作者 ｜ summer
郵箱 ｜ huangxiaoyi@pingwest.com

隨著AI競爭加劇，消費市場成為各大科技公司的必爭之地。在文心一言、豆包、Kimi等產(chǎn)品瘋狂爭奪C端用戶的當(dāng)下，如何打開AI消費市場，成為阿里巴巴的緊迫課題。

2月6日，多家媒體消息稱，人工智能科學(xué)家許主洪教授（Steven Hoi）正式加入阿里巴巴，將出任集團副總裁。據(jù)內(nèi)部人士透露，許主洪教授將專注于AI To C業(yè)務(wù)的多模態(tài)基礎(chǔ)模型及Agents相關(guān)基礎(chǔ)研究與應(yīng)用解決方案，提升阿里巴巴AI應(yīng)用C端產(chǎn)品在模型結(jié)合應(yīng)用上的端到端閉環(huán)能力。

稍后，許主洪在X上確認了這一消息，并提到“未來十年，為消費市場開發(fā)基礎(chǔ)模型和 AI Agents應(yīng)用存在大量機會！”

這位技術(shù)大牛的加入，意味著阿里在AI To C的又一嘗試。

自去年底阿里巴巴“少壯派”吳嘉執(zhí)掌智能信息事業(yè)群以來，阿里的AI C端產(chǎn)品開始加速整合：先是將通義系列C端產(chǎn)品從阿里云剝離，隨后又整合了天貓精靈所屬的智能互聯(lián)事業(yè)群；在產(chǎn)品層面，阿里選擇了用戶量已達2億的夸克作為主攻方向，將其重新定位為"AI全能助手"，并開始與天貓精靈展開聯(lián)動。據(jù)悉，雙方正在籌備包括AI眼鏡在內(nèi)的AI新產(chǎn)品。

如今技術(shù)人才的引入只是一個開始，進入2025年，阿里AI急需一場面向消費市場的反擊。

1

從Salesforce到阿里，專注多模態(tài)預(yù)訓(xùn)練

作為一位深耕AI領(lǐng)域20余年的研究者，許主洪的學(xué)術(shù)履歷頗為豐富。2002年獲清華大學(xué)計算機系學(xué)士學(xué)位后，他在香港中文大學(xué)完成了碩士和博士學(xué)位。在學(xué)術(shù)界，他于2019年當(dāng)選IEEE Fellow（電氣和電子工程師協(xié)會會士），入選斯坦福"全球前1%AI科學(xué)家"榜單。

許主洪的研究領(lǐng)域覆蓋機器學(xué)習(xí)基礎(chǔ)理論及多個應(yīng)用方向，包括多媒體信息檢索、計算機視覺、大數(shù)據(jù)分析等。其中，他在多模態(tài)預(yù)訓(xùn)練方面的工作獲得了最多關(guān)注，特別是BLIP模型系列的研究成果，發(fā)布在了多個開源社區(qū)。

BLIP系列有多篇論文，研究聚焦于視覺-語言多模態(tài)預(yù)訓(xùn)練（Vision-Language Pre-training, VLP），旨在通過統(tǒng)一模型架構(gòu)和高效數(shù)據(jù)增強策略，實現(xiàn)視覺語言理解與生成任務(wù)的協(xié)同優(yōu)化，可以應(yīng)用于圖像-文本檢索、圖像標(biāo)題生成、視覺問答、視覺推理和視覺對話等多種任務(wù)。

在Github社區(qū)，BLIP獲得了5000顆星，而BLIP2則是直接點爆了當(dāng)年的圖文模型圈，獲得業(yè)界高度評價，并被認為是多模態(tài)啟發(fā)性工作，對開源社區(qū)做出了顯著貢獻。此外，據(jù)許主洪在X稱，BLIP-2還被排名為the 5 top AI Research paper of 2023，僅次于GPT-4。

《BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models》也是許主洪參與的引用量最高的工作，具體來看，通過創(chuàng)新的"凍結(jié)模型+輕量橋接"策略，以Q-Former架構(gòu)對齊了圖像和文本，在保持高性能的同時大幅降低了計算成本。

這些研究大多完成于他在Salesforce期間。在Salesforce，許主洪參與了多個AI研究項目，并嘗試將研究成果轉(zhuǎn)化為應(yīng)用產(chǎn)品。

在離開Salesforce，加入阿里巴巴之前，許主洪還有一段創(chuàng)業(yè)經(jīng)歷，于2023年創(chuàng)立了一家多模態(tài)生成式AI初創(chuàng)公司HyperGAI并擔(dān)任CEO，發(fā)布了三款開源多模態(tài)大模型。其中，開源多模態(tài)模型Hyper-Pretrained Transformers （HPT） 1.5 Edge 能夠?qū)崿F(xiàn)文本和視覺輸入的多模態(tài)理解，專為邊緣和移動設(shè)備量身定制，參數(shù)小于 5B。

不過，在競爭激烈的AI創(chuàng)業(yè)市場中，HyperGAI的產(chǎn)品未能獲得市場反響，其開源模型在Huggingface平臺上少有人關(guān)注。

從總體來看，多模態(tài)研究和橫跨學(xué)術(shù)、產(chǎn)業(yè)、創(chuàng)業(yè)，是許主洪兩個關(guān)鍵詞。

1

重組、融合、創(chuàng)新，阿里AI to C需要新牌

在多模態(tài)AI成為技術(shù)競爭焦點的當(dāng)下，我們不難理解：在發(fā)力To C的關(guān)鍵時刻，阿里恰好需要這樣一位既能突破算法邊界、又能推動產(chǎn)品創(chuàng)新的科學(xué)家。

在過去一段時間里，阿里AI To C產(chǎn)品中，除夸克以外，其他AI產(chǎn)品包括通義APP本身在C端的表現(xiàn)并不突出。也正是因此，目前的阿里正在通過整合通義、夸克等產(chǎn)品力量，配以頂尖人才加持，打造一個更具競爭力的AI To C新生態(tài)。

首先是在模型與應(yīng)用的關(guān)系上，阿里經(jīng)過一年多的探索后逐漸明確了"分而治之"的策略，讓基礎(chǔ)模型研發(fā)和消費級應(yīng)用各自獨立發(fā)展，以適應(yīng)不同的創(chuàng)新節(jié)奏。

2024年底，阿里將原屬阿里云的“通義”應(yīng)用剝離出來，并入智能信息事業(yè)群由吳嘉統(tǒng)管，而此前通義千問更多是整體打包的思路，模型和應(yīng)用捆綁發(fā)展。但在實踐中發(fā)現(xiàn)，大模型研發(fā)和消費級應(yīng)用分屬不同賽道，各自面臨的挑戰(zhàn)和節(jié)奏都不盡相同，為雙方松綁后通義千問團隊可以專注技術(shù)突破，而C端產(chǎn)品團隊則能更靈活地進行調(diào)整。

此后更多的AI to C整合開始了。特別是天貓精靈所屬的智能互聯(lián)事業(yè)群并入之后，加上原有的夸克、書旗小說、UC瀏覽器等業(yè)務(wù)，一條從搜索到內(nèi)容，從文本到語音交互，從軟件到硬件的創(chuàng)新鏈條正在形成。在這條鏈條上，多模態(tài)技術(shù)成為連接各個場景的關(guān)鍵。

許主洪的加入，也恰好印證了阿里的這一技術(shù)布局。作為BLIP系列的參與者，他在多模態(tài)預(yù)訓(xùn)練和效率優(yōu)化方面的積累正是阿里所需要的。從夸克的圖文理解到天貓精靈的視覺交互，再到未來可能推出的AI眼鏡，多模態(tài)交互將成為阿里AI產(chǎn)品的標(biāo)配。

不過，在AI消費市場，先進技術(shù)只是起點，過去一年的市場競爭已經(jīng)證明，真正的難點在于找準(zhǔn)用戶和場景。

對All in AI的阿里巴巴而言，這既是機遇也是挑戰(zhàn)。一方面，阿里擁有龐大的用戶基礎(chǔ)、豐富的應(yīng)用場景和強大的技術(shù)儲備；但另一方面，在To C戰(zhàn)場上，無論是百度的文心一言、百度文庫，還是字節(jié)的豆包，都已形成了一定的用戶心智。

現(xiàn)在的阿里不僅需要新鮮血液，也需要一場勝仗，通過AI重新定義自己在消費互聯(lián)網(wǎng)時代的核心競爭力。

點個“愛心”，再走 吧