# 对话阶跃星辰创始人姜大昕：多模态模型还没出现GPT\-4时刻，坚持追求「智能上限」

- 作者：李超凡
- 发布时间：2025-05-09 11:59
- 分类：专访、公司
- 原文：https://www.ifanr.com/1623268

AI 是否进入下半场或许还有争议，但大模型进入淘汰赛已经板上钉钉。

在 DeepSeek R1 横空出世后更是愈演愈烈，今年光是 OpenAI、Anthropic、Google、Meta、Grok 目前已经合计发了至少 8 款新模型，而国内的 AI 六小龙们也有的开始放弃预训练，将 AGI 的理想主义束之高阁。

在这当中，阶跃星辰是一家有点特殊的公司。在去年年底之前都鲜有融资消息，但却在多模态模型上成为「卷王」，成⽴ 2 年已经发布了 22 款⾃研基座模型，成为最低调神秘的 AI 独角兽。

阶跃星辰创始人兼 CEO 的姜大昕，和这家公司一样低调，很少出现在 AI 行业热闹的舆论场中。

而昨天，姜大昕与 APPSO 等媒体进行一场深度的沟通会，他向我们分享对于 AGI 路径，多模态模型等技术的看法，以及阶跃星辰未来的计划。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/ed9fe589c34c13906f674744f8b052ee_origin.jpg)

### 多模态模型还没出现 GPT-4 时刻，追求「智能上限」

当下 AI 大模型领域的内卷没有尽头，头部公司之间不断上演着「贴脸发布」的激烈戏码。

不过姜大昕依然认为，「**追求智能的上限依旧是现阶段 AI 业内的重点。**」也就是说，虽然现在市面上模型一大堆，看起来都挺能打，但离真正的「聪明」还差得远。

大家都在抢发新模型，看着热闹，但如果只是在现有水平上修修补补，那也只是原地踏步的「内卷」。

姜大昕觉得，现在最要紧的还是得想办法把 AI 的「智商」往上再拔一拔，不然离大家心心念念的 AGI（通用人工智能）还远着呢。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/27399cc462c5a91c2710d8868e6dd275_origin.jpg)

在 DeepSeek R1 面世，以及大厂高调入场后，不少初创公司开始放弃研发基础模型，不过姜大昕在接受 APPSO 采访时表示：

> AI 行业的技术发展非常快，依然处于非常陡峭的区间。阶跃不想在这个过程中放弃主流增长或前进的趋势，所以我们还是会坚持做基础模型的研发。

同时姜大昕表示，应用和模型是相辅相成的，模型可以决定应用的上限，应用给模型提供具体的应用场景和数据。

那怎么才能让 AI 更聪明？姜大昕给出的一个关键路径是：「**多模态正是实现 AGI 的必经之路。**」

很多人说今年的 Agent 元年，**姜大昕认为 Agent 爆发需要两个必要的条件，一个是多模态的能力，另外一个是慢思考的能力**。

多模态，说白了就是让 AI 不光能看懂文字，还得能看图、听声、理解视频。

你想想人不就是眼耳口鼻一块儿上，才能全面理解这个世界嘛。AI 也得这样，变成一个能听、能看、能说的「多面手」。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/1.jpeg)

阶跃星辰可以说是多模态模型的「卷王」了，几乎每个月都发布一款基础⼤模型，其中多模态模型已经有 16 款。覆盖了从图像、视频到语音、音乐的理解和生成，用姜大昕的话说，是坚持「原生多模理念」。

不过，姜大昕也挺实在，他坦陈「**多模态模型领域目前还没有出现 GPT-4 时刻。**」

虽然多模态现在挺火，各家都在推，但还没出那种像 GPT-4 在文字领域那样，一出来就「哇哦」一下，让所有人都觉得「就是它了」的标杆性产品，技术上还有不少硬骨头要啃。

### AI 升级打怪三部曲

对于模型如何一步步逼近智能的上限，姜大昕描绘了一幅清晰的「三部曲」演进路线图，也可以说，这是阶跃星辰理解的 AGI 演进方向。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/4330295840112704b38dee8243f3e737_origin.jpg)

**模拟世界（模仿学习阶段）**： 这阶段的 AI 就像个刚学说话的小孩，喂给它海量数据，它就吭哧吭哧地学，主要任务是「predict next token」（预测下一个词）或者「predict next frame」（预测下一帧画面）。目的是让AI先学会这个世界长啥样，各种东西有啥特征。

**探索世界（强化学习阶段）**： 光会模仿还不行，还得培养解决复杂问题的能力。比如解个奥数题、写段复杂的代码，这需要「慢思考」。这时候就得上强化学习了，让AI在不断试错中学会怎么一步步把难题给解开。

**归纳世界（机器自主学习阶段）**： 这是最高境界了，AI不光能解决已知问题，还能自己去发现新规律，搞点人类没想到的创新。比如在科研领域帮科学家发现新材料、新药物啥的。

这三个阶段，与 OpenAI 提出的 AGI 五个 Level 在核心理念上不谋而合，现在整个 AI 行业的发展，基本就是照着这个剧本在推进。

### 为什么「理解生成一体化」这么重要？

在多模态，尤其是图像视频这块，姜大昕在沟通会中多次强调一个词：理解生成一体化。

> 理解生成一体化是计算机视觉领域的核心问题，对于实现 AGI 至关重要。

说白了，就是让模型既能看懂一幅图、一段视频是啥意思，又能根据这个理解自己创作出新的、相关的图像视频。现在很多时候是「看图用 A 模型，画图用 B 模型」，跟俩部门似的，配合不起来。

他举了个例子，比如老师在黑板上写字，现在的 Sora 能模仿老师写字的动作，但老师脑子里想的是啥、接下来要写什么内容，这得靠「理解」。如果理解和生成是两套系统，那模型就很难真正「懂」你，生成的玩意儿也可能不着边际。

语言模型像 ChatGPT 在这方面已经做得不错了，但视觉领域因为数据太复杂，这事儿还没完全搞定。阶跃星辰在这上面是持续投入，想把这个技术瓶颈给突破了。

强大的模型能力最终需要通过应用来体现价值。阶跃星辰采取的是「超级模型与超级应用双轮驱动」的策略。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/jy.jpg)

在应用层面，阶跃星辰将「智能终端 Agent」作为重点发力方向。姜大昕认为，智能终端，无论是我们口袋里的手机、日常驾驶的汽车，还是未来可能普及的机器人，它们不仅仅是冰冷的硬件，更是「用户感知和体验的延伸」。

这意味着，AI 如果能与这些终端深度融合，就能更好地「理解用户需求和任务上下文」。

比如， OPPO 旗舰 Find X8 Ultra 正式开售首发的「一键闪记」的功能，AI 可以智能识别手机屏幕上的内容，为用户生成摘要，并将碎片化的信息归类到不同的记忆合集。

![](https://s3.ifanr.com/wp-content/uploads/2025/05/o.png)

这背后搭载的其实就是阶跃星辰多模态模型，它能理解屏幕上显示的内容，无论是图片还是文字，用户可以就此提问，AI不仅能回答，还能进行图片处理，甚至帮助用户完成一些应用内的操作，比如直接跳转到机票预订页面并填好信息。

这种合作，将大模型的能力和系统更深度融合，嵌入到用户最高频的手机使用场景中，选择手机作为切入点，其价值在于手机天然的多模态交互属性和庞大的用户基数，为模型迭代提供了丰富的真实数据和即时反馈。

总的来说，阶跃星辰的思路挺清晰：技术上瞄准 AGI，死磕多模态和理解生成一体化这些硬核问题。应用上呢，就找准智能终端这个突破口，跟硬件厂商把场景做深做透。

这条路不好走，但姜大昕和他的团队看起来挺有决心。毕竟，用 AI 解决真实世界的问题，先在市场获得用户认可，才有机会探索 AGI 的天花板，让我们看看阶跃星辰这个多模态卷王后面还能拿出什么新东西来。