在通往通用人工智能（AGI）的路徑上，多模態正成為技術演進的關鍵節點。

　　4月10日，南都灣財社記者獲悉，商湯科技在「2025技術交流日」上發布了新一代大模型系列「日日新SenseNova V6」，涵蓋通用模型、推理模型、視頻理解模型及全模態交互模型，聚焦視覺、文本、語音等多模態能力的融合與落地。

　　「AI之道，在於百姓之日用。」商湯集團董事長徐立在現場表示，多模態不僅是補充文本數據不足的核心要素，更是提升學習效率的關鍵方式。隨着通用能力增強，大模型將逐步走入更多真實生活場景，因此要解決模型「好用」而非「能用」的落地瓶頸。

　　徐立表示，早期大模型領域由OpenAI等海外公司佔據領先地位，但進入今年以來，中國大模型的研發進展顯著提速，在多個維度已具備與海外同步發布、甚至實現局部超越的能力。「像GPT-4.5剛發沒多久，我們在很多指標上已經超越了GPT-4.5，也就是說中國的模型在很多情況下，能夠同步發出對標甚至超越美國同期發布的模型。」他認為，這種趨勢反映了行業認知的逐步轉變，也標誌着國產技術體系正在加速縮小差距、建立自主優勢。

　　商湯新動作的背後，也折射出國內大模型競爭正從規模競賽轉向「推理+落地」雙重比拼。近一個月，百度「文心一言4.0」、字節「豆包大模型」紛紛強化多模態佈局，MiniMax等創業公司也在語音、視頻理解上快速突破。業內普遍認為，隨着語音對話、視頻生成、具身智能等新場景湧現，原生多模態架構將成為未來行業的技術主線。

　　多模態「重構」大模型技術路徑

　　在行業從「百模大戰」進入深水區之後，多模態正成為國產大模型廠商共同押注的新路徑。與過去追逐參數規模不同，如今模型的發展更強調結構設計、模態協同與實際應用的連接能力。以語言為中心的範式已難獨立承載通用智能的需求，融合圖像、語音、視頻等多源信息，成為邁向AGI的必要一環。

　　「現在已經用完了互聯網上大部分的文本數據。」徐立在演講中指出，海量的圖像、視頻、三維等非文本模態中蘊藏着尚未被系統挖掘的知識寶藏。他強調：「從數據量來看，多模態是補充人類智能的核心要素；從學習方法上，多模態也是效率更高的。」

　　而在技術實現上，多模態融合併非模態簡單堆疊，而是涉及「原生架構」的深度設計難題。

　　商湯科技聯合創始人林達華在接受南都灣財社等媒體採訪時表示，模型之間「加法式」的拼接會帶來模態之間能力的削弱，必須通過從底層架構打通各模態之間的聯繫，才能實現真正的融合。他提到，商湯從2023年中起就在攻克模態橋接技術，構建統一的感知-推理鏈條。

　　不只商湯在推進融合架構的落地，百度、阿里等廠商也在強調「多模態原生訓練」能力。

　　百度文心大模型已在圖文理解、多圖推理等任務上開放測試，通義千問亦在視頻、音頻輸入的端到端處理上投入資源。新興玩家如Moonshot AI、智譜AI也相繼發布包含圖像理解或視頻摘要功能的模型，爭奪「多模態AI」新高地。

　　同時，落地場景正在反向塑造模型架構。商湯科技聯合創始人、大裝置事業羣總裁楊帆指出，模型結構的變化往往是「被需求倒逼的」。在自動駕駛、車艙交互、虛擬客服等商用環境中，多模態不僅是性能指標，更關乎成本控制與響應速度。例如SenseNova V6系列中，輕量化的Omini模型專為視頻語音交互優化，延遲控制在500毫秒內，是「從業務中生長出來的技術」。

　　多模態也在改變大模型訓練的邏輯。徐立指出，「規模化堆卡」的思路正在降溫，模型能力的增長更多依賴於思維鏈構建、數據精度優化與場景適配。他認為，「模型的成長方式可以是更有效的強化學習，而非簡單的token數量提升。」這種趨勢正促使國產廠商將更多精力投入「數據與結構」的系統優化。

　　在業內看來，多模態正成為技術、商業和交互維度交匯的核心陣地。隨着硬件部署成本下降、智能終端普及，面向語音、圖像、視頻的模型能力將逐步由雲端向端側延伸，構成「輕量模型+交互場景」的新範式。國產大模型廠商正試圖通過這一路徑，打破「強算力+大模型」壁壘，實現從科研展示走向真實使用的跨越。

　　落地為王，廠商競逐「最後一公里」

　　隨着大模型從「能力競賽」轉向「場景比拼」，如何穿越從研發到應用的「最後一公里」，成為行業共同面臨的挑戰。一方面，多數廠商仍在探索「To C」的路徑；另一方面，「To B+To G」的場景成為當前最現實的突破口。

　　徐立指出，大模型最終要「在真實的環境中解決那些日常煩瑣、但重要的行業需求」，這不僅是應用落地的核心，也是一家AI公司能否建立護城河的關鍵。

　　商湯近年來持續推進「三位一體」（AI基礎設施、大模型、行業應用）戰略，是為打通這一鏈條。徐立認為，「當AI聚集了人類現有的大量平均水平的知識後，就能夠用觸類旁通的能力，為開放問題形成確定性的解決方案。」這意味着，模型的商業價值，往往取決於能否嵌入具體業務流程之中，成為「工具」而非「玩具」。

　　林達華也強調，真正有生命力的Agent，必須落在活生生的場景裏。他舉例稱，商湯為保險公司提供多模態模型服務，能夠從理賠資料中識別潛在騙保行為，「這不是demo，而是業務鏈條的一部分」，體現了「智能體+行業知識」結合的實際價值。

　　從行業整體來看，金融、教育、文旅、車載、政務等B端場景成為國產廠商主要試水地。百度將文心大模型嵌入政務熱線與金融客服系統，阿里雲則主打財務分析與合同審核。新興玩家如MiniMax、智譜AI也在拓展企業知識管理與智能問答等垂類場景，試圖建立「從模型到產品」的打包能力。

　　大模型企業在商業化上的打法也愈加分化。一類聚焦「產品化」模型，以「智能體+工具鏈」切入SaaS市場；另一類則強調「平台化」能力，為其他開發者和行業夥伴提供底層模型和API接口。在林達華看來，這兩者並不衝突，但「唯有深入產業，才能形成數據飛輪和場景粘性」，這是國產大模型實現長效商業化的根基。

　　「AI之道，在於百姓之日用。」徐立表示，從「炫技」走向「實用」，國產大模型能否真正進入尋常人家的日常，還需穿越技術與場景之間的灰色地帶。行業博弈的下半場，拼的不再是參數和排行榜，而是理解現實世界、嵌入實際流程的能力。

（文章來源：南方都市報）