對(duì)話商湯聯(lián)合創(chuàng)始人林達(dá)華：當(dāng)AI生圖告別“玩具時(shí)代”

Fast Reading

在2026年WAIC期間，商湯科技正式發(fā)布全新多模態(tài)基座商湯日日新 SenseNova-U1 Pro，實(shí)現(xiàn)“交付級(jí)”的復(fù)雜圖片創(chuàng)作能力。

最重要的技術(shù)創(chuàng)新，都必須跨越一道工業(yè)紅線：從展示效果的“玩具”，變成推動(dòng)生產(chǎn)力變革的工具。

語(yǔ)言讓機(jī)器理解人類表達(dá)，視覺讓機(jī)器感知真實(shí)環(huán)境，而二者的融合，才可能讓AI真正進(jìn)入物理世界。

作者| 于米

編輯 | 黃運(yùn)濤

林達(dá)華并不否認(rèn)AI競(jìng)爭(zhēng)中的“快”。

過去一年，大模型行業(yè)進(jìn)入高速迭代期，新模型、新應(yīng)用甚至新的創(chuàng)業(yè)公司不斷涌現(xiàn)。對(duì)于技術(shù)公司而言，速度似乎成為一種生存能力。

但作為商湯科技聯(lián)合創(chuàng)始人、首席科學(xué)家，林達(dá)華對(duì)“快”有另一種理解。

“快跟慢需要辯證地看?！绷诌_(dá)華說(shuō)。在大模型領(lǐng)域，真正的快往往來(lái)自長(zhǎng)期的慢。沒有持續(xù)投入形成的技術(shù)積累、基礎(chǔ)設(shè)施和迭代閉環(huán)，所謂速度只是短暫的領(lǐng)先。ChatGPT的誕生看似突然，背后卻是OpenAI多年研究投入后的集中釋放。

這也是商湯面對(duì)多模態(tài)大模型競(jìng)爭(zhēng)時(shí)選擇的路徑：不追逐短期風(fēng)口，而是圍繞底層架構(gòu)持續(xù)投入，等待技術(shù)積累跨越從實(shí)驗(yàn)室能力到產(chǎn)業(yè)價(jià)值的臨界點(diǎn)。

7月18日，在2026世界人工智能大會(huì)（WAIC）期間，商湯科技正式發(fā)布全新多模態(tài)基座——商湯日日新 SenseNova-U1 Pro（以下簡(jiǎn)稱U1 Pro）。

通過圍繞視覺創(chuàng)作進(jìn)行迭代，U1 Pro實(shí)現(xiàn)了“交付級(jí)”的復(fù)雜圖片創(chuàng)作能力，媲美國(guó)際頂尖模型。它可以通過內(nèi)生的圖文交錯(cuò)思維進(jìn)行深度創(chuàng)作和交付，是業(yè)界首個(gè)以“理解、生成、行動(dòng)”原生統(tǒng)一為內(nèi)核的多模態(tài)智能體基座。

在行業(yè)普遍通過模塊組合提升模型能力時(shí)，商湯希望從底層改變模型理解世界的方式。

在林達(dá)華看來(lái)，最底層的創(chuàng)新什么時(shí)候才能夠在商業(yè)化上取得巨大成功，具有很大的不確定性。但他相信，那些最重要的技術(shù)創(chuàng)新，最終都必須跨越一道工業(yè)紅線：從展示效果的“玩具”，變成推動(dòng)生產(chǎn)力變革的工具。

U1 Pro是這一判斷的最新實(shí)踐。

林達(dá)華打了一個(gè)比喻，如果說(shuō)傳統(tǒng)文生圖模型是一個(gè)生成工具，那么U1 Pro更像一個(gè)會(huì)思考的設(shè)計(jì)師。它能夠理解用戶意圖，在生成、修改、優(yōu)化之間不斷迭代，最終形成可交付的圖片作品。

但設(shè)計(jì)只是起點(diǎn)。

在商湯更長(zhǎng)期的技術(shù)藍(lán)圖中，多模態(tài)模型最終要走向世界模型。語(yǔ)言讓機(jī)器理解人類表達(dá)，視覺讓機(jī)器感知真實(shí)環(huán)境，而二者的融合，才可能讓AI真正進(jìn)入物理世界。“我們希望通過語(yǔ)言跟視覺的聯(lián)合涌現(xiàn)，來(lái)實(shí)現(xiàn)更廣闊物理空間下的AGI。”林達(dá)華說(shuō)。

在商湯科技正式發(fā)布U1 Pro前，雪豹財(cái)經(jīng)社等與林達(dá)華進(jìn)行過一次交流，以下為訪談實(shí)錄（節(jié)選，經(jīng)編輯）：

跨越工業(yè)紅線

Q1：大模型行業(yè)都在追求快，作為技術(shù)帶頭人，你對(duì)“快”這個(gè)字如何理解？

林達(dá)華：快跟慢需要辯證地看。慢，代表長(zhǎng)期主義，堅(jiān)持在一個(gè)方向上持續(xù)投入和積累?？欤瑒t代表前期的投入建設(shè)起了一整個(gè)基礎(chǔ)設(shè)施和閉環(huán)的迭代鏈路。在大模型領(lǐng)域，你很難在兩三個(gè)月內(nèi)突然在一個(gè)方向上建立起深厚的競(jìng)爭(zhēng)力。

OpenAI推出ChatGPT，是長(zhǎng)時(shí)間鋪墊后的厚積薄發(fā)。當(dāng)產(chǎn)品推出去、獲得大量用戶反饋后，迭代速度確實(shí)會(huì)極大提高。但“快”絕不能是“打一槍換一個(gè)地方”，否則就無(wú)法形成長(zhǎng)期復(fù)利的飛輪。

Q2：越懂技術(shù)的人越容易因?yàn)橹獣噪y度而謹(jǐn)慎，商湯在堅(jiān)持做原生統(tǒng)一架構(gòu)時(shí)，是否經(jīng)歷過商業(yè)化被別人搶跑的焦慮？

林達(dá)華：確實(shí)有這個(gè)可能性。今年4月份我們開源U1輕量版并發(fā)布詳細(xì)技術(shù)報(bào)告時(shí)，我們也擔(dān)心過別人會(huì)很快借鑒。但我認(rèn)為，最底層的創(chuàng)新什么時(shí)候才能夠在商業(yè)化上取得巨大成功，具有很大的不確定性。

最初做U1時(shí)，我們嘗試過視覺推理、具身智能等不同方向。后來(lái)，我們從今年上半年備受市場(chǎng)青睞的Coding賽道中得到啟發(fā)：一個(gè)技術(shù)只要突破了工業(yè)紅線，達(dá)到能夠?qū)崿F(xiàn)生產(chǎn)力變革，而不僅是玩具水平的時(shí)候，它就一定能打開巨大的商業(yè)空間。

Q3：視覺設(shè)計(jì)是一個(gè)巨大的賽道，U1 Pro 是如何在其中找到突破口的？

林達(dá)華：在4月份開源U1時(shí)，我們做了一個(gè)“圖文交錯(cuò)思維”的探索，發(fā)現(xiàn)模型具備了初步的連續(xù)創(chuàng)作可能性——你可以先畫草圖，再去補(bǔ)充細(xì)節(jié)、著色，最后變成豐富的圖像。這就讓我們看到了一種可能性：它是否能像一個(gè)設(shè)計(jì)師一樣去工作，從而改變整個(gè)設(shè)計(jì)行業(yè)？這能把生圖從“好玩、看著不錯(cuò)”的娛樂屬性，轉(zhuǎn)變?yōu)楦淖兩a(chǎn)力、打開商業(yè)化空間、實(shí)現(xiàn)成品級(jí)設(shè)計(jì)的核心力量。

Q4：商湯如何定義圖像設(shè)計(jì)的“可交付”標(biāo)準(zhǔn)？

林達(dá)華：我們內(nèi)部的標(biāo)準(zhǔn)非常簡(jiǎn)單：60分叫做“交付級(jí)”。我們有一個(gè)由兩百位美院學(xué)生和設(shè)計(jì)師組成的團(tuán)隊(duì)，他們只給每張圖評(píng)判一句話：“作為設(shè)計(jì)師，你愿不愿意把這張圖直接交給你的客戶？”

如果60%以上的出圖能夠達(dá)到這個(gè)標(biāo)準(zhǔn)，我們就認(rèn)為它達(dá)到了交付級(jí)。在我們的內(nèi)部評(píng)測(cè)中，今年年初以前出來(lái)的各種生圖模型（包括小規(guī)模開源模型）在這塊的交付率只有個(gè)位數(shù)；近期出來(lái)的商業(yè)化模型，其交付率也低于五成。目前能夠達(dá)到交付級(jí)的只有兩個(gè)模型：一個(gè)是我們的U1 Pro，另一個(gè)是GPT-Image 2。

Q5：對(duì)于交付級(jí)的生圖模型，評(píng)價(jià)維度與傳統(tǒng)評(píng)測(cè)有何區(qū)別？

林達(dá)華：區(qū)別在于容錯(cuò)率。比如一張海報(bào)里有一百個(gè)字，如果錯(cuò)了一個(gè)字，你大概率是不敢拿去打印并滿大街張貼的。

在傳統(tǒng)的生圖評(píng)價(jià)體系里，一百個(gè)字錯(cuò)一個(gè)字它還能得99分，因?yàn)樗瞧骄u(píng)價(jià)所有維度的。但對(duì)于交付級(jí)生成來(lái)說(shuō)，一百個(gè)字錯(cuò)一個(gè)字，這張圖就是不可用的，就是0分。很多傳統(tǒng)的生圖軟件沒法交付，就是因?yàn)榧?xì)節(jié)總是出瑕疵。我們必須做到生出來(lái)的圖沒有瑕疵，用戶拿到就可以直接沖印和打印。一旦打穿這個(gè)工業(yè)紅線，商業(yè)閉環(huán)就能規(guī)?；蜷_。

Q6：對(duì)于設(shè)計(jì)類大模型，商湯是如何規(guī)劃C端與B端的商業(yè)模式的？

林達(dá)華：舉個(gè)例子，我們另外一款產(chǎn)品“小浣熊”，它在C端的增長(zhǎng)很快，現(xiàn)在已有200多萬(wàn)活躍周用戶。C端用戶在試用后覺得好，當(dāng)我們的銷售再去向B端客戶推廣時(shí)，市場(chǎng)教育和溝通成本就會(huì)低很多。

C端可能并不是我們收入的主要來(lái)源，但它能為我們帶來(lái)源源不斷、有愿意付費(fèi)的B端客戶。我們目前已經(jīng)有一些KA（關(guān)鍵客戶）在游戲、設(shè)計(jì)等內(nèi)部環(huán)境中試用我們的專業(yè)版模型。

U1 Pro：一個(gè)會(huì)思考的設(shè)計(jì)師

Q7：如果用一句話來(lái)區(qū)分 U1 Pro 和傳統(tǒng)的文生圖模型，你會(huì)怎么講？

林達(dá)華：U1 Pro 是一個(gè)創(chuàng)作模型，而不是一個(gè)生成模型。傳統(tǒng)的生成模型是“Prompt直出圖像”，中間沒有過程；而U1 Pro 像一個(gè)會(huì)思考的設(shè)計(jì)師，在理解、生成和行動(dòng)的循環(huán)中，多步迭代、逐漸形成高美學(xué)的成品圖像。

Q8：主打原生統(tǒng)一的架構(gòu)，在結(jié)構(gòu)和性能上有什么具體優(yōu)勢(shì)？

林達(dá)華：最核心的優(yōu)勢(shì)在于結(jié)構(gòu)非常簡(jiǎn)單，非常適合Scale（參數(shù)擴(kuò)展）。當(dāng)結(jié)構(gòu)過于復(fù)雜時(shí)，設(shè)計(jì)更大集群的訓(xùn)練和推理系統(tǒng)會(huì)面臨各種平衡計(jì)算特性的難題。更重要的是“表征空間的統(tǒng)一”。如果理解和生成分別走不同的通道，其表征層面就是不融合的，就像外國(guó)人跟中國(guó)人說(shuō)話總是需要翻譯。如果它們都用同一種語(yǔ)言（同一個(gè)表征空間）進(jìn)行學(xué)習(xí)和交融，學(xué)習(xí)效率、服務(wù)效率和推理效率都會(huì)有質(zhì)的提升。

Q9：在沒有顯示調(diào)度信號(hào)的情況下，原生統(tǒng)一架構(gòu)是如何決定這一步該輸出文字還是輸出圖片的？

林達(dá)華：這里沒有調(diào)度信號(hào)，它采用的是非常標(biāo)準(zhǔn)的自回歸（Auto-regressive）方式，也就是不斷地Predict the next token（預(yù)測(cè)下一個(gè)Token）。

在我們的架構(gòu)里，出圖像的地方都會(huì)有特殊的Beginning Tag和Slash Tag（結(jié)束標(biāo)記），圖像本身也有對(duì)應(yīng)的Token。當(dāng)模型運(yùn)行到那個(gè)點(diǎn)，覺得Next token就應(yīng)當(dāng)是圖像時(shí)，它自然就會(huì)往生成圖像的方向去走。

Q10：U1 Pro 支持原生8K輸出，這在帶來(lái)畫質(zhì)突破的同時(shí)，如何控制計(jì)算量和顯存成本？

林達(dá)華：高分辨率意味著視覺Token數(shù)量激增。我們?yōu)榇俗龀隽藥醉?xiàng)關(guān)鍵創(chuàng)新：

第一，我們使用了32×32的大Patch（普通的生圖軟件一般采用16×16的小Patch），這使得Token數(shù)量直接降低到原來(lái)的四分之一。

第二，大Patch面臨的挑戰(zhàn)是對(duì)細(xì)節(jié)的精準(zhǔn)控制力。我們研發(fā)了“自適應(yīng)噪聲控制（Adaptive Noise Control）”手段，幫助模型有效捕捉并學(xué)好細(xì)節(jié)。

第三，我們?cè)诳臻g采樣上允許Patch之間有一定的Overlap，結(jié)合模型結(jié)構(gòu)的專門優(yōu)化，確保Context在沒有發(fā)生爆炸性增長(zhǎng)的前提下，依然獲得極強(qiáng)的大圖生成能力。

Q11：與 GPT Image 2 相比，U1 Pro 在設(shè)計(jì)感和細(xì)節(jié)控制上有什么差異化優(yōu)勢(shì)？

林達(dá)華：我們自己觀察，U1 Pro在文字能力、設(shè)計(jì)感以及細(xì)節(jié)控制上，甚至比GPT Image 2更勝一籌。因?yàn)樵谖覀兊牡芈分?，有至少兩百位專業(yè)設(shè)計(jì)師在不斷給模型提供強(qiáng)化學(xué)習(xí)的反饋，這賦予了模型很強(qiáng)的中式美感與藝術(shù)細(xì)節(jié)表現(xiàn)力。

此外，GPT Image 2只能出到4k，我們能原生出8k。比如在7月18日的發(fā)布會(huì)上，大家會(huì)看到一張類似《清明上河圖》的長(zhǎng)幅巨作，它是單一長(zhǎng)圖直接生成的，能鋪滿現(xiàn)場(chǎng)極寬的屏幕。這種復(fù)雜大長(zhǎng)圖的生成，是GPT Image 2目前絕對(duì)生成不出來(lái)的。

Q12：U1 系列包含了 Pro（閉源）、Standard（開源）、Fast（高并發(fā)版），這種分層邏輯背后的考量是什么？

林達(dá)華：通過不同的策略和模型大小，我們?cè)谒懔Τ杀竞蜕尚阅苤g做了分層。這背后對(duì)應(yīng)的是我們想要同時(shí)實(shí)現(xiàn)的三個(gè)目標(biāo)：

1. 擁抱社區(qū)（Standard開源版）：我們認(rèn)為任何健康可持續(xù)的商業(yè)模式都離不開一個(gè)共同成長(zhǎng)的生態(tài)。通過開源輕量級(jí)模型，能讓學(xué)術(shù)界和開發(fā)者共同探索技術(shù)邊界。

2. 專業(yè)交付（Pro專業(yè)版）：面向高端專業(yè)級(jí)用戶，追求完美無(wú)缺、可以直接拿去印刷的高品質(zhì)畫面，它需要多輪深度迭代，對(duì)算力要求高。

3. 高并發(fā)C端體驗(yàn)（Fast快版）：針對(duì)大部分普通用戶，他們可能需要10秒鐘快出一張圖，發(fā)個(gè)朋友圈，對(duì)美學(xué)精度要求沒那么極致，這就需要極低延遲、極低成本的服務(wù)。

Q13：U1 Pro 強(qiáng)調(diào)“理解、生成、行動(dòng)”三位一體。在圖像生成中，這種“行動(dòng)與思考”是如何具體運(yùn)作的？

林達(dá)華：它本質(zhì)上是一個(gè)很強(qiáng)的多模態(tài)模型在執(zhí)行一個(gè)多步的任務(wù)邏輯。我們?yōu)樗峁┝艘粋€(gè)Action Space（行動(dòng)空間），它每走一步都會(huì)做出生成、局部編輯或者組合構(gòu)建等行動(dòng)。

我們將設(shè)計(jì)師的專業(yè)意見整理為Instruction（思維鏈），幫助模型做冷啟動(dòng)。隨后利用多維度（如文字對(duì)齊、構(gòu)圖美感等）的Reward Model（獎(jiǎng)勵(lì)模型）進(jìn)行強(qiáng)化學(xué)習(xí)。每出一張圖，系統(tǒng)都會(huì)給反饋，模型在自適應(yīng)地糾錯(cuò)中學(xué)會(huì)了“看到不同的畫面情況，自己去Sense下一步應(yīng)該做什么”。

語(yǔ)言與視覺聯(lián)合涌現(xiàn)的AGI終局

Q14：現(xiàn)在“世界模型”被賦予了不同的定義。在商湯的技術(shù)架構(gòu)中，如何判定一個(gè)模型具備了“世界模型”的屬性？

林達(dá)華：在我們的定義里，世界模型必須能夠有效地去建模這個(gè)世界。這意味著：當(dāng)你對(duì)這個(gè)世界采取任何一個(gè)動(dòng)作時(shí)模型能夠盡可能忠實(shí)、符合物理規(guī)律地去反映這個(gè)世界由于交互所產(chǎn)生的狀態(tài)變化。比如，機(jī)器人往前走一步，或者端起杯子。因此，世界模型絕不僅是一個(gè)“視頻生成模型”，而是一個(gè)具備空間動(dòng)態(tài)交互建模能力的模型。

Q15：你曾提出大模型的進(jìn)化方向是Words to Worlds，從數(shù)字空間向真實(shí)空間交互跨越。這會(huì)是商湯長(zhǎng)期的戰(zhàn)略方向嗎？

林達(dá)華：你可以把它理解為商湯的終極愿景——我們希望通過“語(yǔ)言跟視覺的聯(lián)合涌現(xiàn)”，來(lái)實(shí)現(xiàn)更廣闊物理空間下的AGI。我們所理解的AGI，絕不是一個(gè)狹義的、只能處理文字或?qū)懘a的模型，而是像人一樣，擁有能將視覺感知與語(yǔ)言語(yǔ)義發(fā)生深度融合的通用智能。一旦實(shí)現(xiàn)這個(gè)，才能迎來(lái)機(jī)器人的“GPT時(shí)刻”。目前絕大多數(shù)具身智能機(jī)器人，其行動(dòng)邏輯都只能局限在非常有限的范圍內(nèi)。

Q16：在走向這個(gè)終極愿景的漫長(zhǎng)過程中，商湯還需要補(bǔ)足哪些維度的能力？

林達(dá)華：我們需要從三個(gè)層面逐級(jí)攻克：

1. 架構(gòu)層面：我們已經(jīng)通過原生統(tǒng)一架構(gòu)，做好了能讓視覺和語(yǔ)言在同一個(gè)空間表達(dá)、融合、交互的地基。

2. 數(shù)據(jù)層面：我們需要捕捉更為多樣化的數(shù)據(jù)。除了生圖與設(shè)計(jì)，還需要采集三維物理空間數(shù)據(jù)，以及通過模擬生成的帶有空間結(jié)構(gòu)的多模態(tài)數(shù)據(jù)。

3. 訓(xùn)練范式層面：純文本大模型的next token prediction無(wú)法捕捉復(fù)雜的連續(xù)空間結(jié)構(gòu)。我們必須在深層融合的表征空間上，探索next frame prediction或next view prediction。讓模型學(xué)會(huì)在特定視角下把圖像“生成”出來(lái)，再跟真實(shí)物理世界做比對(duì)和判斷。

Q17：在面向更通用的 Agent（智能體）基座時(shí)，商湯為什么堅(jiān)持使用多模態(tài)理解與生成模型，而不是業(yè)界常用的 Coding 或文本通用大模型？

林達(dá)華：因?yàn)橥ㄓ肁GI一定離不開視覺。純文本和代碼模型是打不開空間能力和視覺感知的，而且現(xiàn)實(shí)世界里的很多視覺信息是無(wú)法完全用語(yǔ)言表達(dá)出來(lái)的。我們期待的是視覺與語(yǔ)言在底座上的深層融合、聯(lián)合涌現(xiàn)，這是打開物理世界現(xiàn)實(shí)應(yīng)用的唯一鑰匙。

群雄逐鹿，商湯優(yōu)勢(shì)何在？

Q18：在字節(jié)、騰訊等巨頭林立，以及獨(dú)立AI公司不斷涌現(xiàn)的競(jìng)爭(zhēng)格局中，商湯處于什么位置？

林達(dá)華：商湯目前在收入上是一家中等規(guī)模的公司，很難在所有賽道上和巨頭直接拼體量、拼資本。但商湯有一個(gè)獨(dú)特優(yōu)勢(shì)，就是我們從管理層到研發(fā)團(tuán)隊(duì)，對(duì)技術(shù)路線都有著極深的信仰和堅(jiān)持。

我們所有的戰(zhàn)略——從開悟世界模型、具身智能平臺(tái)，到現(xiàn)在的設(shè)計(jì)模型，全部共用一套“原生統(tǒng)一架構(gòu)”服務(wù)于不同的下游任務(wù)。巨頭的熱點(diǎn)，每個(gè)階段都在變，但終局是一致的。我們?cè)谧呦蚪K點(diǎn)的過程中，率先通過機(jī)器人巡檢、外賣、視覺設(shè)計(jì)等應(yīng)用打穿行業(yè)，獲得持續(xù)的商業(yè)閉環(huán)和資金，支撐我們往終點(diǎn)走下去。

Q19：今年AI人才競(jìng)爭(zhēng)呈白熱化，許多公司開出天價(jià)搶人，商湯怎么留住人才？

林達(dá)華：商湯研究體系團(tuán)隊(duì)今年的穩(wěn)定性非常強(qiáng)。我們之所以能凝聚共識(shí)，是因?yàn)樗袇⑴c統(tǒng)一架構(gòu)研發(fā)的同學(xué)，都對(duì)這個(gè)長(zhǎng)期愿景有極深的信仰。一個(gè)有歷史意義、能讓大家在技術(shù)長(zhǎng)河中留下獨(dú)特印記的愿景，有時(shí)候更能吸引和留住最頂尖的人。

Q20：外界常把商湯稱為“AI人才的黃埔軍?！?，你如何看待員工離開商湯去創(chuàng)業(yè)？

林達(dá)華：我認(rèn)為年輕人去追求創(chuàng)新、創(chuàng)業(yè)，去做改變歷史的事情，是一個(gè)非常積極和正面的現(xiàn)象，這說(shuō)明商湯的創(chuàng)新基因是非常強(qiáng)大的。

湯曉鷗老師當(dāng)年創(chuàng)辦商湯的初衷，就是為年輕人創(chuàng)造舞臺(tái)?，F(xiàn)在我們積極擁抱這個(gè)變化，提出了“1+X”戰(zhàn)略。有些同事想出去創(chuàng)業(yè)，如果內(nèi)部體系暫時(shí)無(wú)法完全支持，我們選擇“扶上馬，送一程”。他們的公司可以作為X，與商湯這個(gè)“1”（集團(tuán)本體）在基礎(chǔ)設(shè)施、技術(shù)服務(wù)和應(yīng)用鏈路上形成非常好的生態(tài)協(xié)同。這讓商湯的生態(tài)空間能以一種更開放的方式持續(xù)擴(kuò)大。（End）

以下是用U1 Pro生成的6張效果圖，

由雪豹財(cái)經(jīng)社從商湯日日新官網(wǎng)獲?。?/strong>

封面來(lái)源：U1 Pro 官網(wǎng)