是好多的智能终局或者是终局的征战等于帮你完成任务，比如说微波炉，我家里的微波炉有上百功能，但是我很少用，因为我很少看证明书，也不知说念某一个功能如何操作键，是以我但愿它是一个 Agent 放一个芯片在微波炉里就不错径直跟它对话，我不错告诉它你径直帮我把鸡蛋给蒸了，我也不需要去策动按钮了，它就匡助我去作念了，我认为其实智能终局是系数有能力竣事这件事情的，以致大家想得再神奇少量，不光让它完成微波炉天职的使命，你说我今天的鸡蛋吃罢了，它也许不错诱骗到你的手机，知说念你一般是在哪儿买鸡蛋，知说念下单的地址送到你家，将来也许通盘的终局都能被 "Agentis every hardware"，这是我我方造的词，等于把那么莫得人命得不知说念如何跟东说念主类同样的终局征战变成一个似乎是你的伙伴的 Agent。

阶跃在这里面饰演什么样的扮装呢？咱们想建立这样一个生态，率先是在模子的基础上会绽放出构建各式万般 Agent 的 stutio，在云里面还会开辟专区，当作 Agent 的 runtime，是以这是云表的一半，智能的终局等于我刚才说的，它自己就有芯片了，或者咱们能造出这样的芯片出来，它粗拙和东说念主进行天然的交互，它能看见、能听见、能言语，端侧的模子和咱们在云里的 Agent 来进行交互，匡助用户来完成一系列的任务，是以，阶跃在其中饰演的扮装等于咱们想提供这样一个平台，粗拙围绕着这样一个云的平台去构建智能终局 Agent 的生态。

咱们其竣事在在智能终局上也考中了几个迫切的终局，一个是手机、一个是车，还有一个是机器东说念主，咱们和各个标的的头部企业伸开了深度的合营。

我讲了相等多的内容，终末我想抒发三句话：

第一，阶跃面前的现象是坚抓基础大模子的研发，是以追求 AGI 是咱们的初心，咱们也不会改动。

第二，在面前的竞争形式中，我认为阶跃各别化的特色等于多模态的能力，不仅脚下好多模态在业界的性能是超越的，而且咱们也在积极地探索前沿的标的，咱们也认为这里还存在着相等浩荡的契机。

第三，在诳骗的层面，我认为阶跃也走了一条各别化的路子，联袂咱们的合营伙伴在智能终局 Agent 这个方进取发力，最终不错形成一个从模子到 Agent，从云侧到端侧的生态体系，因为咱们认为软硬结合是能更好地和会用户的需求，完成用户的任务。