對話Om AI趙天成：多年堅守，押注物理AI原生的「流式」未來

一個從未見過監(jiān)控畫面的多模態(tài)模型，卻比在監(jiān)控數(shù)據(jù)上練了多年的小模型“老將”更懂監(jiān)控。這不是科幻電影，這是2023年Om AI聯(lián)匯的一場“無心插柳”，也是CEO兼首席科學(xué)家趙天成博士更加堅信“多模態(tài)訓(xùn)練方式能為物理開放世界帶來泛化性”的關(guān)鍵節(jié)點。彼時，AI行業(yè)正在追求以大語言模型為核心的生成式AI。

三年后，這個多模態(tài)模型演變成了VLX——全球首個面向物理AI的端側(cè)流式多模態(tài)模型系列。首次提出“端側(cè)原生流式多模態(tài)”這一全新模型架構(gòu)，而通過這個從Day 1為端側(cè)算力約束設(shè)計的架構(gòu)，VLX模型首次在端側(cè)打通“持續(xù)感知+精準(zhǔn)定位+行動決策”的物理AI完整閉環(huán)。

VLX概覽圖

毫無疑問，站在2026年夏天的時間節(jié)點，AI行業(yè)的熱度已經(jīng)開始從數(shù)字AI轉(zhuǎn)向物理AI。不同于數(shù)字AI的2023年，雖然物理AI的熱度很高，但是行業(yè)仍未收斂，多路線并存，距生產(chǎn)落地尚遠：以語言為中心的VLA、以像素為中心的視頻生成、以3D結(jié)構(gòu)為中心的仿真、以視覺表征為中心的JEPA……行業(yè)對最主流的VLA與世界模型兩條概念路線的選擇，也依然搖擺不定，是替代，還是并存，抑或是融合？

就在這一行業(yè)還在爭論誰是物理AI終極答案之時，Om AI聯(lián)匯的VLX系列模型已然完成物理AI從仿真實驗到產(chǎn)業(yè)落地的商業(yè)閉環(huán)，通過賦予機器人、無人機、可穿戴設(shè)備、安防攝像頭、AI PC等多類物理終端自主感知的“小腦”和認(rèn)知決策的“大腦”，讓這些物理終端實現(xiàn)從“被動執(zhí)行指令”向“主動適應(yīng)場景”跨越。

VLX架構(gòu)圖

這并非偶然，而是Om AI聯(lián)匯多年漫長專注后的必然結(jié)果。

2019年，當(dāng)趙天成從CMU語言技術(shù)所博士畢業(yè)時，他的履歷足夠耀眼：所在實驗室導(dǎo)師Maxine Eskenazi是對話系統(tǒng)的開山鼻祖，90年代做出了全球第一個實用化對話智能體；而他本人是實驗室第三代系統(tǒng)的締造者，2016年就率先用神經(jīng)網(wǎng)絡(luò)將延續(xù)了20年的系統(tǒng)改造成端到端生成式模型。當(dāng)時進入學(xué)術(shù)圈當(dāng)教授、大廠，幾乎唾手可得。

但他選了第三條路——創(chuàng)業(yè)。而且是一條在當(dāng)時幾乎無人理解的路線：不做純文本大模型，不追生成式AI的熱潮，而是死磕“視覺+語言”的流式多模態(tài)。即便是當(dāng)下，這也并非主流的技術(shù)路線。行業(yè)的主流敘事是“離線抽幀”：視頻就是一幀一幀截出來當(dāng)圖片處理，推理是批量的、離散的、一問一答的。而趙天成從一開始就要做的是“流式”：視頻像水流一樣持續(xù)進入模型，AI自己一直在看，不用等人提問。

Flow推理速度優(yōu)勢

這是趙天成自己的判斷。在CMU期間，他經(jīng)歷了雅虎10億美金的多模態(tài)智能體項目，“那讓我意識到多模態(tài)的價值上限會高很多，它就真的讓你感覺這是一個活物，而不只是一個對話的系統(tǒng)。”回國后，他沒有跟風(fēng)當(dāng)時國內(nèi)AI公司扎堆的生成式對話模型賽道，而是堅定地把視覺和語言融合在一起，“這兩個是主模態(tài)，至少90%的物理信息都覆蓋掉了。”

五年里，從文本生成到文生圖，從VLA到世界模型，AI賽道換了三四輪“當(dāng)紅炸子雞”。2023年語言模型大火，有人曾拉他說“你以前不也搞語言模型的，為什么不出來做？”每一輪都有資本和同行勸他“轉(zhuǎn)個方向更快變現(xiàn)”。

“我們的東西，在物理AI之前一直沒有成為最火的東西。”趙天成坦言，“一直會有更火的東西擺在前面。”團隊里也有小伙伴信心動搖，有人離開，但更多核心伙伴留了下來。留下來的這群人，多年如一日，始終圍繞“V和L”這兩個點持續(xù)產(chǎn)出。

五年后的今天，AI行業(yè)喊著要從“云端”回到“地面”，要深入產(chǎn)業(yè)，并真正產(chǎn)生價值，物理AI成為最熱門的概念：2026年上半年，全球物理AI領(lǐng)域僅一季度融資就超過64億美元；物理AI也開始多場景落地，工業(yè)機器人智能化升級、自動駕駛城市NOA大規(guī)模普及等端側(cè)智能終端快速滲透……但在物理AI這場浪潮中，VLX系列模型是為數(shù)不多的，跑在端側(cè)的流式多模態(tài)模型。它回答著一個根本問題：物理世界的AI，到底需要什么架構(gòu)？

VLX系列模型是少數(shù)把三個閉環(huán)都跑通的公司：模型閉環(huán)，讓VLX的Flow+Seek+Go在感知—定位—行動上自成一體，不是三個獨立模型，是同一條視頻流上不可分割的三個能力層；數(shù)據(jù)閉環(huán)，讓百萬級攝像頭、無人機、機器人等真實業(yè)務(wù)場景持續(xù)回流端側(cè)數(shù)據(jù)，反哺模型迭代；商業(yè)閉環(huán)，完成PMF，公司營收以億為單位。

VLX三層定義

當(dāng)產(chǎn)業(yè)的需求曲線與技術(shù)的積累曲線在2026年交匯，一場“長期主義與產(chǎn)業(yè)拐點的雙向奔赴”也正式上演。而當(dāng)物理AI終于從“概念炒作期”邁入“場景驗證期”，趙天成和他的團隊反而顯得從容。這不是一個追風(fēng)者的故事，而是一個關(guān)于判斷力、定力，以及用多年時間驗證的一個“反共識”判斷的商業(yè)樣本。

以下是36氪和趙天成對談，對話經(jīng)過編輯：

Om AI聯(lián)匯CEO兼首席科學(xué)家趙天成博士

物理AI的本質(zhì)：模態(tài)，語義、幾何、預(yù)測和決策

36氪：今年物理AI很火，世界模型是其中最熱門的技術(shù)路線，但又派系林立，眾說紛紜，你是如何看待？

趙天成：物理AI本身是一個很宏大的主題。從模型的角度來說，不管是什么路線，關(guān)鍵點在于要讓其能夠理解世界，這本身不是一個單點的事情。就像李飛飛這次發(fā)的博客，講她理解的三條路線，并且最終這三條路線可能會融合在一起，而不是三個離散的東西。

在我們的定義里面，物理AI至少4種能力是必須具備的，第一，模型要認(rèn)識它里面的內(nèi)容，也就是語義信息；第二，要認(rèn)識它的幾何空間，知道3D形狀是什么樣的；第三，它能夠去做決策和動作控制；第四，在前三者的基礎(chǔ)上，它能夠?qū)ξ磥淼念A(yù)測。

這次我們發(fā)布的模型為什么叫VLX，就是因為X代表無限可能，最起碼是包含前面說的4種能力。現(xiàn)階段網(wǎng)上流行的一種說法，VLA已死，世界模型已來，還是偏炒作為主。因為VLA這三個模態(tài)怎么會過時？視覺語言動作從概念上是永遠不會過時的，但下面的方法肯定會不斷變化，把方法和概念掛鉤本身是錯誤的行為。所以我們的理念不是看表面，而是看本質(zhì)，本質(zhì)就是剛剛提到的4個核心模態(tài)，語義、幾何空間、感知規(guī)劃以及預(yù)測這4種能力都搞定了，物理AI也就來了。

物理AI本身是一個多維度的事情，比如預(yù)測也只是里面的一個維度，但這個維度的確之前做的人比較少，難度比較大。預(yù)測未來的畫面會怎么發(fā)展，也就成了世界模型，這是當(dāng)前比較有熱度的事情，但這個事情其實也是建立在語義、幾何這些基礎(chǔ)能力上新增的能力。

36氪：物理AI的第一性原理應(yīng)該是什么？

趙天成：物理AI的第一性原理，本質(zhì)要看做什么事情。Om AI聯(lián)匯想做一個在物理世界里面能夠去感知、決策、執(zhí)行的物理智能體，我希望無人機、機器狗、機器人等等物理終端，它們非常聰明，物理終端之間可以交互、能夠完成任務(wù)，最重要的東西其實就看要實現(xiàn)這個目標(biāo)到底缺什么能力。現(xiàn)階段語言交互越來越好了，基本不會產(chǎn)生什么問題，但是只要涉及開放環(huán)境，它能不能自主導(dǎo)航，能不能靈巧地操作和不同物件做交互，這些事情之前幾乎不太可能。

比如，物理交互場景下終端對實時性需求就很高，終端需要有決策中樞讓它去快速決策。通過視覺中樞，實時接收外界信息，然后通過決策中樞可以自主決策此時此刻應(yīng)該干什么，比如該開門還是說話等。

所以當(dāng)前的物理AI，是一個大樓里面，只有框架但缺的磚塊還很多，需要不同團隊或者不同企業(yè)去添磚加瓦，形成完整的物理AI體系。單依靠某一個模型把全部物理AI都解決，我覺得不太現(xiàn)實，也不符合第一性原理。人的大腦也是分區(qū)分塊的，語言模型現(xiàn)在這么強了，到應(yīng)用層也是分區(qū)分塊的，物理AI更復(fù)雜，所以更加需要產(chǎn)業(yè)的生態(tài)協(xié)同去完成這個事情。

云端AI與終端AI的區(qū)別

36氪：在你看來，在方法層不同路線在物理AI落地過程中最大的瓶頸是什么？

趙天成：世界模型或者別的云端模型有很大的價值，只是到終局的時候，物理AI被廣泛應(yīng)用的時候，必然有很強的端側(cè)智能，這是我們相信的事情。因為物理世界本來就要交互，并且會帶來很多嚴(yán)肅的后果。代碼寫錯一字一行無所謂，但是機器人突然卡機不動或者摔倒了，后果是很嚴(yán)重的，就跟智駕一樣，不能車開著就突然失靈了，這個是不可想象的。很多物理終端以后都要進入生活成為其中一個伙伴，全部由一個腦子控制也挺恐怖的，跟科幻片的反派一樣，只要控制一個AI，所有終端都變成挾持人類的工具。

所以我們希望是分布式的智能，跟人一樣，每個大腦都是獨立的，自主的。但是核心在于云端模型之外，物理AI每個端側(cè)它具備分布式智能，而且是在本地快速、安全的響應(yīng)能力，這才是一個比較穩(wěn)定的結(jié)局。這也是為什么我們覺得端側(cè)有價值。

物理AI處于寒武紀(jì)，流式多模態(tài)是Om AI最重要的基礎(chǔ)能力

36氪：物理AI的競爭格局，你是怎么看的？

趙天成：物理AI特別像2016年的感覺，當(dāng)時深度學(xué)習(xí)語言是剛剛突破，當(dāng)時我也發(fā)了最早一批生成式的語言模型，在那個時候有很多思路，也有很多問題待解決，沒有人知道唯一的、收斂的終局是什么，所以我覺得當(dāng)前物理AI處在一個寒武紀(jì)，類似一個物種大爆發(fā)期。物理AI這個機會太大了，我不相信物理AI只有一條路，就一個方法，就聚焦在機器人一個載體上，肯定是百花齊放。

從技術(shù)側(cè)來看，技術(shù)側(cè)近幾年通過VLM多模態(tài)的方式，在感知理解推理方面取得大幅度突破，可以做很多以前不能做的事情，但像世界模型，或者物理交互，方法又很不確定。現(xiàn)在既有已經(jīng)突破的技術(shù)，完成從0到1的技術(shù)，也有很多需要解決從0到0.5的突破的點。現(xiàn)在剛好是一個交界點，從0到1的技術(shù)還沒有開始規(guī)模化應(yīng)用，又出現(xiàn)了很多0到1未解的問題。在這個點上，會有很多可能性，可以做底層突破，也可以是應(yīng)用層，都有機會。

36氪：Om AI押注流式多模態(tài)，是場景倒逼還是自主選擇？

趙天成：流式多模態(tài)是自己的選擇。從問題本身出發(fā)，語言模型的核心計算單元是Token以字符串的方式處理，文本流打字聊天是可以的，因為信息是線性的字符串進來，但是到物理世界后，原生的信息輸入就是視頻流。視頻流和文本流很不一樣，文本流其實每個字都很重要，但是視頻流里面大量的冗余信息，很多畫面其實是沒什么變化的。就像人眼看的時候，也不是每一個像素每一幀都在看，是一個自己抓重點的過程。視頻流本身又是非常動態(tài)和物理世界直接對接的信息。而任何在物理世界好用的東西，交互肯定要比較絲滑，肯定要很快速地響應(yīng)。物理世界是一個非常多模態(tài)的流式的交互的場景，在這個場景下面只用文本的token去做信息單元肯定是不太合適的事情，肯定需要有更加原生的方式去理解多模態(tài)的信息流。我覺得需要有不一樣的技術(shù)棧和不同的方法去做才會更原生。如果用文本把信息流近似一下，就又回到了最老的那種比較笨的交互系統(tǒng)，又慢又傻。

所以，流式多模態(tài)我們一直覺得是非常重要的基礎(chǔ)能力，也是最不可替代的底層技術(shù)之一。

36氪：物理AI是一個萬億級市場，Om AI瞄準(zhǔn)的是哪一部分？

趙天成：如果用一句話來總結(jié)的話，我們瞄準(zhǔn)的是“從成熟硬件向新興本體縱深演進”的物理AI終端市場。我們是這么理解的，所有事情都得有基礎(chǔ)，就如信息化沒做的時候一定做不了數(shù)字化。所以物理AI的成熟落地，和終端的商業(yè)化成熟度有正向的關(guān)系。比如攝像頭，在手機電腦等個人智慧終端，本體已經(jīng)很成熟了，但是現(xiàn)在沒有物理AI能力的。再往前走一點，到無人機或者機器狗，目前已經(jīng)在應(yīng)用但是屬于比較新興的終端，再往前，到真正的人形機器人，或者輕量級的可穿戴設(shè)備。Om AI對硬件終端的成熟度排序，與物理AI結(jié)合也是按照先成熟，后新興的落地順序排序。過去幾年我們跟IoT攝像頭、AI PC、個人終端這些成熟產(chǎn)品已經(jīng)開始結(jié)合，現(xiàn)在已經(jīng)開始向無人機和機器人布局。

這也是為什么我們覺得“一腦多形”的價值所在，因為“一腦多形”，才能把成熟的經(jīng)驗帶到新的本體里面去。比如機器狗，其實本身沒有什么數(shù)據(jù)，但是可以把過去上百萬的攝像頭或者PC的經(jīng)驗延續(xù)到機器狗上，讓機器狗有個很好的起點，通過新的場景、新的數(shù)據(jù)反哺。市場爆發(fā)的點需要雙向奔赴，硬件成熟了，AI也成熟了，結(jié)合在一起就變成了一個真正的物理AI終端。

36氪：這次WAIC，Om AI的參展計劃和亮點是什么？

趙天成：此次重磅亮相的，是我們這次新發(fā)布的VLX模型系列。這也是我們過去一年多時間，最核心的技術(shù)突破。我們會同步展出在不同場景落地的終端產(chǎn)品。

36氪：VLX模型系列有非常多技術(shù)創(chuàng)新，實現(xiàn)了更小的模型更優(yōu)的效果，這種效果是架構(gòu)優(yōu)化后的必然結(jié)果？

趙天成：這是我們能做基礎(chǔ)模型架構(gòu)創(chuàng)新的優(yōu)勢，很多時候大家動不了架構(gòu)，所以會被卡脖子，當(dāng)能動架構(gòu)之后，就可以做一些不一樣的事情。Om AI沒有針對某個領(lǐng)域去專門定制，而是做成了一個通用模型，讓模型能在多場景多領(lǐng)域泛化，但是對于某種特別需要的能力，我們會定制加強。比如老鷹捕獵和圖書管理員對眼睛的使用需求是不一樣的，OM AI很多模型架構(gòu)創(chuàng)新就是為了解決如何讓原生的架構(gòu)適合干物理AI的活，包括流式的快速理解，快速推理，都是為了讓模型原生的架構(gòu)天花板變得更高。

基于多模態(tài)訓(xùn)練方式，能帶來開放世界的泛化性

36氪：公司布局物理AI的契機是什么？

趙天成：第一個原點是2023年的時候，公司第三代模型出來。最早的時候，模型是基于大量的多媒體的數(shù)據(jù)去訓(xùn)練的，一開始的場景其實也是會偏媒體場景，比如視頻剪輯，編輯查詢等。2023年的時候有一個用戶，說他有很多監(jiān)控攝像頭是用來做衛(wèi)生管理的，能不能把數(shù)據(jù)接進來試試看。當(dāng)時我們不太看好，因為以前很多同行也做了很多，感覺沒什么好做了，但后來發(fā)現(xiàn)，其實就是一個簡單的攝像頭識別下面場景，基于上一代計算機視覺技術(shù)的小模型思路和解決方案，泛化性很差，遠遠沒有想的滲透率那么高。我們嘗試了一下，發(fā)現(xiàn)當(dāng)時的模型泛化性已經(jīng)比小模型好很多了，所以我們意識到，基于多模態(tài)訓(xùn)練方式，真的能帶來一些開放世界的泛化性。這在廣闊的物理場景下面，就是一個剛性需求，我們也以這個為起點，做了很多模型的研發(fā)。

36氪：產(chǎn)品發(fā)布后，公司上線了產(chǎn)品體驗平臺，后續(xù)有開源計劃嗎？

趙天成：有的，我們對開源非常重視的。我在學(xué)生時代就做了很多開源的工作。開源非常有利于產(chǎn)品進步。開源一方面是對產(chǎn)品自信的表現(xiàn)，說明產(chǎn)品進化速度很快，已經(jīng)有更好的東西在做了。用戶也會證明這是一個好東西，并為我們帶來更多正面的聲量。另一方面，用戶的反饋對我們也是很大的幫助，我們會了解他們的卡點是什么，產(chǎn)品應(yīng)該怎么更好地融合。總的來說，開源是一個非常好的機制，既帶來了口碑與共識，也帶來了反饋，也讓整個市場更信任我們。開源本身也是促使AI在早期實現(xiàn)快速發(fā)展的原因。

36氪：模型從實驗室到落地應(yīng)用過程中，有哪些有趣的故事？

趙天成：故事比較多，經(jīng)過了好多卡點。第一個階段就是解決市場教育問題，多模態(tài)模型本身是一個全新的概念，機器視覺或者視覺本身并不是以前沒有的東西，它也有上一代的技術(shù)，但隨著通用多模態(tài)模型出來之后，以前很多不能干的事情，比如開放理解、總結(jié)報告輸出等，現(xiàn)在都能干。在用戶層面，一開始是完全無法理解，需要很多用戶教育。以前我們發(fā)明了很多概念，一句話生成一個算法、視覺大腦、萬物識別等等，各種名詞想辦法讓用戶更理解這個事情。

第二階段，實驗室里技術(shù)突破和用戶能驗收產(chǎn)品中間其實有很大的鴻溝。做學(xué)術(shù)的時候，從65分到70分，或者60分到80分就是重大突破或者革命性突破，但是到了用戶層面，可能會覺得沒有到95分都是垃圾，是沒有意義的事情。從0到60到90可能很快，但是最后的一節(jié)，可能是最難的部分，需要很細(xì)致的模型訓(xùn)練方法改進，或者工程化的數(shù)據(jù)投入，才能把最后一節(jié)攻下來。本質(zhì)來說，還是要把硬骨頭啃下來，才能讓實驗室的模型過渡到產(chǎn)業(yè)級。

最后，還要實現(xiàn)產(chǎn)品理念的提升。很多模型還是模型，它是一個能力，是一個接口，是一個API，現(xiàn)在大家都說AI原生應(yīng)用，這句話非常重要，如果還是以前那套軟件后面加個能力，用戶是感受不到的，或者感知很弱。只有當(dāng)年ChatGPT出來后，創(chuàng)新了對話模式。多模態(tài)模型也是一樣，要更加AI原生，從產(chǎn)品層面就要以AI人才去牽頭做，才會讓用戶感受到產(chǎn)品的不一樣。現(xiàn)在我們走到產(chǎn)品層面，也得用新的思路去干，才能讓整個商業(yè)閉環(huán)走通。

36氪：公司主要落地了哪些商業(yè)化場景？

趙天成：我們的核心是“圍繞視頻密度高、硬件成熟度高的場景層層推進”。目前已經(jīng)有的板塊比如PC，通過賦能內(nèi)容創(chuàng)作者，他們有很多視頻剪輯編輯處理的需求；工業(yè)物聯(lián)，讓以前普通的攝像頭，給它們裝上大模型大腦，變成物理智能體……已經(jīng)有很多的業(yè)務(wù)板塊，目前重點拓展的是圍繞具身智能場景，特別是機器狗、無人機等，本體已慢慢成熟，缺乏的是讓它變成自主行動自主決策的物理Agent。

未來海外市場也是我們重點拓展的方向之一，我們在海外展會發(fā)現(xiàn)，中國的產(chǎn)品力非常強，特別是真正到端側(cè)多模態(tài)，我們的模型有極大的優(yōu)勢。如果純數(shù)字空間和海外產(chǎn)品對比，大家都很強，但是到物理終端場景下面，中國反而有優(yōu)勢，這個方向是有可能做到業(yè)務(wù)全球化的。

36氪：在商業(yè)模式上你的思考是什么？

趙天成：AI是一個新東西，商業(yè)模式肯定不能套用過往的經(jīng)驗。我們現(xiàn)在也有很多創(chuàng)新的模式。比如模型更新很快，用戶是愿意付訂閱費的。再往前走，當(dāng)物理AI出來之后，也可以探索以結(jié)果付費的邏輯，產(chǎn)生了多少價值，賺/省了多少錢，采取分潤的模式。

36氪：當(dāng)前很多物理AI公司還未能完成PMF，公司如何做到已經(jīng)實現(xiàn)以億為單位的營收的？

趙天成：首先我們一直堅持初心還是有比較大的先發(fā)優(yōu)勢。可能國內(nèi)大部分的認(rèn)知到2024年的時候才知道有多模態(tài)模型這個事情，或者覺得這種技術(shù)路線是一件事，才有人去研究怎么用，怎么落地的事情。我們的研究會早很多，我從2018年已經(jīng)在做多模態(tài)的研究，回國后2021年開始做多模態(tài)模型訓(xùn)練，我們比別人會早個三四年，技術(shù)儲備、模型訓(xùn)練、應(yīng)用場景探索，甚至市場教育，我們的先發(fā)優(yōu)勢都是基于非常有價值的多年積淀。2024年，很大一批人拿大的模型去調(diào)試、測試，會發(fā)現(xiàn)很多如成本高、速度慢的問題，他們會認(rèn)為這個事情不能在物理AI場景應(yīng)用，但我們基于具備原生創(chuàng)新的技術(shù)能力，對技術(shù)的理解深度會深很多。我想這是我們非常重要的核心優(yōu)勢。

先把數(shù)據(jù)飛輪轉(zhuǎn)起來，在物理AI就是領(lǐng)先的

36氪：你如何看待未來的行業(yè)競爭？公司如何保持競爭優(yōu)勢？

趙天成：未來物理AI的場景肯定會越來越多人關(guān)注，競爭肯定會加劇，不管是新創(chuàng)立的企業(yè)，還是大廠。對于我們來說，當(dāng)前技術(shù)還是一個高度變革的時期，方法完全沒有到收斂期，團隊還是很純粹地在做底層技術(shù)的研究，這也讓我們有非常大的人才吸引力，這點是未來要保持的。另一點是我們有比較好的先發(fā)優(yōu)勢，我們讓更多的終端先用先跑，這是一個非常大的護城河，因為物理AI的很多場景，大家都沒有過探索，先把數(shù)據(jù)飛輪轉(zhuǎn)起來，在這個板塊里面就是領(lǐng)先的。這也會產(chǎn)生一定的馬太效應(yīng)，把更多的資源、數(shù)據(jù)、客戶，吸引過來。

36氪：公司有一段從技術(shù)到商業(yè)再回歸到技術(shù)的思路轉(zhuǎn)變，為什么？

趙天成：公司里面純粹搞研究的同學(xué)，他們一直比較純粹，但是對我來說我得負(fù)責(zé)整體，就會遇到雙向的沖擊和輸入，是技術(shù)與市場預(yù)期之間的差距。所以市場化的過程中，好像模型也沒有很重要，好像引以為傲的技術(shù)在里面只占了30%或40%的感覺。但回過頭來看，這其實只是一個過渡期，客戶真正買單的還是為智能買單，最終還是依靠模型能力。如果你的模型能力不是最好、最強的，后面就會失去最核心的競爭力。領(lǐng)悟這點后，就會來到第三階段，上面的花架子也重要，但是不能沒有最核心的點，只有把最核心的點做到最強，才能把規(guī)模做大。

36氪：從校園到現(xiàn)在，有沒有哪個決策或時刻，你認(rèn)為比較具有轉(zhuǎn)折意義？

趙天成：第一個是畢業(yè)的時候，我研究做得很好，是當(dāng)時最優(yōu)秀的畢業(yè)生之一，不管是大廠做科研，還是去做教授其實是水到渠成的事情。但當(dāng)時特別想做產(chǎn)品做創(chuàng)業(yè)，因為當(dāng)時覺得模型做了很多，論文發(fā)了很多，卻跟現(xiàn)實世界差距很遠。

第二個是回國之后，在美國創(chuàng)業(yè)就是常規(guī)邏輯，做SaaS產(chǎn)品和創(chuàng)業(yè)公司打通就可以，但是回來之后我想還是要跟中國比較有優(yōu)勢的行業(yè)做結(jié)合，所以當(dāng)時想是不是做點跟硬件結(jié)合的東西。于是我們就開始跟終端結(jié)合，現(xiàn)實的確做出一些在美國做不了的事情，當(dāng)然這個路肯定更苦一些。

第三個是2024年的時候，以前公司的日子過得挺好的，當(dāng)時也沒什么人做這個方向的探索，2024年競爭一下就起來了，各類模型都出來了，這個時候要決定到底專攻哪個點。比較了云端的模型，端側(cè)的模型，多模態(tài)的、語言的、視頻生成的，我們覺得還是要堅持在流式多模態(tài)上面持續(xù)專攻，這個跟別人是有差異性的。雖然說它定位到端側(cè)之后可能會有更多的挑戰(zhàn)，不管是商業(yè)模式，還是軟硬件結(jié)合會有很多的挑戰(zhàn)，但是我們決定保持初心，押注物理AI，把流式多模態(tài)做成最核心的能力。

36氪：是什么原因讓你一開始就堅定多模態(tài)這個方向？

趙天成：卡耐基梅隆?學(xué)語言技術(shù)研究所（CMU LTI）是做語言最出名的地方，我的導(dǎo)師90年代的時候做了第一個實用化的對話的智能體，它的第三代是我做的，2016年我把它從一個用了20年的神經(jīng)網(wǎng)絡(luò)系統(tǒng)替代成了一個生成式模型。在讀博過程中，雖然也做了很多對話的模型，但我感覺它只是交互場景，比如聊天、情感陪伴等，離我想要的“活的”AI差了點東西。只是對話不產(chǎn)生價值，2017年左右，雅虎又一個多模態(tài)智能體的項目給了CMU，這個項目讓我感覺到多模態(tài)價值上限會高很多。所以我覺得應(yīng)該投在多模態(tài)，把視覺跟語言融合在一起。

跑得快、看得遠、守得住

就在6月27日至29日連續(xù)發(fā)布了VLX-Flow、VLX-Seek、VLX-Go系列模型后，7月10日，Om AI聯(lián)匯再次發(fā)布了VLX-Seek 1.5，這是專為無人機、機器人、機器狗、智能監(jiān)控等真實具身場景進化的版本，相比1.0版本，1.5版本在模型架構(gòu)、訓(xùn)練數(shù)據(jù)和推理效率上進行了系統(tǒng)升級，覆蓋多種參數(shù)規(guī)模，能夠兼顧輕量化端側(cè)部署與高性能應(yīng)用需求，在準(zhǔn)確性、效率、可靠性和部署靈活性方面實現(xiàn)全面提升。

VLX-Seek架構(gòu)圖

VLX-Go架構(gòu)圖

 

版本的連續(xù)發(fā)布，密集卻不倉促，因為每一代模型的升級，背后都是多年流式多模態(tài)技術(shù)積累的自然釋放。而從CMU的第三代對話系統(tǒng)，到物理世界終端上跑通的VLX模型，趙天成用多年時間完成了一次完整的商業(yè)驗證：技術(shù)路線的選擇、產(chǎn)業(yè)拐點的預(yù)判、端側(cè)場景的深耕、數(shù)據(jù)飛輪的轉(zhuǎn)動——每一環(huán)都經(jīng)受了市場的檢驗。這個關(guān)于“判斷力+定力”的商業(yè)樣本，它的核心啟示或許很簡單：在瞬息萬變的AI時代，能夠抵達終局的人，不僅需要跑得快，更需要比市場更早看到未來，且從不偏離方向。

 

本文來自微信公眾號“36氪”，36氪經(jīng)授權(quán)發(fā)布。