階躍星辰是行業(yè)領(lǐng)先的基礎(chǔ)大模型創(chuàng)業(yè)公司，并且在積極探索大模型在多領(lǐng)域的實踐路徑。

本文為IPO早知道原創(chuàng)

作者｜Stone Jin

據(jù)IPO早知道消息，在啟明創(chuàng)投第十六屆人民幣基金年會暨投資人高峰論壇上，啟明創(chuàng)投主管合伙人周志峰與階躍星辰創(chuàng)始人、首席執(zhí)行官姜大昕以“探索AI創(chuàng)業(yè)‘無人區(qū)’的階躍星辰”為主題進(jìn)行對話。雙方圍繞AGI（通用人工智能）的定義、發(fā)展的路線圖，當(dāng)前大模型技術(shù)進(jìn)展，為什么2025年AI Agent火爆出圈，及階躍星辰在AI Agent領(lǐng)域的布局等話題展開深入探討。

姜大昕指出，AI模型的技術(shù)發(fā)展仍然處于非常陡峭的上升階段，理解和生成一體化的多模態(tài)模型非常重要。在Agent的戰(zhàn)略布局上，階躍星辰聚焦于智能終端方向。他強(qiáng)調(diào)，Agent的關(guān)鍵能力在于通過多模態(tài)交互理解用戶所處的環(huán)境與任務(wù)的上下文，并主動、自主地幫助用戶完成任務(wù)。階躍星辰的一大重要目標(biāo)是打造一個智能終端的平臺，讓更多人調(diào)用其全方位模型矩陣。

對此，周志峰表示，如今AI領(lǐng)域的“模型即產(chǎn)品”理念與互聯(lián)網(wǎng)時代的產(chǎn)品構(gòu)建理念存在很大差異：在AI場景中，一個或一組優(yōu)秀的模型或Agent直接決定產(chǎn)品70%-80%的表現(xiàn)；而互聯(lián)網(wǎng)時代因技術(shù)底座成熟，企業(yè)專注于產(chǎn)品層面的創(chuàng)新。

以下系經(jīng)精編整理的對話實錄：

實現(xiàn)AGI的三個階段

周志峰：下午好，您能夠來我們峰會，我特別開心。1月份DeepSeek兩個模型發(fā)布以后，我收到無數(shù)問詢，是不是DeepSeek一出來，我們投資的階躍星辰和智譜AI等都面臨巨大的挑戰(zhàn)？今天請您幫我回答這些挑戰(zhàn)性的問題。

4月份，習(xí)近平總書記來到上海徐匯區(qū)的“模速空間”大模型創(chuàng)新生態(tài)社區(qū)調(diào)研，有四家企業(yè)是一對一做了匯報，階躍星辰是其中唯一一家大模型企業(yè)。

姜大昕：當(dāng)時機(jī)會也是非常難得，階躍星辰作為上海人工智能基礎(chǔ)大模型企業(yè)，第一個做了匯報，我們介紹了基礎(chǔ)大模型技術(shù)和應(yīng)用的最新進(jìn)展，展示了多模態(tài)大模型與智能終端場景相結(jié)合，為每一個人的生活帶來便利、創(chuàng)造價值。

周志峰：之前行業(yè)中經(jīng)常提及中國大模型六小虎的概念，加上幾家科技大廠，是中國研發(fā)基礎(chǔ)大模型的主力軍。近期又有媒體提出“新五強(qiáng)”爭鋒，其中三家是已有較大體量的公司：字節(jié)跳動、阿里巴巴、DeepSeek、智譜AI、和階躍星辰，認(rèn)為這五家企業(yè)將在沖向AGI（通用人工智能）的道路上繼續(xù)努力。您怎么看？您的AGI定義是什么？階躍星辰的愿景是什么？應(yīng)該如何走向AGI？

姜大昕：AGI是什么？其實業(yè)界沒有共識。如果十年之前，大家說我們討論一下AGI什么時候能實現(xiàn)，感覺像是天方夜譚，甚至五年之前大模型沒出現(xiàn)時，大家也覺得這件事情不在討論范圍之內(nèi)?，F(xiàn)在大模型越來越多之后，更多人會認(rèn)為AGI會在未來五年到來，大家給出的時間表不一樣，從2026年至2030年不等。

到底什么是測試AGI到來的準(zhǔn)則？4月美國一所大學(xué)做了一個測試，用傳統(tǒng)的圖靈測試測了OpenAI GPT-4.5，發(fā)現(xiàn)30%的人分不清它究竟是AI還是人類，73%的情況下成功使人們相信其為人類。按照圖靈測試原始的定義，這意味著GPT-4.5通過了圖靈測試。我們覺得僅是這樣的標(biāo)準(zhǔn)并不能認(rèn)為AGI就到來了。所以我和硅谷的朋友交流時，他們給出一個新的AGI定義，對標(biāo)的是人類智能，就是說模型能夠完成現(xiàn)有的人類工作的百分比。這個百分比應(yīng)該是有多少，不同人的看法不一樣，如果我定的話，一個保守的數(shù)字，50%。

2030年的模型如果可以完成人類現(xiàn)有工作的50%，我認(rèn)為AGI就到來了。階躍星辰在創(chuàng)立之初給自己設(shè)立了目標(biāo)，就是要實現(xiàn)AGI，我們幾位創(chuàng)始人當(dāng)時畫了一張實現(xiàn)AGI的路線圖，這張圖劃分了三個階段：模擬世界、探索世界和歸納世界。

所謂模擬世界，這里的學(xué)習(xí)方法是模仿學(xué)習(xí)，我們把互聯(lián)網(wǎng)所有的數(shù)據(jù)都灌入大模型，通過非常簡單的任務(wù)讓模型領(lǐng)會數(shù)據(jù)內(nèi)在的結(jié)構(gòu)和特征，這個階段它最主要的是學(xué)習(xí)各種模態(tài)的表征，從語音，到聲音，到圖像，到視頻，到4D物理時空，這里的核心問題是我們?nèi)绾斡蒙疃壬窠?jīng)網(wǎng)絡(luò)實現(xiàn)從簡單到復(fù)雜的各個模態(tài)的表征，這是第一階段要完成的工作。

學(xué)會表征世界以后，第二階段我們要讓模型幫助我們解決問題，特別是一些很復(fù)雜的問題。比如寫一段代碼或做數(shù)學(xué)題，我們經(jīng)常需要很強(qiáng)的思維鏈。人在解決這種復(fù)雜問題的時候，用到的一個能力叫做慢思考。舉個例子，我們做一道數(shù)學(xué)題的時候，往往不是一口報答案的，而是把一道題拆解成不同的步驟，如果覺得開始的思路不對，我們會反思，想新的解決方法。所以這是不斷試錯探索的過程，如何讓機(jī)器具備這樣的慢思考的能力，背后用到的算法就是強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)這個概念并不是很新，今年也很巧合，圖靈獎頒給了兩位強(qiáng)化學(xué)習(xí)的專家，一位是Andrew G. Barto，另一位是Richard S. Sutton，后者寫了一篇很著名的文章《苦澀的教訓(xùn)》，據(jù)說OpenAI的人每天把它當(dāng)作《圣經(jīng)》一樣讀一遍。

2016年擊敗人類圍棋圣手李世石的AlphaGo是強(qiáng)化學(xué)習(xí)的典型代表，到了今年大家熟知的DeepSeek背后也是采用了強(qiáng)化學(xué)習(xí)的算法，使得模型推理能力得到了很大的提升。

但強(qiáng)化學(xué)習(xí)還不是智能的終點(diǎn)，再往下走的話，智能能夠進(jìn)化到自主學(xué)習(xí)，模型能夠在生物、核能、量子計算這些最前沿領(lǐng)域和科學(xué)家一起發(fā)現(xiàn)新的規(guī)律，發(fā)現(xiàn)人類沒有發(fā)現(xiàn)的物理規(guī)律，這個階段我們把它叫做歸納世界。

去年8月份OpenAI公布了五個智能演進(jìn)的層級（level），最早是Chatbot（聊天機(jī)器人），然后是Reasoner（邏輯推理），Agent（智能體），Innovator（創(chuàng)新者），Organization（組織），如果我們仔細(xì)去看它的定義，會發(fā)現(xiàn)這五個層級和我們?nèi)齻€階段背后的邏輯是一致的，只是各自描述的方式不同。

我們看到OpenAI或國外的大公司發(fā)布的模型雖然很多，但如果沿著這條路線圖看的話，會發(fā)現(xiàn)它的模型是不斷覆蓋這條路徑上的關(guān)鍵節(jié)點(diǎn)。今天從模擬世界到探索世界，我們看到這個趨勢變得越來越清晰了，所以我們的信心也是越來越足。

周志峰：說到大模型，回到開場的DeepSeek，都是做大模型的公司，到底階躍星辰和DeepSeek等公司相比，我們的差異化特點(diǎn)是什么？

姜大昕：我介紹一下我們在過去兩年做的工作，我們發(fā)布了一些大模型，雖然都叫基礎(chǔ)大模型，但功能和方向是不太一樣的，我們可以把它分成：語言模型和多模態(tài)模型。語言里面有基礎(chǔ)模型和推理模型，在多模態(tài)領(lǐng)域可以按照不同模態(tài)進(jìn)行分類，有語音模型、音樂模型、圖像模型和視頻模型。

如果按照功能分類，還可以分成理解模型和生成模型。我們的一大特色就是非常重視多模態(tài)能力，且不斷增強(qiáng)（這個能力）。階躍星辰堅持全模態(tài)覆蓋及原生多模態(tài)理念，這在業(yè)界是一個非共識，但我們始終相信多模態(tài)是通向AGI的必經(jīng)之路。

實際上AGI是類比人的智能來定義的，人除了語言的符號智能以外，天生還有視覺智能、空間智能和運(yùn)動智能，這些智能光靠語言是無法實現(xiàn)的，必須通過多模態(tài)體現(xiàn)。除了AGI概念以外，一旦到了應(yīng)用領(lǐng)域，不管是做C端，還是做垂類B端應(yīng)用，我們都希望模型像人一樣能夠聽、能夠看、能夠說，這樣它才能更好地理解用戶所處的物理環(huán)境，并且以很自然的方式和用戶交流。從這兩個角度來說，我們覺得缺乏了任何一個模態(tài)都會延緩實現(xiàn)AGI的進(jìn)程。所以和別的公司比起來，能夠做到堅持自研全面的基礎(chǔ)大模型，并且構(gòu)建完整模型矩陣，大廠尚屬少數(shù)，更別說創(chuàng)業(yè)公司，這也是我們的特色和優(yōu)勢。

技術(shù)進(jìn)展與發(fā)展趨勢

周志峰：之前提到的六小虎也有一些已經(jīng)公開宣布徹底放棄預(yù)訓(xùn)練，只做后訓(xùn)練等研發(fā)，感覺大家的選擇越來越不一樣。從您的角度來看，階躍星辰覺得目前的技術(shù)有什么主要進(jìn)展？我們接下來會怎么走？

姜大昕：一方面模型能力確實在不斷提升。推理模型也好，多模態(tài)模型也好，正在不斷提升，催生了應(yīng)用落地，DeepSeek出來以后，大家覺得以前很多在應(yīng)用場景做得不好的工作，現(xiàn)在通過很強(qiáng)的模型也可以實現(xiàn)了，模型能力解鎖了很多應(yīng)用場景，另外我們覺得模型發(fā)展并沒有減速。

春節(jié)之后，可能受到了DeepSeek的影響，美國五家頭部企業(yè)發(fā)布了很多模型，OpenAI先是發(fā)布了o3和GPT-4o解決方案，而且OpenAI的發(fā)布時間一般與谷歌的發(fā)布時間差不多，谷歌同時間發(fā)布了Gemini系列。其他還有Claude 3.7 Sonnet，短短兩個月的時間，國外五家頭部模型公司爭先恐后地發(fā)布了模型，所以模型的進(jìn)展并不慢，而且透過這些模型的發(fā)布，我們還是能夠看出整個發(fā)展的趨勢。

第一，現(xiàn)在的模型正在從原來的模擬世界、模仿學(xué)習(xí)的模型，走向強(qiáng)化學(xué)習(xí)的模型。

最早強(qiáng)化學(xué)習(xí)的模型是去年9月OpenAI發(fā)布的一款o1模型，到了12月發(fā)布了滿血版，再到春節(jié)DeepSeek發(fā)布了R1模型，這基本宣告了推理模型從趨勢變成了一個范式?，F(xiàn)在再去看上述幾家國外頭部企業(yè)發(fā)布的模型，基本都是融合了推理能力。階躍星辰在推理方面也做了一些工作，1月份我們發(fā)布了一個小的Step R-Mini模型，在當(dāng)時已經(jīng)超過了OpenAI o1 preview模型，未來我們也會發(fā)布滿血版的推理模型。在推理模型方面，我們看到還有很多工作在推進(jìn)。比如，如何進(jìn)一步提升推理效率。大家現(xiàn)在認(rèn)為思維鏈非常長，但有一些是無效思考。

第二，很關(guān)鍵的問題，強(qiáng)化學(xué)習(xí)如何在像數(shù)學(xué)、代碼這樣有明確對和錯的領(lǐng)域，以及很多無法明確判定對錯和價值觀的領(lǐng)域，泛化獎勵函數(shù)？以及思維鏈如何人工合成這些數(shù)據(jù)并放到預(yù)訓(xùn)練里面？這些是現(xiàn)在產(chǎn)業(yè)界和研究界非常熱門的話題。

推理模型在未來一到兩年里還是會繼續(xù)往前發(fā)展。同時我們還看到一個趨勢，推理模型不僅可以用在文字領(lǐng)域，現(xiàn)在多模態(tài)領(lǐng)域也實現(xiàn)了推理，以O(shè)penAI o3模型為例，網(wǎng)友給它一張圖讓它猜這是什么地方，它真的像福爾摩斯一樣，通過細(xì)節(jié)去推斷圖片中究竟是什么地方。這里我向大家演示，這是我們最近發(fā)布的圖片推理模型，給它一張圖片，讓它判斷這是哪個中超球隊的主場和比賽。

如果大家以前玩過圖像識別的話，會發(fā)現(xiàn)上一代視覺模型只是從訓(xùn)練數(shù)據(jù)里面找差不多的內(nèi)容，還是一個快思考的過程，即看到這張圖片之后判斷自己在哪里見過，這并不是推理。

現(xiàn)在的模型能夠從球場的比分牌上找到兩個參賽隊伍的隊標(biāo)。還會看看臺上球迷的衣服顏色，判斷是誰的主場，這時候它已經(jīng)可以推斷出是哪個體育場了。另外，通過體育場的建筑風(fēng)格，比如體育場的頂部，確認(rèn)究竟是哪個球場。

它已經(jīng)不是一眼報，而是通過細(xì)節(jié)和感官識別與內(nèi)部知識庫結(jié)合做推理，所以推理的能力會變得越來越強(qiáng)大。

我們還看到一個有趣的趨勢，多模態(tài)融合走向理解生成一體化。首先我解釋一下，什么是理解生成一體化。

在語言模型中，比如DeepSeek，我們給它一篇文章，讓它回答問題或生成總結(jié)，這是典型的理解類任務(wù)；反過來，如果給它一個標(biāo)題讓它進(jìn)行創(chuàng)作，這是生成類任務(wù)。大家通常不會區(qū)分這兩種任務(wù)，而是用同一個模型完成。但在多模態(tài)領(lǐng)域這兩者是分開的，像剛才判斷一張圖的內(nèi)容信息，得用GPT-4V或GPT-4o這樣的模型，如果是生成，要用Sora這樣的模型。所以，在視覺領(lǐng)域還沒有實現(xiàn)理解和生成的一體化。

為什么這個問題非常重要？比如老師拿粉筆在黑板上寫字，他手的運(yùn)動，包括粉筆和黑板接觸的痕跡，Sora是可以模擬的，如果老師寫到一半停下來了，我們?nèi)査竺鏁懯裁?，這是需要一個理解模型去預(yù)測，而生成模型Sora是沒有這樣的能力的，這就是我們說的理解和生成并沒有一體化。

從生成的角度來看，目前的生成模型還不受理解控制。從理解的角度來看，什么才算是真正的理解？如果我不能創(chuàng)造，那就說明我并沒有理解，只有我能真正自主創(chuàng)作，才說明我實現(xiàn)了真正的理解。就如同Richard Feynman說的——“What I cannot create, I do not understand”。

在文本領(lǐng)域，生成任務(wù)是Predict Next Token，同時模型也可以理解整個互聯(lián)網(wǎng)上的知識，理解這個大千世界。如果平移到視覺領(lǐng)域，Predict Next Frame還無法做到，計算機(jī)視覺的研究已經(jīng)進(jìn)行了幾十年，到目前還不能實現(xiàn)。這導(dǎo)致后面很多事情，比如要生成一個比較長的視頻，讓它符合物理規(guī)律、符合邏輯，目前還辦不到。同樣，如果要做一個通用的機(jī)器人，給它一條指令，它就能完成多樣性的任務(wù)，這件事情目前做不到，也是因為視覺領(lǐng)域還不能做到真正的泛化。

所以理解生成一體化非常重要。目前我們看到一個很好的趨勢，就是以GPT-4o為代表的模型，用戶給出指令，它生成一張圖，用戶可以不斷輸入指令，讓它不斷編輯，這里面所需要的能力是理解生成一體化。首先它要理解指令，第二要實現(xiàn)根據(jù)指令進(jìn)行編輯，模型在生成圖片的時候必須要理解文字和圖像，這件事情是非常難的。雖然OpenAI并沒有公布細(xì)節(jié)，但我們可以看到它一定是在理解生成一體化方面前進(jìn)了一大步，階躍星辰在這方面也有一些進(jìn)展，我們最近開源了一個模型，能夠進(jìn)行多輪圖像編輯。

我們現(xiàn)在覺得模型技術(shù)發(fā)展還是處在非常陡峭的上升階段，每六個月我們都會發(fā)現(xiàn)極具顛覆性的技術(shù)的涌現(xiàn)，我們一方面看到技術(shù)確實已經(jīng)成熟到可以做應(yīng)用的階段，但同時不能忽視這個技術(shù)還是快速地往前發(fā)展。

打造智能終端平臺

讓更多人調(diào)用階躍星辰全方位模型矩陣

周志峰：大模型依然很熱，今年有一個方向更熱——AI Agent，階躍星辰是如何布局這個方面的？

姜大昕：Agent確實很熱，很多人說2025年是Agent的元年，我覺得其實Agent這個詞在2023年就出來了，那時候有一張Agent的架構(gòu)圖。為什么一直沒火，但到了2025年這個概念變得非?；?？它能夠成功和兩個因素有極大的關(guān)系：

第一，AI Agent能夠處理非常復(fù)雜的問題，這就需要模型有非常強(qiáng)大的推理能力。去年下半年推理模型出現(xiàn)，發(fā)展到今年年初的時候，Agent隨之逐漸成熟了。

第二，它需要多模態(tài)的能力，因為Agent需要理解用戶所處的環(huán)境，理解任務(wù)上下文，需要模型的多模態(tài)的能力。

這是AI Agent這么火爆的技術(shù)推動力。

至于什么是Agent？我覺得大家各有各的觀點(diǎn)，有的寫得非常長，各方面描述了什么是Agent。在我看來，非常濃縮的定義是能夠自主地幫助人類完成復(fù)雜任務(wù)的體系就叫Agent。我們再進(jìn)一步看什么是自主？它包括兩層含義：自動、主動。所謂自動，就是它在完成一個復(fù)雜任務(wù)時，盡可能獨(dú)立完成，減少或不需要人類的干預(yù)，交給它一個任務(wù)，它能夠自己運(yùn)行并在最后交付一個結(jié)果，這是自動化的過程。

主動是比較難實現(xiàn)的一點(diǎn)，大家習(xí)慣在做一件事情時，思考誰能幫我完成，我要操控界面來實現(xiàn)，任務(wù)的發(fā)起者通常是用戶本人。我們設(shè)想一下，如果有一款會議軟件，當(dāng)開始會議時自動開啟錄音，會議結(jié)束后自動生成總結(jié)；在開會過程中，如果上級突然提了一個你沒有準(zhǔn)備的問題，它能自動幫你匯總相關(guān)資料并呈現(xiàn)出來，這是多么好的一個Agent。所以Agent必須是兼具自動性、主動性的。

周志峰：階躍星辰是如何布局這一領(lǐng)域的呢？

姜大昕：目前我們在發(fā)力智能終端Agent。

智能終端往往是人的感知和體驗的延伸?，F(xiàn)在有一款硬件非?；穑蠵laud，有幾千萬美元的營收。它是一款錄音筆，做得非常巧妙，可以貼在iPhone背面，能夠帶著它到處跑。它隨時可以錄音，比如在通話的時候錄音，這就是人類耳朵的延伸，可以隨時隨地讓它幫助你收集整理你聽到的信息，這就說明硬件作為一個Agent能夠主動地理解用戶的環(huán)境，明白任務(wù)的上下文，這個能力是非常關(guān)鍵的。所以很多智能設(shè)備存在這樣的屬性，是眼睛的延伸，是耳朵的延伸，比如啟明創(chuàng)投投資的影石創(chuàng)新（688775.SH）就是眼睛的延伸，我們也希望它進(jìn)一步變成一個Agent，拍照的時候不需要按下按鍵，只需要和它說拍照，或它理解什么時候該拍，什么時候不該拍。

另外智能設(shè)備往往是可以幫助人完成任務(wù)的，比如現(xiàn)在微波爐有上百種功能，如果不看說明書的話很難進(jìn)行操作。假設(shè)在微波爐內(nèi)植入一枚芯片之后，可以很人性化，用戶說“幫我把雞蛋蒸一下”，它自己就可以完成了。它的特點(diǎn)是能夠通過自然語言和用戶交互，理解用戶所處的環(huán)境及意圖，并且自動幫助用戶完成任務(wù)，我們最終希望打造一個智能終端的平臺，讓更多人調(diào)用階躍星辰的全方位模型矩陣。

周志峰：正如前面所介紹的，我覺得模型還在快速演進(jìn)迭代，技術(shù)底座在快速變化，變得更智能。我所尊敬的一些經(jīng)歷過互聯(lián)網(wǎng)時代的投資人，或許因各種緣由，認(rèn)為不應(yīng)該投資模型公司，而只宜投資有真金白銀收入、具備商業(yè)化能力的應(yīng)用公司。我覺得中國進(jìn)入互聯(lián)網(wǎng)時代是在后半場，那時候任何一家互聯(lián)網(wǎng)創(chuàng)業(yè)公司幾乎不用擔(dān)心技術(shù)底座的任何問題，就專注于產(chǎn)品層面的創(chuàng)新?；ヂ?lián)網(wǎng)的產(chǎn)業(yè)鏈很短，上方是流量，下方是廣告等商業(yè)變現(xiàn)手段。而今天的AI時代，還是在上半場，模型層面或技術(shù)底座還有大量的優(yōu)化空間，某種意義上，就像“模型即產(chǎn)品”所體現(xiàn)的，一個好的Agent或模型決定了產(chǎn)品的七八十分。在這個時代，超級應(yīng)用公司是否將誕生于像階躍星辰這樣掌握底層模型能力的企業(yè)？

姜大昕：我非常同意你的說法，我也和很多產(chǎn)品經(jīng)理聊過，他們覺得在互聯(lián)網(wǎng)時代成功的產(chǎn)品經(jīng)理，在AI時代可能要重新學(xué)習(xí)一遍。在互聯(lián)網(wǎng)時代，技術(shù)是相對確定的，產(chǎn)品是不確定的；現(xiàn)在兩個方向都不確定，例如究竟技術(shù)能夠發(fā)展到什么程度，更難的是判斷技術(shù)在未來六個月能夠發(fā)展到什么智能水平；研發(fā)產(chǎn)品需要有一些超前思維，若基于現(xiàn)有技術(shù)做產(chǎn)品，可能下一代技術(shù)出來的時候會顛覆現(xiàn)有產(chǎn)品。

所以產(chǎn)品經(jīng)理最大的苦惱是如何在高度不確定的技術(shù)平臺上，構(gòu)建一款新的產(chǎn)品，這可能是每個人都要思考的問題，也正因為如此，這個時代才是最好的時代。

周志峰：謝謝您的精彩分享。